我向 GPT 提了一个很长的问题。起点是一个看起来可以直接换算的数字:
人类的大脑的神经元参数相当于多少 B 的 dense model?人类一生的输入的数据量大概多少?我记得好像 10 亿 token?……按照 scaling law 来看,人类是不是训练数据太少了?
但在同一个问题的后半段,我真正关心的事情已经变了:
它的输入总是有限的,它不可能在一定时间内读取特别特别多的内容。甚至,只要内容足够多,一生都读取不完。而 LLM 不会,是否可以认为 LLM 优于人类大脑?
这里的“而 LLM 不会”,现在需要改得更准确:机器同样有限,但扩充机器的信息处理能力,不必完全受限于一个个体的一生。
这篇文章整理自这次对话。原始材料是一段提问和一段长回答;下面按照问题的逻辑重新组织,保留我的追问方向,也区分 GPT 给出的解释、可以核实的研究结论,以及还只是启发性的推测。它不是一份人机智力排行榜。
如果先给出一个暂时的判断,那就是:
人脑是否“欠训练”,不能靠把突触数代入语言模型的 scaling law 来证明;但个体的有效信息输入确实有限。学习效率与知识吞吐量,是两个不同的问题。
人脑不是一个 86B 的语言模型
“人脑有约 860 亿个神经元”,很容易让人联想到模型名字里的 86B。
但这两个 B 数的不是同一种东西。神经元计数研究给出的约 860 亿,是细胞数量的估计;模型的 B 通常指十亿个可训练数值参数。前者不能直接当成后者。[1]
如果一定要找类比,突触连接强度比神经元数量更接近“权重”。UCLA 脑研究所给出的科普数量级是约 100 万亿个突触,也就是 。[2]
假设一个突触只算一个参数,换算结果会是:
这可以帮助建立数量级直觉,不能据此说人脑等效于一个 100,000B 的 Dense Transformer。
原因不是简单的“生物系统更复杂”,而是计数对象与计算组织方式都没有对齐。
突触不是一枚只承担静态乘法的浮点权重;神经元及其树突也不是一个简单的人工激活函数。更重要的是,人脑同时承担感知、动作、身体调节、记忆和语言等不同功能。把全脑的连接数都算成“语言推理参数”,已经改变了比较对象。
即使两个系统连接数量一样,连接如何组织、如何激活、如何更新,也可能让它们完成完全不同的任务。参数多不自动等于更聪明,正如内存大不自动等于程序更好。
因此,“相当于多少 B”可以作为开场问题,却不适合作为比较的地基。
真正需要比较的应当是:在什么输入、资源和可靠性要求下,两个系统分别能学会什么、完成什么?
一生 10 亿 token,到底算了什么
我提问时记得“人类一生大约输入 10 亿 token”。这个数字很有冲击力,但首先要问:它是如何统计出来的?
听到的语言、主动阅读的文字、反复见到的内容,是否都计入?词如何换算成 token?不同语言、年龄、职业和生活环境,显然不能共用一个固定值。
与其把它当作测量结论,不如做一笔明确假设的示意账:
- 假设前 10 年累计接触 5,000 万个词。
- 随后 70 年,每天接触 2 万个词。
- 再假设每词折合 1.3 个 token。
后 70 年累计为 亿词。把两段相加,再按假定比例换算:
在这些人为设定下,结果确实接近十亿量级。但这不是“科学测得一个人一生只有 7.29 亿 token”。尤其 1.3 token/词只是示意换算,不能当作中文或所有 tokenizer 的统一比例。
这笔账的作用,是帮助理解有限的语言暴露量;不是给人类认知盖一个容量上限。
因为人并不只通过文字学习。看见物体掉落、伸手接住它、听到声音、感到疼痛、观察别人的反应,都不在这份语言账里。把这些体验编码成数字数据,也不等于得到了可以直接与文本 token 相加的“等效训练量”。
还有一个更容易混淆的地方:接触过多少信息,与最终保留了多少可用知识,不是同一个量。
一段话读过五遍,不等于学会五份新知识;模型把一份文档放进上下文,也不等于已经把它写进权重;检索系统能够找到材料,也不等于已经可靠地理解材料。
至少需要分开三层:
- 输入量:系统接触了多少内容。
- 学习过程:内容通过什么机制改变了系统的行为。
- 有效知识:后来能否准确调用、迁移,并用于解决问题。
原先那个“10 亿对几十万亿”的直觉,可能提示了值得研究的差异,但还不足以给学习效率下定论。
用 Chinchilla 判断人脑欠训练,错在哪里
接下来是原问题里最有意思的一步:假设人脑有极大的“参数量”,一生语言输入却只有十亿量级,按照 scaling law,它是不是严重欠训练?
