人腦可能是最先進的計算機。多少年來，無數科學家試圖在芯片上復現大腦的性能，卻始終難以望其項背。

近日，一家名為 Flourish 的初創公司宣布融資 5 億美元，投資方包括杰夫·貝索斯（Jeff Bezos）、谷歌母公司 Alphabet 的風險投資部門 GV、Lux Capital 等。沒有產品、沒有收入，更沒有實測數據，它憑什么被資本視作“最可能實現大腦算法”的公司之一？

Scaling Law 失速，解法從哪找？

隨著 AI 爆發式增長，全球數據中心的電力消耗正在飆升。僅在美國，到 2030 年，數據中心處理數據所耗費的電力就將超過鋁、鋼、水泥、化學品等所有能源密集型行業生產的總和。圍繞這場電力爭奪，超大規模云服務商正在簽下小型模塊化核反應堆訂單，綁定離網風電場，甚至開始思考將數據中心搬到軌道上的可行性。

陡峭的電力曲線背后，是過去幾年驅動整個 AI 行業的 Scaling Law：模型參數翻一倍、訓練數據翻一倍、算力堆一倍，性能就能穩定上一個臺階。這條經驗定律支撐著從 GPT-3 到 GPT-4，再到當前一系列前沿模型的成功，也讓所有頭部玩家走上了同一條暴力路線：更大的模型、更多的 GPU、更密的集群，以及更高的能耗。

但現狀是，能耗呈線性增長，性能的提升卻在邊際遞減。電網容量、先進制程產能、高質量訓練數據都在觸及物理或經濟上限；前沿模型單次訓練的成本已經躍升至數億美元。

整個行業走上一條隨時可能撞墻的快車道，明知前方并非無盡的坦途，卻已經停不下來了。

但假如，問題的解法根本就不是拿到更多電、砸更多錢、開發更先進的制程呢？

20 瓦是一個臺燈的功率，也是人腦在思考、推理、學習時消耗的全部能量，對比之下，一塊訓練 AI 模型的服務器級 GPU，功耗大約是大腦的三十倍以上，運行的智能和廣度卻遠不及它。

這道效率鴻溝究竟來自硅片的物理極限，還是架構本身存在問題？

對此，Flourish 創始人托馬斯·里爾登（Thomas Reardon）給出了判斷：生物大腦與現代 AI 模型之間的效率差距，不是硅片或硬件層面的限制，本質上是架構上的缺陷。基于這一觀點，他決定帶領公司，在生物大腦中尋找突破計算性能瓶頸的解法。

逆向工程大腦

Flourish 由托馬斯和羅布·威廉姆斯（Rob Williams）于 2024 年共同創立。

托馬斯生于 1969 年，高中時就在麻省理工學院（MIT）旁聽研究生數學和科學課，19 歲時加入微軟（Microsoft），從一名 Windows 程序經理做起，并在接下來的幾年間接手了一個當時不被重視的小項目：開發一款瀏覽器，也即后來的 IE 瀏覽器，最早期的 IE 團隊事實上只有托馬斯一人。

圖 | 托馬斯·里爾登（Thomas Reardon）（來源：Wikipedia）

他主導了 IE 3 和 IE 4 的開發，在 IE 3 中實現了 CSS（一種用于控制網頁樣式的技術規范）的首個商業落地，并提出將 IE 隨 Windows 操作系統一同分發的策略。正是這一策略，讓 IE 在與網景（Netscape）的“第一次瀏覽器戰爭”中后來居上，一度成為全球市占率第一的瀏覽器。當然，這直接引發了美國對微軟的反壟斷訴訟。

離開微軟之后，他先去了幾家無線和移動通信公司，三十多歲時又回到學校。2008 年，托馬斯以最優等成績拿到哥倫比亞大學（Columbia University）的文學和古典語言學士學位，接著在杜克大學（Duke University）讀完神經生物學碩士，最后在 2013 年和 2016 年于哥倫比亞分別獲得神經科學與行為學的研究型碩士（MPhil）和博士學位。

2015 年，托馬斯與同在哥大讀神經科學博士的帕特里克·凱福什（Patrick Kaifosh）共同創辦了 CTRL-labs，公司主要研發非侵入式神經接口，核心產品是一款能讀取脊髓神經向手部肌肉發出的電信號，以此實現用意圖直接控制設備的腕帶。

2019 年，Meta 以 5 億~10 億美元的價格收購 CTRL-labs，吸納托馬斯加入 Meta Reality Labs 擔任研究副總裁，主導 Neural Band 項目。2025 年，該項目以一篇發表于《自然》（Nature）的論文和 Meta Neural Band 的發布作為成果，這款腕帶成為 Meta 智能眼鏡的輸入設備。成立 Flourish 前，托馬斯還在 Lux Capital 擔任風險合伙人。

