《自然》杂志的一篇论文首次展示了果蝇整个大脑的接线图，果蝇的大脑虽然很小，但包含约 140,000 个神经元和超过 5000 万个连接，使果蝇能够看、闻、听、行走和飞翔。
1、讨论：
现在是什么阻止我们完全模拟果蝇的大脑呢？ 140k 似乎很容易处理，尽管确定初始状态可能很困难。
回答：
第一近似值是，每个神经元就像电灯开关一样复杂，对吗？ 它要么开要么关。
我可以用 python 运行 14 万个电灯开关，但每个神经元都能驱动突触后神经元。
5000 万个连接是个大数目。 但仍然可行。
不过，每个神经元并不完全是一个电灯开关。
神经元发射尖峰。尖峰沿着神经元向下传导，直到到达轴突末端，然后向突触后细胞释放递质。
每个细胞都是一个电池。 每个细胞都处于由泄漏电导设定的 "静息电位"。 神经元整合兴奋性输入和抑制性输入，如果动作电位起始区*的净输入超过 "阈值"，就会触发动作电位。但这仍然是一种过度简化。 神经元有称为树突的过程。
树突通常（并非总是）是突触后侧的着陆点。
兴奋性输入和抑制性输入并非直来直去。 抑制性输入也可以分流兴奋性传导。
想象一下给软管加压，然后在软管上戳几个洞。
因此，如果树突的远端有一些强烈的兴奋性输入，而近端节段获得抑制性输入，就会阻止这些兴奋性输入传导到尖峰起始区。
因此，根据输入的类型和解剖/形态排列，突触可能产生截然不同的效果。 现在，我将跳过抑制性输入落在轴突上会发生什么。 神经元会发射尖峰，但在大多数情况下，它们不会产生枯燥的强直性输出。
有些神经元会适应，有些则不会。 有些则在结束时。 有的在去极化时停止尖峰，在输入停止时尖峰。 有的则一直尖峰，并根据兴奋性/抑制性输入加快或减慢。有些输入并非严格意义上的兴奋性或抑制性输入。
有些是调节性输入。 血清素、组胺、多巴胺、乙酰胆碱等可以改变细胞对兴奋性输入的反应，使它们发射得更快或更慢。 由于固有特性，一些神经元会根据其静息电压完全改变其发射模式，而静息电压可以通过调节性输入而改变。
这里我跳过了输入之间的直接电连接。
最后，所有专门研究电生理学的神经科学家最担心的是异位耦合。如果你有一个非常狭窄的空间，比如果蝇的大脑，里面有数百万个轴突和轴突侧支，它们向四周发射电脉冲，以不同的频率振荡，会发生什么？你会看到离子的大量运动。你会产生电场。你会产生磁场。所有这些都可能对生物体的行为产生功能性影响。
以上就是神经网络的工作原理，但我忽略了很多。突触可塑性、突触强度的长期变化、发展、修复、局部电路等。人工神经网络的工作原理有点像这样，但它更加人工化，这个想法是基于一个理想化的网络，据我所知，这种网络实际上并不存在，而且出于效率原因，它涉及数学简化。并不是要贬低数学家。
2、讨论：
对于 LLM 和其他深度学习 AI 而言，这将使人类大脑成为一个大约 600T 的模型。相比之下，据传ChatGPT是一个 1T 模型。
生物神经元和突触与神经网络矩阵中的参数不同。它们具有多种作用模式，并实时适应。但有趣的是，进行简单的“餐巾纸数学”比较，并意识到我们可能至少在某些方面距离人类水平还有 8-9 倍的差距。
如果按照当前静态前馈架构构建 600T LLM，它仍然与人脑不同，不会具有自我意识或独立行动的能力，但它可能表现出真正的人类水平的语言推理能力。
3、讨论：
纯粹的超级智能会存在任务定义问题和与人类沟通的带宽问题。
举例来说，如果一个超级智能LLM推导出一种新的外科技术，但却无法向人类外科医生解释清楚，让他们接受或执行，那么推导出这种技术的处理时间基本上就浪费掉了，直到人类能够 "赶上 "理解它在说什么。
或者，如果一个LLM不断弯曲所有任务，转而谈论维特根斯坦的哲学，那么它最终可能会产生超密集、冗长、难以理解的文本输出，而实际上并没有解决核心问题。
在某些情况下，超级智能可能会反驳说，问题或目标的定义是错误的，但人类也有可能无法有意义地说服超级智能，让它相信所陈述的目标是相关的，这样你就很容易陷入 "流氓人工智能 "的境地，这种情况并不危险，但却是每个自掏腰包为孩子攻读哲学或美术硕士学位的家长都会经历的。
4、人类的大脑大约等于 1000 个老鼠的大脑，而老鼠的大脑大约等于 1000 个苍蝇的大脑。