2022 年的 Chinchilla 研究讨论的是:给定训练计算预算,Transformer 语言模型应该怎样分配参数量与训练 token 数,才能获得更好的语言建模表现?[3]
常见的简化记忆是:
这里 是模型参数量, 是训练 token 数。这是特定实验设置下的计算最优近似,不是所有智能系统必须满足的“营养配比”,更不是达到智能所需数据量的下界。
现在故意做一次不成立的代入:把 个突触当成 个参数,再把 个语言 token 当成全部训练数据。
再除以假定的一生语言输入:
结果看起来像是“人脑少训练了 200 万倍”。
但这个巨大倍数,并不是人脑欠训练的证据,而是跨系统套公式会产生怎样的误导。
参数定义不一致,输入模态不一致,学习算法不一致,目标函数也不一致。连“计算预算”本身,都没有建立可靠的对应关系。
Chinchilla 里的欠训练,是相对于一个明确的工程问题而言:同样的训练预算,如果换成较小模型、更多数据,能不能获得更低的 loss?
而把它用在人脑上,必须先回答另一个问题:所谓“更好训练的人脑”,究竟优化什么?阅读速度、语言预测、运动控制、社会适应,还是一生中处理新情境的能力?
没有共同目标和可比实验,“欠训练”就只是一个很像工程结论的比喻。
不过,这不意味着原问题没有价值。它留下了一个更好的研究方向:如果学习系统的结构、先验与输入方式不同,我们应该如何比较它们对经验的利用效率?
人脑的学习效率,不能只用语料量解释
GPT 的回答提出了几条解释方向:演化形成的先验、多模态和具身经验、稀疏与循环的计算组织、持续反馈,以及记忆的重组。
这些方向值得保留,但不应被写成一个已经解释完毕的“人脑高效学习定理”。
首先,人并不是从随机初始化开始,仅靠几十年的文字输入获得全部结构。可是,“演化积累了先验”也不意味着可以把演化年数换算成某个精确的预训练 token 数。遗传、发育和个体学习之间的关系,不是同一种数据训练流水线。
其次,经验的组织方式可能与经验的数量同样重要。
读到“杯子会碎”,和亲手摔碎一个杯子,获得的反馈不同。后一种经历同时包含视觉、声音、动作、因果后果,以及以后需要避免什么。不能只把它算成一句文本,然后认定人用十几个 token 学到了一个世界模型。
还有学习与使用的关系。常见部署方式下,语言模型在一次对话中的上下文适应,并不自动更新它的参数;若需要长期保留信息,还要借助外部记忆、检索或后续训练。这里应当比较具体系统,而不是直接宣称“LLM 不会学习”。
这些差异让我更愿意把“人脑样本效率很高”看成一个需要拆解的命题:
- 学的是什么任务?
- 先前已经具备哪些知识?
- 获得了哪些反馈?
- “一个样本”到底包含多少结构?
- 最后用什么标准判断学会了?
只比较显式语言输入量,很可能低估了人的先验与非语言经验;只强调先验,又可能掩盖机器在规模化学习上的真实优势。
算力、20W 与记忆容量,怎样比较才公平
功耗需要统一边界
“大脑只用约 20W”是常见的数量级描述,但这里说的是代谢能量,不是插座上的电功率,也不是专门用于解数学题的功率。脑能量核算研究还会进一步区分不同区域、通信、计算与其他过程。[4]
即便只做恒定功率的示意估计,假设连续 80 年维持 20W:
这个结果不包含全身活动、食物生产或生活环境的成本;同样,GPU 的芯片功率也不等于完整 AI 服务的总成本。
所以,把人脑 20W 与整个模型预训练集群的功率并排,不能直接得到“推理能效差多少倍”。前者是持续运行的生物系统,后者可能正在一次性训练一个可以被大量复制和使用的模型。
更好的比较是:在同一任务、同一正确率和延迟要求下,分别需要多少端到端能量?模型训练成本是否摊销,人的学习成本是否计入,都要明确。
FLOPS 不是天然的共同单位
神经系统的活动若要用数字计算机模拟,必须先选择模拟层次:只模拟脉冲事件,还是包括细胞膜、树突甚至分子过程?
