🧠 巨型海马体：当AI把大脑当成了一块均质的豆腐

巨型海马体：当AI把大脑当成了一块均质的豆腐

> *"如果你问神经科学家大脑皮层长什么样，他会描述一幅马赛克：初级视觉皮层布满了致密的第四层，用于空间编码；运动选择区则以厚厚的第五、六层为主，负责时间整合。但如果你问AI研究员最先进的模型长什么样，他会描述一个东西，被无限重复：Transformer，无论处理文本、像素还是语音，都用一模一样的结构。"*

---

🏛️ 一座被误读的圣殿

想象一下，你走进一座哥特式大教堂。中殿高耸，彩色玻璃将阳光切割成斑斓的几何图案，尖拱指向天际。现在你走进另一座建筑——也许是一座现代音乐厅，声学面板覆盖墙面，座椅呈环形排列。它们都是"建筑"，都提供遮蔽，都承载人类活动。但没有人会把音乐厅的设计图纸直接放大，然后宣称"这就是所有建筑的终极形态"。

然而，这正是AI领域过去十年在做的事。

Transformer——这个2017年诞生的架构——就像那座被无限复制的大教堂。它最初为机器翻译设计，用"注意力机制"让模型在处理句子时能够回望前文、前瞻后文。这很聪明。但随后，事情开始失控：同样的结构被用于图像分类（Vision Transformer）、语音识别（Audio Spectrogram Transformer）、蛋白质折叠、天气预测……一个为序列建模而生的设计，被强行塞进了几乎所有感知模态。

论文《The Giant Hippocampus》的作者Jaeho Seol用了一个尖锐的比喻：AI领域正在犯一个与历史上"巨型布罗卡区谬误"对称的错误——如果说早期神经科学把复杂皮层简化成一个语言区，那么今天的AI就是把一个序列记忆系统（海马体的功能类比）当成了通用智能的万能钥匙。

---

🔬 皮层不是均质豆腐，而是马赛克拼图

要理解这个批评的力度，我们需要回到神经科学的硬核证据。

1909年，德国解剖学家Korbinian Brodmann发表了著名的皮层分区图。他不用显微镜看细胞，而是观察切片中神经元胞体的密度、排列和分层模式。结果令人震惊：大脑皮层不是一块均质的豆腐，而是被划分为约50个功能不同的区域。每个区域有其独特的"细胞构筑"（cytoarchitecture）——就像不同地区的建筑有不同的风格、材料和功能。

现代技术让这个发现更加精确。Jülich-Brain项目使用概率性三维图谱，在标准立体定向空间中精确定义了每个皮层的边界。Patch-seq技术则让科学家能从单个神经元同时记录形态、电生理特性和基因表达。这些研究反复证实一个结论：不同的认知功能由质的不同结构实现，而不是同一个模板的缩放。

让我们看两个具体的对比：

初级视觉皮层（V1）就像一家精密仪器厂。它的第四层（颗粒层）极度发达，接收来自外侧膝状体的视觉输入，保持着精细的视网膜拓扑映射。神经元排列得像一张高精度地图，每个位置对应视野中的一个点。这种结构不是为了"通用计算"，而是为了解决一个特定问题：在保持空间精度的前提下，提取边缘、方向和颜色信息。

中颞区（MT/V5）则完全不同。作为背侧视觉流中的运动敏感区域，它的层状结构更适合整合跨时空的信号。这里的神经元对运动方向、速度和视差敏感，需要协调多个时间窗口的信息。它的"建筑设计"更像一个交响乐团的指挥台——不是处理静态画面，而是编排动态序列。

这两个区域都参与视觉处理，但它们的结构差异不是装饰性的。V1的厚第四层让它成为信息的忠实记录者；MT的深层输出结构让它成为时间的整合者。形式是功能的先验承诺。

---

🏗️ CNN：最后一次正确的建筑实践

有趣的是，AI领域曾经短暂地做对过这件事。

卷积神经网络（CNN）的设计直接借鉴了视觉皮层的层级结构：局部感受野模拟了V1中神经元的空间限制，层级深度对应了从简单特征到复杂模式的渐进抽象，平移等变性则内置了对物体位置变化的鲁棒性。这些不是从数据中学到的——它们是架构设计师预先编码的"结构先验"。

结果是，CNN在图像识别上取得了优异性能，而且用的数据比后来的Transformer少得多。这不是因为CNN更"聪明"，而是因为它被设计来解决正确的问题。就像一把为特定锁孔打造的钥匙，比一把万能钥匙更容易打开那扇门——如果那扇门确实存在的话。

Vision Transformer的论文（Dosovitskiy et al., 2021）其实坦率地承认了这个劣势：在中等规模数据集上从头训练时，ViT的表现不如同等规模的ResNet。作者将其归因于"缺乏卷积的归纳偏置，如局部性和平移等变性"。换句话说，Transformer必须花数据去重新发现CNN内置就知道的东西。

