如果現在告訴你，你可以把意識上傳到電腦中，然后實現賽博永生，你會如何選擇？

這不是科幻，而是可能的現實。

3月7日，美國初創公司Eon Systems在X上發布了一個堪稱賽博神跡的Demo，他們把一只成年果蠅的12.5萬個真實神經元連線搬進了計算機，這個過程中，沒有用任何代碼編寫行為，也沒有用海量的數據去訓練模型......

但神奇的是，這只“數字果蠅”在屏幕里“活”了過來，它不僅會走位，會清理觸角、甚至還會尋找食物，就像一只真實的果蠅一樣。

▲The First Multi-Behavior Brain Upload，Dr. Alex Wissner-Gross@X

在無數的科幻小說和電影里，人類無數次幻想過將自己的大腦上傳，從而實現真正意義上的賽博永生。

而現在，它實現了。

Eon Systems用一段僅僅43秒的視頻，將一個科技圈塵封已久的夢想再次推到了所有人的面前——全腦仿真（Whole-Brain Emulation, 簡稱WBE）

而這一次，它或許會完全顛覆已有的，通過大模型來構建AGI的路徑，發展出一種全新的、更接近生命本質的智能形式。

一段塵封已久的賽博往事

全腦仿真，一個更為大家熟知的說法是“意識上傳”。

這種概念最早出現在20世紀50年代的科幻小說中，許多偉大的科幻作家都在自己的作品中提到了這樣的設定，比如發明“機器人三定律”的艾薩克·阿西莫夫（Isaac Asimov），以及創作《太空漫游》的阿瑟·克拉克（Arthur C. Clarke）等等。

后來，馮·諾依曼在《計算機與人腦》中從數學和計算機角度討論機器模擬人腦的可能性，為這一思想提供了理論基礎。

但這一技術路徑仍然停留在設想中，直到2008年，牛津大學人類未來研究院的桑德伯格和波斯特洛姆在《全腦仿真：一份路線圖》中正式提出“全腦仿真（WBE）”的術語與工程框架，才將這一概念從科幻想象推進為具有明確技術路徑的跨學科科學研究方向。

簡單來講，如果說大模型是試圖通過模擬“智能”的發生的過程來實現AGI，那么全腦智能就是試圖通過還原大腦結構來復制已有的智能。

這種想法乍一聽十分可行，但在過去近二十年里，它卻是實至名歸的科研冷板凳。

原因無它，要實現全腦仿真，需要的技術難度太高了。

全腦仿真不像大模型，可以通過堆算力和語料庫快速見效，它需要在納米級成像、超大規模計算、生物動力學和物理仿真這四個維度同時達到“臨界點”。

▲Whole Brain Emulation:A Roadmap，推動全腦仿真（WBE）關鍵技術發展的技術驅動力

比如，要實現全腦仿真，需要先對大腦進行納米級切片并用電子顯微鏡掃描；然后將海量圖像中的神經纖維重新連接，構建完整的三維神經連接圖；接著分析各個突觸之間傳遞的信號和神經活動規律；最后在計算機中對這些結構和信號進行模擬，從而重建大腦的運行過程。

但2010年前后，掃描1立方毫米的腦組織（大約相當于一只蒼蠅大腦的體量）往往需要多臺顯微鏡連續工作數年。之后，依靠人工手動“描線”去連接神經元，又要消耗數十萬個工時。更不用說后面還要進一步解碼神經信號，并對這些生物信號進行動態模擬，難度只會更高。

但最近幾年，隨著相關技術的跨越式發展，這些過去看似不可能完成的任務，正在逐步變得可行。

例如，多束電子顯微鏡技術的成熟，讓掃描速度提升了數百倍，原本按“年”計算的工作周期可以壓縮到“周”。再比如，以Google的FFN算法為代表的計算機視覺算法的快速進步，又大幅推進了神經元的自動分割和追蹤。

此外，機器學習以及MuJoCo等高性能物理引擎的開源和優化都是Eon Systems能夠取得突破的關鍵。

具體而言，Eon Systems的這次突破首先是建立在2024年發表于《Nature》的FlyWire項目之上的，這是一張極其精密的“地圖”，科學家通過電子顯微鏡掃描，精準重建了果蠅大腦中約12.5萬個神經元，以及超過5000萬個突觸連接。