模拟得越细,所需数字运算就可能越多。但“模拟它需要多少 FLOPS”,不等于“它本身就拥有多少 FLOPS”,更不等于完成某种认知任务的有效算力。
因此,我不想在这里保留一个看似精确的“人脑等效 GPU 数量”。没有说明模拟假设和任务边界的数字,精度越高,反而越容易制造错觉。
存储状态不等于可用知识
同样,把突触数乘以假定的每突触 bit 数,可以得到一个理论存储量。但它不能直接回答:人能够准确记住多少篇论文,什么时候能回忆出来,能否识别其中的错误。
机器也是如此。模型权重、上下文窗口、检索索引、硬盘文件,是不同的存储层。磁盘上有一亿篇文档,不等于模型已经拥有一亿篇文档对应的可靠知识。
这三类比较最终都指向同一条原则:不要把物理资源的规模,直接当作完成任务的能力。
Benchmark 回答的是哪一种“超过人类”
我的原问题还包括:人类在 benchmark 上表现如何,旗舰模型是不是已经优于人脑?
原回答列出了若干当时的模型名称与分数。这篇整理不沿用未获可靠核实的榜单数字,也不拿历史成绩冒充今天的能力边界。更值得留下的是评测口径。
GPQA:是哪一种专家,哪一套题
GPQA 原始论文构建了 448 道生物、物理、化学选择题。对应领域的博士或在读博士专家准确率约为 65%;扣除他们事后识别出的明显失误后,约为 74%。这是该研究的专家验证结果,不是“所有人类的智力分数”。[5]
后续常见的 GPQA Diamond 又是一个特定子集。如果把它的模型成绩与原论文整体的专家数字直接相减,就可能把不同题集和不同条件混在一起。
即使完成了公平比较,也只能首先得出:某系统在这类题目和这套评测协议下表现更好。它是否更能提出问题、设计实验、验证证据,需要另一类测试。
ARC-AGI-2:人类平均分与集合表现不同
ARC Prize 在 2025 年发布 ARC-AGI-2 时,报告人类测试组平均成绩约为 60%,同时每道评测题都至少有两个人在规定尝试次数内解出。[6]
这两句话并不矛盾。前者描述个体平均表现,后者描述一组人覆盖题目的能力。把后一条写成“一个普通人能拿 100%”,就改变了结论。
比较机器时也应当问:成绩来自一次回答、两次尝试、搜索、工具调用,还是多个候选方案的筛选?资源预算和系统配置是成绩的一部分。
长任务:会答题,不等于能稳定做完项目
METR 的长任务研究提供了另一种尺度:用人类专业人员完成任务所需的时间,衡量 AI 能以某个成功概率完成的任务长度。[7]
这里的“时间跨度”不是模型实际连续运行了多久,也不是普适的自主工作时长。如果一个系统在某类“人类需要一小时”的任务上成功率为 50%,不能改写成“它已能可靠自主工作一小时”。
我想保留的不是某个分数,而是这个区分:
题目已经给定时,把答案做出来;在真实环境中发现问题、搜集证据、执行并纠错,是不同层次的能力。
“优于人类”必须附带任务、参照人群、资源和可靠性,而不能省略成一个总分。
一千万篇论文,才是我最在意的思想实验
参数、能耗和考试都重要,但我提问的落点,其实是这句:
只要内容足够多,一生都读取不完。
假设有 1,000 万篇论文,每篇平均 8,000 token,总量就是:
一个人每天读完一篇,而且全年不休息,需要:
也就是约 2.74 万年。原对话的回答把这一步误算成了“约 3 年”,整理时必须纠正;它不是一个不影响结论的小误差。
现在换一个明确为假设的机器方案:100 个实例并行,每个实例持续处理 1,000 个输入 token/秒。
这不是某款模型的实测成绩,也不是项目交付时间。它只是把“可以并行扩容”写进算式以后得到的理想输入处理时间。
这里省略了硬件和费用、文档解析、上下文管理、跨论文关联、错误重试、结果验证,以及最后把分散结论整合起来的成本。甚至“处理过 token”,距离“读懂论文”还有很远。
而且,我们实际上在比较一个人与一个有基础设施支撑的机器集群,不是两个单独大脑。如果允许机器协作,也应考虑人类的团队、图书馆、搜索工具与学术分工。
但把边界补齐以后,原问题仍然成立:
一个人的学习再高效,也不能保证他在有限的一生里,接触到足够多的信息。
理解一篇论文所需样本少,与能够覆盖千万篇论文,是两种优势。高样本效率不自动带来高总吞吐量。
这也是为什么我不想用一句“人脑更高效”结束比较。高效可能是真的,却未必回答了知识覆盖的问题。
可复制性,比参数量更值得讨论
GPT 的回答中,另一个值得继续展开的方向是机器的可复制性。
一个人花几十年形成的专业能力,不能直接复制到另一个人脑里。写书、教学和共同工作可以传递知识,但对方仍要经历学习过程。
而模型训练完成后,权重可以部署到多个实例上。复制不是零成本,却不必让每份副本重新经历全部预训练。
这意味着比较不应只停留在“单个模型有没有一个人聪明”,还要问:
- 获得一份能力需要多少成本?
