生物行移动版

在生成式人工智能模型动辄拥有数万亿参数的时代，一场名为“Braincraft”的竞赛反其道而行之：要求参与者用最多1000个神经元设计一个模型大脑，在迷宫中完成一系列任务，且训练时间不超过100秒、测试仅限10次尝试。这一挑战旨在探索如何在资源有限的情况下实现智能行为——这正是生物大脑在演化中面临的根本约束。

挑战的起源与哲学

该竞赛由计算神经科学家Nicolas Rougier于2025年7月发起，灵感源于他对计算神经科学方向“日益增长的挫败感”。“我们积累了海量关于大脑这一部分或那一部分的模型——皮层、海马、基底节，但我们却没有任何一个结构的确定性模型。我们可能有大约1000个V1（初级视觉皮层）模型，但没有一个能真正‘看见’，”Rougier说。“原因可能在于我们做建模的方式：只针对非常特定的部分，而没有考虑整体图景。”

与当前追求“越大越好”的AI趋势不同，Rougier的约束来自演化。生命短暂，大脑能量消耗巨大（人类大脑消耗约20%的卡路里）。如何在有限的能量和有限的经验中，最高效地衍生出智能行为，是生物学的核心挑战。“即使是拥有数万亿参数的LLM，如果给它们一个机器人的身体，也无法在现实世界中生存，”Rougier说。“而秀丽隐杆线虫只有302个神经元，却能在现实世界中过着完美的线虫生活。”

竞赛形式

竞赛目前包含五项任务，参与者需设计模型完成：

• 任务1：在迷宫中找到位于两个可能位置之一的食物源

• 任务2-5：将逐步增加复杂性，要求更广泛的决策范围

截至2025年11月，已有参赛者完成第一项任务，第二项任务已开放。第一项的冠军使用了仅22个神经元的手工设计权重（传感器与动作之间的连接值），第三名则使用遗传算法，虽然效率较低但最终成功完成了盲走迷宫的策略。

独特之处

1. 强调完整性
与过去50年认知科学“逐个击破”的研究范式不同，该竞赛要求模型必须整合感知、决策和行动，执行完整任务，而非专注于视觉识别等抽象功能。

2. 资源约束
通过限制神经元数量和训练时间，竞赛迫使胜出模型更智能地利用有限资源，而非通过增加规模来提升性能。

3. 促进可比较性
来自不同理论视角、偏好不同建模方法的研究者被置于同一框架下直接比较，有助于打破日益碎片化的神经科学格局。

争议与挑战

并非所有人都赞同这种竞赛形式。诺丁汉大学计算神经科学教授Mark Humphries指出，成功的科学竞赛需要：

• 尽可能多的参与者，以汇集广泛的专业知识

• 明确的技术目标与性能指标

• 可重复性，让成功和参与得以累积

他认为，当前竞赛存在两个问题：

• 进入门槛高：参与者需精通Python和GitHub，并具备系统神经科学和神经网络建模背景

• 任务的人工性：与图像分类、蛋白质折叠等有明确应用价值的任务不同，这项竞赛使用人工任务，能从胜出策略中提炼出多少对真实大脑的理解尚不明确

未来展望

竞赛成败的关键在于能否找到Axelrod“囚徒困境”竞赛的简单性/人工性与现代计算机科学复杂/有意义挑战之间的“甜点”。如果过于简单，胜者无法告诉我们真实大脑如何解决效率问题；如果过于复杂，将难以招募参赛者，也难以从特定模型中提炼普适原则。

结语

“1000神经元挑战”代表了一种对神经科学未来的不同愿景：在模型规模无限膨胀的时代，它提醒我们，理解智能的关键或许不在于堆积更多参数，而在于如何在约束中实现高效。正如Rougier所言：“即使是LLM模型也无法在现实世界中生存，而秀丽隐杆线虫仅用302个神经元，就能过上完美的生活。”无论这场竞赛能否揭示大脑效率的通用原则，它本身已经为计算神经科学开辟了一条值得探索的新路径。

作者
Nicolas Rougier（竞赛发起人，计算神经科学家）

参考信息
Allen Newell经典论文：“You can’t play 20 questions with nature and win”（1973年）