然后，研究人員利用模型，根據突觸的形態特征，以極高準確率推斷出了每一個連接的“屬性”。最后用MuJoCo等高性能物理引擎的開源和優化，數字生命才終于擁有了一個足夠真實的“數字練兵場”。

感知、決策、行動之間的閉環，第一次有機會在虛擬環境中真正跑通。正是Eon Systems此次技術突破的核心所在：研究人員在數字世界里，幾乎以1:1的方式，還原了一只成年果蠅的“靈魂”。

沒有任何程序員教它該如何走路，這只數字果蠅卻自發地開始行走、清理觸角，甚至表現出尋找食物的傾向。這些復雜行為，并不是事先“編程寫好”的結果，而是從真實生物結構中自然涌現出來的。

從果蠅到人腦，中間隔著“萬重山”

果蠅全腦仿真的成功，很容易讓人繼續追問一個更大的問題：既然果蠅可以，那么人類是不是也行？

明確的答案是，理論上可以，但目前不行，而且可能未來很長時間也都不行。

原因并不復雜：果蠅與人類之間，并不是簡單的“規模擴大”，而是隔著一道巨大的工程鴻溝。

以這次成功的果蠅為例，其僅有約12.5萬個神經元，但人類大腦卻有約860億個神經元，數量是果蠅的近70萬倍。

目前，全腦仿真還處在一個“從昆蟲邁向哺乳動物”的階段。在此之前，學界僅完成了線蟲的大腦仿真，這是一個僅有302個神經元的微生物。果蠅堪堪超過線蟲，再往上，技術就卡住了。

比果蠅更大的實驗體是小鼠，擁有約7000萬個神經元，這已經接近當前技術能力的邊界。因此，想要實現比小鼠復雜得多的人腦的1:1全腦仿真顯然仍然相當遙遠。

▲Drosophila cranial nerves（果蠅顱神經），圖源：ChatGPT

之所以卡在這里，首先是因為數據規模的急劇膨脹。

神經元數量每提升一個量級，所需要掃描、存儲和處理的數據幾乎呈爆炸式增長。

果蠅全腦的數據量大約是數百TB，小鼠如果完成完整掃描，原始圖像數據可能達到數個PB，而人類大腦的數據規模則可能逼近1ZB。

很多人對1ZB沒有概念，1ZB等于10億TB，如果1TB等于一車沙子，那1ZB可以填平太平洋。而根據IDC的預測，2025 年全球數據總量也不過175ZB左右。

這意味著，僅僅是看清并存儲一個人腦，就需要單獨建設一套頂級規模的數據中心。

而即便數據能夠獲取，第二道難關仍然擺在前面：如何讓這張“神經地圖”真正運行起來。

大腦并不是一張靜態電路圖，而是一個持續進行電化學活動的動態系統。人腦中大約有100萬億個突觸，它們每秒都在不斷傳遞和調節信息。

如果依靠傳統馮·諾依曼架構計算機逐一模擬這些過程，即使是今天最強的超級計算機，也可能需要幾天時間才能模擬人腦一秒鐘的活動。

但更深層的難題并不只是算力，而是我們對大腦本身的理解仍然有限。連接組學能夠告訴我們“誰和誰連在一起”，卻未必能解釋這些連接究竟傳遞什么信息、如何被調節，又為什么會產生特定的認知和意識狀態。

果蠅實驗之所以能夠實現突破，一個關鍵的原因是，研究者對部分神經遞質功能做出了有效推斷。

說白了就是靠猜，而且猜中了（在小規模數據情況下是有效方法）。但一旦進入更復雜的哺乳動物大腦，這種方法就變得困難得多。

因為大腦不僅依賴“有線連接”，還存在大量“無線式”的化學調制。如多巴胺、血清素等神經調制物質會在腦內擴散，對大范圍神經活動產生影響，而這些機制并不能僅通過電鏡掃描直接觀察到。