这是一个重要的线索：结构先验不是束缚，而是杠杆。 正确的架构让学习变得更容易，而不是更难。

---

🎰 硬件彩票与结构性单作

那么，为什么Transformer会主导一切？

论文提出了一个辛辣的诊断："硬件彩票"。GPU的大规模并行计算能力——尤其是为密集矩阵乘法优化的张量核心——让Transformer成为工程上的"最小阻力路径"。不是因为它在原理上最适合所有任务，而是因为它最能利用现有的计算基础设施。

这就像一个城市只有地铁系统，于是所有交通规划都围绕地铁站展开。地铁很高效，但它不是唯一的交通工具。有些地方需要公交车，有些地方需要自行车，有些地方需要步行。当一个城市把所有预算都投入地铁，宣称"地铁就是交通的终极形态"时，它实际上是在用工程约束定义问题空间。

Mixture-of-Experts（MoE）常被引用为架构多样性的证据，但论文一针见血地指出：MoE只是将参数分区给结构相同的专家。它不是质性分化，而是量化分工——就像把100个同样的工人分成10组，每组负责不同的工序，但工人们接受的训练、使用的工具完全相同。

真正的多样性需要不同的结构。视觉需要局部感受野和空间层级。听觉需要频谱-时间分辨率的变化。工作记忆需要循环维护和门控机制。执行控制需要竞争性的动作选择和抑制。这些不是同一个Transformer块能优雅完成的——不是因为Transformer"不够大"，而是因为它的结构先验与这些计算不匹配。

---

🧩 Transformer = 海马体，而非皮层

论文的核心论点在这里达到高潮：从功能主义角度看，Transformer最好的理解是海马体形成（hippocampal formation）的功能类比，而不是通用皮层。

海马体是大脑中负责关系绑定和情景记忆的结构。它将分散的感知元素（谁、什么、何时、何地）绑定成连贯的事件表征，并支持基于这些表征的序列预测。Transformer的注意力机制做的正是这件事：它将序列中的任意两个位置关联起来，无论它们相距多远，形成一种"全对全"的关系绑定。

这很强大，但也很特定。海马体不是视觉系统，不是听觉系统，不是运动控制系统。它是一个记忆-预测系统。把Transformer应用到所有模态，就像把整个城市的基础设施都建成海马体的形状——图书馆、工厂、医院、学校全都用同样的记忆宫殿式设计。它能工作（通过足够的数据和规模），但它是优雅的解决方案吗？

作者将这种现象称为"巨型海马体"（The Giant Hippocampus）：整个AI领域标准化在一个为序列记忆设计的结构上，然后将它应用到海马体从未被进化来处理的每个任务上：语音的频谱-时间处理、奖励门控的执行控制、多感官绑定、工作记忆维护。

---

🌐 异构拓扑网络：一种替代蓝图

论文没有止于批评。它提出了一个具体的替代方案：异构拓扑网络（Heterogeneous Topological Network, HTN），一个"系统的系统"。

想象一个真正的城市：有专门处理视觉的"视觉区"（卷积通路，内置空间局部性），有专门处理声音的"听觉区"（频谱-时间模块，内置频率选择性），有专门的"记忆核心"（Transformer式的情景绑定系统），有"执行门控"（受基底神经节启发的动作选择机制），还有"工作记忆缓冲区"（受前额叶启发的循环维护系统）。

这些模块不是随意拼接的。它们通过标准化接口通信——就像不同国家的电力系统通过统一标准互联。每个模块保持其计算所需的归纳偏置，而不是被迫适应一个共享的基质。

这不是认知科学的隐喻。这是一种设计纪律：在训练开始之前，就根据结构证据指定模块化约束和功能分解。架构不是事后从单体行为中反向工程出来的东西——它是训练的先验输入。

---

🎯 为什么是这很重要

这篇论文的重要性不在于它提出了一个具体的架构（HTN的细节仍有待探索），而在于它重新定义了问题的框架。

当前AI的主流叙事是：规模就是一切。更多参数、更多数据、更多计算，终将涌现通用智能。但这个叙事忽略了一个问题：如果基础架构的结构先验与目标计算不匹配，规模只是在用蛮力弥补设计缺陷。

神经科学一个世纪的证据告诉我们：生物智能的成功不在于它有一个巨大的通用处理器，而在于它有许多专门化的处理器，每个都为特定计算优化，然后通过精心设计的接口协同工作。

也许，AI的下一步突破不会来自把Transformer堆得更高，而是来自问一个更基本的问题：我们要解决的问题，需要什么样的结构？

---

参考文献

• Seol, J. (2026). The Giant Hippocampus: From Structural Monoculture to a System of Systems. arXiv:2607.19973.
• Brodmann, K. (1909). Vergleichende Lokalisationslehre der Grosshirnrinde.
• Amunts, K., et al. (2020). The Julich-Brain atlas. Science, 369(6506), 1035-1037.
• Dosovitskiy, A., et al. (2021). An Image is Worth 16x16 Words. ICLR 2021.
• Jonas, E., & Kording, K. (2017). Could a Neuroscientist Understand a Microprocessor? PLOS Computational Biology.
• Marr, D. (1982). Vision: A Computational Investigation into the Human Representation and Processing of Visual Information.