- 新增一份同类能力需要多少成本?
- 能否同时处理许多不同问题?
- 分散的结果能否汇聚成可靠、可追溯的知识?
不过,可复制也有容易被夸大的地方。
复制权重,不等于实例之间自动共享全部上下文、记忆和新发现。 一个实例读到的材料,需要通过外部存储、通信或训练等机制,才能影响其他实例。把一百个模型启动起来,不会自然得到一个统一的“百倍大脑”。
并行也不保证答案多样:相似模型可能重复相同的误解。增加实例数可以增加处理量,却不一定同比增加可靠知识。
所以,机器的结构性优势不是“无限阅读”,而是有机会把计算、存储、检索、验证和协作做成一个可扩展系统。这个机会能兑现多少,仍然取决于工程与评估。
从这个角度看,我关心的对象已经不只是 LLM,而是 LLM 与工具、记忆、反馈和协作机制组成的认知系统。
从参数规模,转向有效认知带宽
如果要给这次思考留下一个框架,我更愿意使用“有效认知带宽”,而不是“等效多少 B”。
可以写一个很简单的概念式:
其中:
- :单位时间接触和处理信息的速率。
- :这些信息转化为可靠、可调用知识的有效比例。
- :系统可用于学习与工作的时间。
这不是已有的 scaling law,也不是拟合过的脑科学模型。 它只是整理思路的记号:吞吐量、转化效率与时间,都不能被忽略。
真实知识也不是线性相加的。这里没有处理遗忘、信息冗余、知识之间的依赖,以及新证据对旧认识的推翻。一个快速吞入大量错误内容的系统,甚至可能越学越糟。
但这个不完整的式子,至少阻止了两种过早的结论。
第一,“人类可以从很少的例子中学习,所以机器永远无法超过人类”。即便前半句在某些任务上成立,也没有约束机器的吞吐量、并行规模和运行时间。
第二,“机器能读得更多,所以它已经理解得更深”。吞入的数据增加了,不代表有效比例 也增加;验证和整合甚至可能成为新的瓶颈。
回到最开始的几个问题,现在我会这样回答:
- 人脑相当于多少 B? 没有经过验证的统一换算。神经元数、突触数与模型参数量只能做受限类比。
- 人脑是不是欠训练? 不能由 Chinchilla 法则推出。不同系统的学习目标和经验形式没有对齐。
- 个体有没有结构性局限? 有限的时间和信息处理速度,使“一生读不完”成为一个真实约束,而不只是学习态度的问题。
- LLM 是否优于人脑? 要拆成具体维度。可扩展的信息处理与可复制性,是有力的比较方向;可靠学习、长期执行与现实反馈,仍须分别检验。
我最初问的是一个硬件问题:这个生物系统,究竟对应多大规模的模型?
沿着它想下去,真正留下的是一个关于知识的问题:
即使一个大脑足够善于学习,它的一生是否仍然太短,无法充分接触世界已经积累的知识?如果机器能够复制、并行和持续扩展,我们应该怎样衡量它所获得的认知能力?
这不必立即收束成“谁全面超过谁”。它更像一个研究起点:未来的认知上限,可能不仅取决于单个学习器有多聪明,也取决于知识能否被持续吸收、准确验证,并在一个可扩展的系统中累积。
参考资料
- Herculano-Houzel, The human brain in numbers: a linearly scaled-up primate brain(2009):神经元计数及其比较边界。
- UCLA Brain Research Institute, Billions of neurons, trillions of synapses:神经元与突触数量的数量级说明,不是等效模型参数量。
- Hoffmann et al., Training Compute-Optimal Large Language Models(2022):给定计算预算下,模型规模与训练数据的分配。
- Levy & Calvert, Communication consumes 35 times more energy than computation in the human cortex, but both costs are needed to predict synapse number(2021):脑能量核算,以及“20W”与具体计算成本之间的区别。
- Rein et al., GPQA: A Graduate-Level Google-Proof Q&A Benchmark(2023):题集构建与原始专家验证结果。
- ARC Prize, Announcing ARC-AGI-2 and ARC Prize 2025(2025):人类测试组与评测协议。
- METR, Measuring AI Ability to Complete Long Software Tasks(2025):按人类任务耗时衡量成功概率的方法。