另一位聯合創始人羅布則是前亞馬遜（Amazon）S-team 高管（公司內部直接向 CEO 匯報的最高管理委員會），曾在語音助手項目（Alexa）中擔任要職。有消息披露，他向貝索斯介紹 Flourish 時，參照的正是亞馬遜的內部慣例：先寫一份不存在產品的新聞稿、再決定是否做，最終在 2025 年 12 月順利獲得貝索斯的口頭首肯。

2026 年 3 月底，在紐約曼哈頓西 SoHo 一棟十層辦公樓里，Flourish 已經吸引大約二十多位資深神經科學家和 AI 研究員入駐。

圖 | 托馬斯與團隊成員（來源：X@WIRED）

未來幾年，他們要開發的產品名為“大腦皮層 AI”（Cortex AI），目標是在大腦皮層的真實結構中找出一套可被編碼為軟件的計算原理，讓 AI 以接近生物大腦的能耗水平運行，整體推理功率將壓縮至 20~50 瓦區間。

其科學邏輯基于連接組學（Connectomics），這是一個研究神經元間連接結構的學科。有別于過去幾十年間 AI 研究“借用神經元一詞但拋棄其余一切”的做法，Flourish 是真的想對大腦進行逆向工程：用電子顯微鏡逐神經元、逐突觸地復現生物大腦中的真實連接。

生物神經網絡稀疏且異步，絕大多數神經元彼此并不連接，只在膜電位跨越閾值時發出信號，計算與記憶在同一處神經元結構中完成，不需要在處理單元和存儲單元之間來回搬運數據。這與密集、同步、存算分離的 Transformer 截然相反。

2024 年，連接組學迎來突破性進展。普林斯頓大學（Princeton University）團隊領銜的 FlyWire 項目聯合全球超五十個實驗室，繪制出包含 13.9 萬個腦細胞和超 5,000 萬個突觸連接的成年雌性果蠅全腦連接組。2026 年 6 月，哈佛醫學院與普林斯頓團隊進一步發布了果蠅中樞神經系統神經索（相當于人類脊髓）的完整連接組。

Flourish 將關注點放在了皮層柱（Cortical Columns）上，這被視為大腦新皮層中的基本計算單元。神經科學家弗農·蒙卡斯特爾（Vernon Mountcastle）在 1970 年代提出了皮層柱假說：新皮層在結構上高度均勻，這暗示其中可能存在一種可被復用的通用算法。

Flourish 相信，這套核心算法足以解釋一個不到三斤、運行在 20 瓦功率下的器官，為何能從極少樣本中泛化、遷移并持續學習。

公司近期披露的兩條主要技術路線也圍繞該思路展開：一條是受海馬體啟發的記憶機制，目標是讓模型在部署后繼續學習，取代當前訓練結束后就止步不前的大模型學習范式。有消息稱，Flourish 已經構建出一個能持續學習的原型。

另一條則是低功耗芯片，公司據稱在與一家未具名的芯片廠商洽談，計劃推出能在消費級設備上運行 Cortex AI 的處理器。

難道又是一個“還差五年”的二十年？

把大腦工作原理搬上芯片這一賽道，最早的玩家是 IBM。2014 年，IBM 發布一款名為 TrueNorth 的神經形態芯片，把 100 萬個數字神經元封裝在一塊功耗僅 65 毫瓦的硅片上，成為該領域的里程碑事件。但 IBM 最終停止了 TrueNorth 的商業開發，后續的 NorthPole 芯片停留在研究階段。

2017 年，英特爾（Intel）推出 Loihi，在特定任務上展示了相比傳統神經網絡高達千倍的能效；到 2024 年，搭載 1152 顆 Loihi 2 處理器、共計 11.5 億神經元的 Hala Point 系統部署在桑迪亞國家實驗室（Sandia National Laboratories），是迄今為止最大的神經形態平臺。但它至今仍未落地生產級 AI 工作場景，也沒能取代任何一塊 GPU。

大廠之外，Flourish 還有一面“歷史的鏡子”，Numenta。這家公司由《人工智能的未來》（On Intelligence）和《千腦智能》（A Thousand Brains）的作者杰夫·霍金斯（Jeff Hawkins）于 2005 年創立。公司用近二十年時間發展出一套名為“層級時間記憶”（HTM）的理論框架，同樣強調皮層柱、稀疏分布表征、序列學習等概念。但 Numenta 最終也沒能將其轉化為可商業化的通用智能系統，目前，HTM 相關產品主要用于流數據異常檢測這一相對狹窄的場景。

（來源：Numenta）

行業里有一種說法：腦啟發計算從提出起就聲稱“還差五年”，至今卻過去了二十年。原因或許在于，全新的神經形態架構需要全新的編程模型、訓練框架和開發者工具。此前，Transformer 的成功正是建立在近乎完美的工程兼容性上。換一條賽道意味著要把整個軟件棧推翻重寫，這是一項以年為單位、沒人愿意先動手的工程。