這意味著，未來真正成熟的全腦仿真，不只是復制一張連線圖，還必須理解電信號、化學調制和動態活動之間的復雜關系。

而即便這些技術問題最終都被解決，人類仍然會面對另一個更棘手的問題：倫理。

如果有一天人類大腦真的被1:1仿真出來，那么這個系統究竟是什么？它只是一個高度逼真的行為模擬器，還是已經擁有了主觀體驗、情感甚至自我意識？

如果它能夠感受痛苦，那么關閉模擬器是否等同于“殺死一個人”？如果它擁有記憶和身份連續性，它是否應該擁有法律地位？

這些問題并非科幻小說里的設想，而是WBE一旦逼近人類階段就無法回避的現實挑戰。到那時，人類或許不僅需要新的技術標準，也需要一整套新的數字倫理與法律框架。

因此，果蠅全腦仿真的意義，并不在于“人類全腦上傳已經不遠”，而在于它第一次讓這條技術路線顯得不再完全虛無。

它證明，一個復雜生物的大腦在一定程度上確實可以被掃描、重建并運行。

但從果蠅走向人類，中間仍橫著小鼠這道工程紅線，也橫著數據規模、算力瓶頸、化學機制以及倫理邊界這幾座真正的大山。對今天的WBE來說，果蠅是一座重要的里程碑，但遠不是終點。

今天，全腦仿真不再是科幻

既然距離真正實現人類級智能仍然遙遠，我們為什么現在就要討論全腦仿真？畢竟有人預測，AGI可能在未來幾年就會出現。

答案在于，Scaling Law（規模法則）在某種程度上同樣適用于全腦仿真。

果蠅實驗真正重要的意義，并不只是完成了一次令人驚嘆的技術展示，而是第一次證明了一條完整的技術路徑是可以跑通的：掃描、重建、仿真，再到具身行為的出現，這一整套鏈條形成了一個可驗證的閉環。

一旦這條路徑被證明可行，問題就不再只是科學想象，而逐漸變成工程問題：如何提高掃描通量、如何改進物理模擬、如何處理更龐大的數據規模。

換句話說，從果蠅開始，WBE終于從“是否可能”轉向“如何擴展”。

更重要的是，WBE并不是大模型路線的簡單延伸，它在某些關鍵維度上代表著一條完全不同的智能路徑。

其中最突出的差異，是能效。

之前很多人說過，AI問題本質是能源問題。一張頂級AI顯卡如NVIDIA H100的功耗接近700瓦，而訓練或運行 GPT-4級別模型往往需要成千上萬張GPU同時工作。連同散熱和基礎設施，整體功耗以兆瓦計，足以支撐一座小型城鎮的用電需求。

但同樣的工作，人腦大約只需要20瓦功耗，就能持續完成感知、記憶、推理、學習和運動控制。這只相當于一盞昏暗燈泡或一個路由器待機時的耗電水平。

▲圖源：UnSplash

兩者之間的差距，已經不僅是效率問題，而更像是一種架構上的代差。

正因如此，果蠅全腦仿真的成功意味著AI研究可能正在出現另一種范式：從過去依賴海量數據訓練的“黑盒模仿”，逐漸走向試圖復刻生物結構的“白盒還原”。

如果這一方向持續發展，它對人工智能行業的影響將是深遠的。

首先，它為具身智能提供了一種更接近終局的思路。今天機器人系統的一個核心問題，是缺乏常識和自然的物理理解。

而生物經過數億年進化形成的感知與運動能力，很大程度上就編碼在神經連接結構中。只要結構還原得足夠精確，機器就可能獲得更接近生物的靈活性。

其次，它在某種程度上驗證了“結構即智能”的假設。智能不一定只能通過海量數據堆疊出來，它也可能是一種可以被計算、被復制的結構結果。

如果這種思路成立，那么整個AI架構都可能被重新審視。

例如，今天以 Transformer為核心的大模型架構，是否真的是通向更高階智能的唯一道路？未來的計算系統，是否會逐漸轉向更接近生物神經系統的設計，比如脈沖神經網絡、稀疏連接結構和事件驅動計算？

因此，今天關注WBE，并不是因為它明天就會取代大模型，也不是因為人類全腦上傳已經近在眼前。真正的原因在于，它正在從一條遙遠的科學幻想路徑，逐漸變成一條擁有清晰技術棧和階段性成果的現實路線。

大模型代表的是一種通過數據逼近智能的方式，而WBE則代表著另一種通過結構重建智能的路徑。兩條路線未必會彼此取代，但它們之間的競爭與融合，很可能決定下一代人工智能最終會走向哪里。

正如Eon團隊所言：“Ghost is no longer in the machine. The machine is becoming the ghost.”（幽靈不再隱于機器，機器正在成為幽靈。）

當這只數字果蠅在屏幕上笨拙地邁開第一步時，它跨越的不僅是虛擬與現實的邊界，更是碳基生命與硅基生命之間的鴻溝。未來已來，只是分布得尚不均勻。

*文中配圖來源于網絡