MIT博士生退学：投入100亿美元、5万张H100，10年内实现数字人类

「我决定从麻省理工学院退学，不再攻读博士学位。人工智能的进化速度太快，我们这些血肉之躯已经追不上了。

但或许还有另一条路：我发现数字人类的实现，远比大多数人想象的更近。如果能集结顶尖的人工智能研究人员，投入大约100亿美元、动用5万张H100 GPU，或许在不到10年之内，这个目标就能实现。」

写下这段话的是Isaak Freeman，麻省理工学院的一名博士生。他认为，人工智能的发展速度已经让人类难以望其项背。生物大脑的进化受限于碳基组织的物理法则——比如神经信号传导速度、寿命和记忆容量——如果人类继续维持碳基形态，注定会在智力竞赛中被AI淘汰。将意识迁移到数字基质上，才是让人类智能实现「指数级扩展」的唯一出路。

换句话说，既然我们无法阻止AI的狂奔，那就借助AI所创造的算力和工具，把自己也变成「数字形态」，从而加入这场竞赛。

在科学界，这个想法并不新鲜。2023年《流浪地球2》上映时，它还曾引发过热议（电影中刘德华饰演的图恒宇为了给车祸去世的女儿丫丫「完整的一生」，不惜违规将她的数字信息备份上传）。但Isaak表示，他不认为这还停留在科幻层面，而是已经有了各种支撑其实现的现实可能性——我们完全可以利用高分辨率扫描技术，把现有的智能结构完整地复制出来。

为了证明自己不是一时冲动，他给出了一个粗略的计算：

运行人类大脑所需的算力，可能远比想象中要低——大约5万张H100 GPU就足够了。而xAI目前已经拥有超过20万张H100或更高规格的芯片。在相对悲观的假设下，如果采用当前高分辨率的神经元模型（如Hodgkin-Huxley模型）以及多状态突触，模拟人类大脑大约需要600 exaFLOP/s的算力、每GPU 700 GB的内存容量，以及24 GB/s的互联带宽——这些指标，如今的超算集群已经触手可及。

如果更简单的神经元模型（如Leaky-Integrate-and-Fire模型）就能胜任（这一点仍有待实证研究验证），那么模拟一个人类大脑所需的算力，可能低至约2到3 petaFLOP/s，几乎相当于单张H100在FP16精度下的算力。当然，内存容量与互联带宽很可能才是更紧张的瓶颈。

但问题的核心在于：该运行哪些神经元？参数如何设定？连接方式又该如何构建？

因此，数据采集才是真正的瓶颈，而这一环节本身就面临重重难题：我们需要数百台下一代显微镜持续运行数年；需要自动化的大规模组织采集与染色流程；需要约20倍放大率的膨胀显微镜技术，并对30种以上的受体、神经递质与神经肽进行全面的分子染色；还需要X射线显微镜，以便在一年内完成对整个人类大脑的成像。与此同时，还需要能够跨越蠕虫、鱼类等动物完整成像脑活动的全脑功能成像设备，从而破解「结构-功能」的对应关系。

除此之外，研究人员还需要开发结构到功能的预测模型、连接组校对模型、严格的评估基准，以及以动物仿真作为概念验证的完整研究框架。

令人鼓舞的是，这一领域正在逐渐成形：从早期的线虫仿真尝试（如BAAIWorm），到已绘制完成的14万神经元果蝇连接组，再到一项不完整的果蝇仿真实验意外在X平台上引发病毒式传播，脑机接口研究所生成的大量数据集，即将面世的斑马鱼连接组，乃至能够以吉赫兹速度成像的新一代显微镜。Isaak认为，种种迹象表明，「数字人类」的前沿探索，已不再只是遥远的科幻构想。

正是带着让这一领域变得更加平易近人的愿望，Isaak在离开MIT之前，耗费大量心血撰写了一篇深度报告，系统梳理了从线虫仿真迈向数字人类的完整路径。他坦言，这份论文仍粗糙、仍不完善，但其中倾注了他满腔的热情与心血。

• 报告标题：From Worm to Human: Scaling Brain Emulation
• 报告链接：https://pdf.isaak.net/scaling-emulations

这篇论文详细规划了从线虫（302个神经元）到人类（860亿神经元）的全脑仿真路线图，包括连接组学成本、数据瓶颈、技术路径等。

图注：电子显微镜连接组学的现状。

论文指出，实现这一宏大愿景需要三大核心支柱的协同突破：结构测绘、功能记录与计算仿真。而摆在研究者面前的第一座高山，便是最基础的结构测绘。

想要模拟大脑，首先得知道大脑长什么样。目前主要依赖电子显微镜（EM），但它面临极大的规模化难题。人工校对成本极高，例如果蝇连接组的校对就花费了33个「人年」。如果要扫描人类大脑，按照目前的成本，仅单个神经元的重建就需要天文数字的资金。

为此，作者提出了结合膨胀显微镜（ExM）和蛋白质条形码等新兴技术。这些技术能在保留分子层面信息（如离子通道、神经递质受体）的同时，大幅降低追踪难度，让AI自动分割模型的准确率飙升。

图注：EM vs ExM 图像对比

当然，仅有静态的物理结构是不够的，大脑是会放电的，我们还需要记录神经元的动态放电过程。但哺乳动物的大脑组织会散射光线，导致目前光学成像的「玻璃天花板」卡在表面以下1到2毫米深处。

于是作者找了两个天然的「替代品」：天生透明的斑马鱼幼体，以及体型袖珍的线虫。在这些生物上，人类已经能够初步实现全脑、单神经元级别的实时功能记录，这为建立「结构-功能」的映射关系提供了至关重要的真实数据。

那如何将静态的连接图谱转化为动态的仿真？论文指出，在果蝇视觉系统和线虫的初步实验中，即使是最简单的微分方程模型，只要有准确的连接组数据，也能重现令人惊讶的真实生物行为。

正如前文所述，单纯的计算速度（FLOP/s）已经不再是最大的绊脚石。真正的挑战在于「内存墙」与「互联带宽」。模拟千亿个神经元和庞大的突触网络，需要约70 PB的内存容量和极高的跨节点通信速度，这是目前偏向纯算力的AI数据中心需要克服的架构难题。

最后，如何证明我们真的「上传」了一个人类，而不是造了一个只会查表的机器？作者提出了类似于图灵测试的「具身图灵测试」——把仿真大脑放入虚拟躯体中，看它能否像真实的线虫或老鼠一样觅食、学习和趋利避害。

作者估算，这绝非几家实验室能完成的零散工作，而是需要一场类似人类基因组计划或阿波罗计划的「大科学」工程，可能需要耗时10到25年，投资50亿到500亿美元。