圍繞壓縮 AI 能耗這一命題，硬件層面，Groq、Cerebras、Etched 等公司正在用專用芯片提升單位算力的能效，其中，Etched 已經做出了專門用于 Transformer 的 ASIC。在邊緣端，BrainChip 的 Akida 芯片已經在數百萬 IoT 設備中實現商業化部署，歐洲的 SynSense、中國的相關研究團隊也在向智能傳感、機器人等垂直場景滲透。Flourish 定位在更高一層：直接重寫模型法則。

如果真的奏效，Cortex AI 在原理上可以直接部署進現有硬件，無需淘汰英偉達集群；但風險與之相當：公司同時承擔算法、架構和軟件生態的三層不確定性，每一層都曾埋著無數先驅價值幾十億美元的“尸骨”。

當然，Flourish 的底氣也是前所未有。新一輪融資中，貝索斯個人最初承諾約 5,000 萬美元，其他大牌投資人陸續加入后，他最終投入了接近 1 億美元。貝索斯素來以耐心資本著稱，畢竟，他給藍色起源（Blue Origin）燒了二十年錢，才看到首次商業發射。

共同參與領投的還有 Lux Capital 和 GV，這兩家也是十年前 CTRL-labs A 輪的領投方。Lux 的聯合創始人喬什·沃爾夫（Josh Wolfe）多次公開表示，托馬斯是少數能把神經科學轉化為商業技術的人。

值得一提的是，亞馬遜和 Alphabet 在多個層面是直接競爭對手，幾乎從不在早期同時下注一家公司。當它們破例并肩出現，代表雙方都認為錯過這家公司的代價，遠大于與對手同列股東的不適。

在人才層面，Flourish 已經吸引開放連接組計劃（Open Connectome Project）的發起人之一雅各布·沃格爾斯坦（Jacob Vogelstein）加入，負責對接腦成像工作與建模團隊；DeepMind 內部負責多模態 AI 助手項目 Astra 的研究員格雷格·韋恩（Greg Wayne）經 DeepMind CEO 特別同意，以 20% 的時間在 Flourish 擔任高級顧問；此外，加州大學伯克利分校（UC Berkeley）的計算機科學家本·雷希特（Ben Recht）也在技術顧問名單中。

最后一層底氣源于時機。連接組學的工具和數據成本已經降至可供工程團隊成規模使用的水平；而在 AI 能耗危機已經帶來具象成本壓力的當下，整個行業不得不從供給側轉向架構側。

兩位橫跨工程、神經科學和商業且各有所成的創始人，一組同行業中近乎全員押注的頂級投資，一支站在前沿的學術團隊，加上一個剛好成熟的時機，這些條件同時存在，最終成就了 Flourish。

一次價值 5 億美元的投石問路

不過，現實的另一面是，Flourish 設想的一切都處在概念階段。它既無公開的產品、基準測試和研究論文，也沒有明確的芯片合作伙伴。其研發節奏又是一個經典的五年路線圖，第一批可被驗證的商業產品大約要到 2031 年前后問世。

Flourish 的商業版圖基于一個非常具體的假設，如果人腦中真的存在一套核心算法，且能被做成軟件，其整套敘事都成立；但如果大腦的效率根本不來自一種壓縮的算法，而是來自演化中積累的、不可壓縮的涌現復雜性，那這條路在原理上就走不通。

更何況，連接組學模型在商業部署上的起點為零，要從神經接線圖中讀出一套部署級別的算法，至今尚無任何一家公司證實其可行性。

但 AI 產業已經被“算力即壁壘”的規則支配了太久。過去三年，它催生了數千億美元的資本開支、不斷推高的估值溢價和激進的企業戰略，各家廠商已經初現疲態。Flourish 的出現，讓所有人看到了從行業另一端透出的希望，以及終結這場堆疊算力的馬拉松的可能。

對于一家初具概念雛形的公司而言，5 億美元融資和 25 億美元的估值可能有些夸張，但拿這筆錢投石問路，對整個 AI 行業來說，或許剛剛好。

參考內容：

https://techfundingnews.com/bezos-flourish-500m-brain-inspired-ai-power-crisis/
https://www.i-scoop.eu/flourish-ai-the-500m-bet-on-brain-inspired-intelligence/

https://thenextweb.com/news/flourish-reardon-brain-inspired-ai-efficiency

https://en.wikipedia.org/wiki/Thomas_Reardon

https://www.iea.org/reports/energy-and-ai/executive-summary

https://www.science.org/content/article/complete-map-fruit-fly-brain-circuitry-unveiled

注：封面/首圖由 AI 輔助生成