8月13日，以色列希伯来大学2026年7月发布的一项研究让“AI能否解释人脑”这一话题再度升温。研究显示，单个脑细胞的计算能力可媲美一套复杂AI系统，而人脑拥有近千亿个这样的细胞。主流观点认为，AI无法完全解释人脑，更无法彻底模拟人类的创造力——这是生物基础与创造本质的双重鸿沟。
这项研究源于以色列希伯来大学团队，于2026年7月完成，8月13日经微博博主“智慧科技迷”“央证公开课”等转发后引发广泛讨论[1]。研究团队以生物神经元的真实数据训练AI，尝试模拟单个神经元的计算过程，结果发现：仅相对简单的生物神经元，其处理水平就能匹敌小型复杂AI模型。这一结论颠覆了“大脑强大主要靠海量神经元连接密度”的传统认知——大脑的优势不仅来自规模效应，更来自每个神经元的“单兵作战能力”。
AI有可能对人类大脑具备解释力吗？
结论：目前没有AI能做到对人脑的完全解释，解释力存在结构性天花板。这不仅因为计算规模的差距，更因为人脑的运作方式与AI基于概率的模式识别有本质区别。
所谓“解释力”，既包括对神经活动机制的还原，也包括对意识、情感、创造力等高级认知的因果说明。希伯来大学的研究显示，仅模拟单个神经元已极其困难，而人脑有近千亿个细胞，且彼此间存在复杂连接和动态调节。若无法在单细胞层面建立精确模型，整体性解释便无从谈起。
更关键的是，AI目前擅长“相关性”而非“因果性”。大模型可以通过海量数据学习到人类语言、图像的模式，但无法理解这些模式背后的生物机制与主观体验。因此，AI对人类大脑具备“描述性工具”的辅助价值，但难以实现“解释性理论”的严谨地位。这也是为何科学界普遍认为，AI可以成为脑科学研究的“超级显微镜”，却无法直接充当“大脑说明书”。
单个脑细胞的计算能力有多强？为何让AI望尘莫及？
结论：单个脑细胞的计算能力即可媲美一套复杂AI系统，人脑拥有近千亿个这样的“高性能处理器”。
希伯来大学的这项突破性研究，将人脑与AI的算力差距展现得淋漓尽致。过去，学界倾向于认为大脑的强大源于约千亿个神经元及其错综复杂的连接，即“人海战术”；但该研究揭示，每个神经元自身就具备极强的独立计算能力，远非人工神经网络中简单的加权求和单元可比[1]。
研究团队使用生物神经元的真实数据来训练AI，评估模拟单个神经元计算的难度。结果显示，仅相对简单的生物神经元，其处理水平已可以匹敌一个小型复杂AI模型。这意味着，人脑近千亿个神经元中的每一个，都相当于一个微型AI系统的算力中枢。如果进一步考虑神经元之间突触连接的动态可塑性，大脑的潜在计算复杂度更是远超任何现有数字计算机。
这一发现也动摇了人工智能领域的底层信念。当前多数AI系统，包括深度学习网络和大语言模型，都依赖大量简化的人工单元（如人工神经元）堆叠。如果生物神经元的内部计算复杂度远高于人工单元，那么仅仅增加参数规模或许无法带来质的跃升。真正的突破，可能在于让每个计算单元更接近生物神经元：更丰富的动力学、更复杂的非线性、更精细的反馈调节。
从技术产业链角度看，这意味着未来AI芯片设计或许会从“堆核心”转向“提单核性能”。类脑计算、神经形态芯片、脉冲神经网络等方向可能因此加速。据公开报道，英特尔、IBM等公司已在神经形态芯片上布局多年，这类芯片模拟神经元和突触的脉冲行为，在能耗比上相比传统AI芯片有显著优势。但截至目前，它们依然是对生物神经元的粗略简化，距离“单细胞级模拟”还有很长的路。
为什么AI无法模拟人类的创造力？
结论：创造力意味着“对齐人类感受”并“给出出乎意料的惊喜”，而AI作为概率机器，无法先验计算小概率的成功。
在社交平台上的讨论中，微博用户“纯银V”的观点获得大量共鸣：AI不具备真正意义上的创造力。创造要满足两个条件——对齐人类的感受，以及带来出乎意料的惊喜。然而，AI本质上是概率机器，它按照训练数据中的最大公约数来输出内容，难以超越最大公约数，计算出人类“意想不到”又“满心惊喜”的结果[2]。
美籍华裔作家特德姜曾有一个著名比喻：一篇一万字的短篇小说，意味着作者做出一万次抉择；而当你给生成式AI一段指令时，你做出的选择寥寥无几，即使写了百来字提示词，也只是百来次选择。AI生成的万字故事，必须填补所有你未曾做出的选择。这就是创作的本质——选择，而非拼凑[2]。
中国人民大学文学院副院长陈涛在受访时也表达了类似观点：AI可以取代大量平庸的套路化作品，但真正高级的创作——那些挑战想象力、带来精神升华的作品——AI打不过。“手搓”的作品或许不完美，但它独一无二，能让人心里真正动一下[3]。
这种“平均人”困境已被越来越多的创作者察觉。AI写出的文字永远通顺、正确，却缺乏自己独有的生活痛感、反常识的洞察和冒犯读者的勇气。写作最大的价值不是敲字，而是在混沌中厘清逻辑的过程。当把列提纲、找论点、搭结构全部交给AI，人脑的独立思考能力也会随之退化[4]。
AI缺乏的“主体性”如何影响对大脑的解释？
