最近有研究试图用更符合生物学特征的复杂模型去迭代1950年代延续至今的经典神经元公式（$u = \text{activation}(w \cdot x + b)$），声称能大幅减少训练所需的数据量。
这事看似在做“底层突破”，其实是个伪命题。评论区有清醒的同行一针见血：历史正好相反。1950年代人类手里多得是复杂的神经元架构，但产业界耗费几十年时间，最终在80-90年代主动选择向最简单的算式妥协。
原因很简单：AI的尽头是规模化（Scaling）。
现在大模型跑得通，靠的是简单的乘加运算能够轻易被GPU矩阵乘法加速。那些精细的、试图还原生物脑细节的复杂公式，看似优雅，代价却是极高的计算成本和极难的并行扩展。在实际工程中，与其在单个神经元里雕花、增加参数，不如直接多堆几层网络，或者把算力留给吞噬更多的数据。
别把营销概念当成现实，现行的神经网络早就和生物学脱钩了。机器有机器的进化路径，强行让AI去致敬生物学，不过是倒退回已经被淘汰的旧路里重新发明轮子。