结论：主体性意味着人必须用不可重来的肉身承担每一次认知的后果，这是AI结构性缺失的能力，也是AI无法真正理解人类决策与情感的原因。
AI与人的真正区别，不只是智能，而是主体性。AI可以推理现实，人却必须生活在现实之中。人用自己的认知做出选择，选择改变现实，现实再反过来检验认知。错误对AI而言只是损失函数中的一次权重调整，对人而言则可能是破产、疾病、失去信任，甚至死亡[5]。
“贝乐斯微博”在讨论中指出，AI的违规成本发生在训练时的一次权重调整里，承受调整的不是正在与你对话的这个实例，下一次它甚至不会记得自己曾经出错。而人无法退出自己的生命，也无法把过去重新初始化。正因如此，人必须不断认识现实、修正认知，并在后果中确认对错。AI可以学习规则，却没有真正意义上的良知；可以计算利弊，却不需要成为自己行为后果中的那个人[5]。
这种差异直接削弱了AI对大脑的解释力。因为人的很多决策和行为并不源自纯理性计算，而是源自身体经验、情绪记忆和生命历史。AI可以生成一万首情诗，但它从未心动过；可以模仿莫奈的画风，但它从未被一场日出震撼到流泪[6]。没有具身经验的AI，如何解释那些由疼痛、喜悦、孤独和希望雕刻出的神经回路？
跨领域的灵感也印证了这一点。乔布斯将书法美学融入科技产品，爱因斯坦以小提琴启发物理思考，这些非逻辑的顿悟时刻，是当前AI结构性缺失的能力。因为顿悟往往来自漫长生命体验中的偶然碰撞，而不是概率模型中最优路径的搜索结果[6]。
未来的AI能否突破解释人脑的困境？
结论：突破的可能不在于堆砌更多参数，而在于让AI的每个“单元”更接近生物神经元，并构建具备主体性感知能力的系统。
希伯来大学的研究为AI未来指明了方向：要打造更强大的AI，或许需要先让每个计算单元变得更聪明、更复杂，而非仅靠人工单元的数量堆叠[1]。这与人脑的进化逻辑一致——生物通过优化单个神经元的计算能力，而非无限增加神经元数量，实现了高效能耗下的复杂认知。
产业层面，类脑芯片、神经形态计算、脉冲神经网络等方向可能因此受到更多关注。目前，这类技术仍处于早期探索阶段，但已有不少研究团队试图用忆阻器、光计算等手段模拟神经元的非线性动力学。值得注意的是，即便未来算力取得突破，AI对人脑的解释仍可能面临“可解释性”难题：一个复杂到接近人脑的模型，其内部机制可能和大脑一样晦暗不明。届时，AI或许能模拟大脑，但人类依然无法理解模拟的过程。
与此同时，具身智能正在成为AI领域的热点。让AI拥有身体、与物理世界持续交互，或许能够补上“主体性”的缺口。通过传感器感知温度、重力、阻力和反馈，AI才可能逐渐形成类似“感受”的内部状态。但即便如此，人工系统是否会产生真正的“心动”或“痛感”，依然是科学边界之外的哲学追问。这也提醒我们：AI对大脑的解释力，终究受限于人类对意识的定义。如果意识不只是计算，那么基于计算的AI永远无法解释意识的起源。
我们不必急于否定AI的可能性。但至少在今天，AI对人类大脑的解释力，更像是一张日益精细的地图，而非大脑本身。地图可以指引方向，却永远无法替代在真实土地上行走时那一步一脚印的重量。
技术要点表
| 技术/产品 | 核心指标 | 应用场景 | 影响对象 | 限制条件 | 信息来源 |
|---|---|---|---|---|---|
| 人类脑细胞 | 单个细胞计算能力媲美复杂AI系统；人脑近千亿个 | 认知科学、AI架构设计 | 神经科学家、AI研究者 | 尚未完全模拟单个神经元 | 以色列希伯来大学研究[1] |
| 生成式AI（大模型） | 按最大公约数输出，缺乏意外惊喜 | 文本生成、内容创作辅助 | 创作者、内容产业 | 无法先验计算小概率成功 | 纯银V观点[2] |
| AI写作辅助工具 | 可完成资料搜集、框架整理、局部润色 | 写作过程的人机协作 | 写作者、媒体人 | 核心观点、立意必须人工完成 | 中国日报采访陈涛[3] |
| AI决策系统 | 无真实后果承担，违规成本仅权重调整 | 推荐系统、对话系统 | 使用者、社会伦理 | 缺乏主体性与是非判断 | 贝乐斯微博[5] |
QA：你可能还想问
Q：AI有可能完全模拟人脑吗？
A：根据以色列希伯来大学2026年7月的研究，仅模拟单个神经元就已极其困难，而人脑拥有近千亿个这样的细胞。主流观点认为，AI无法完全解释人脑，更无法彻底模拟人类创造力。
Q：单个脑细胞的计算能力到底有多强？
A：研究显示，单个脑细胞的计算能力可媲美一套复杂AI系统。人脑拥有近千亿个此类细胞，这意味着大脑的潜在算力远超当前任何AI集群，且能耗极低。
Q：AI生成的文字为什么缺少“人味儿”？
A：因为写作是选择的过程——一篇一万字小说意味着作者做了一万次抉择，而AI只是填补用户未做出的选择。AI写出的内容通顺但趋同，缺乏生活痛感、反常识洞察和冒犯读者的勇气（据公开讨论观点）。
#AI解释人脑 #希伯来大学研究 #脑细胞算力 #AI创造力局限 #类脑计算