【文/观察者网专栏作者 心智观察所】 想象这样一个场景：在一间恒温、无菌的实验室里，几万个来自老鼠胚胎或人类干细胞的脑细胞被小心 地安置在一个指甲盖大小的芯片上。它们没有眼睛去看屏幕，没有手去操控手柄，甚至没有一个完整的 身体——却成功地玩起了上世纪70年代风靡全球的电子游戏《Pong》（乒乓）。更令人惊讶的是，它 们不仅会玩，还在几分钟内学会了如何打得更好。 这并非科幻小说中的桥段，而是2022年由澳大利亚初创公司Cortical Labs联合多所高校发表在 《Neuron》期刊上的一项真实实验。研究团队将这套系统命名为"DishBrain"（培养皿大脑），并首次证 明：即使脱离了生物体，活体神经元也能在虚拟环境中感知信息、做出反应，并通过反馈机制实现学 习。这一发现不仅挑战了我们对"智能"和"意识"的传统理解，也为未来神经科学、药物研发乃至新型计 算范式打开了全新的可能性。 神经元如何"看见"和"移动"？ 那么，神经元如何"知道"球在哪里？又如何"控制"球拍？ 近年来，随着大语言模型的爆发式发展和生成式人工智能的广泛应用，人们一度认为硅基计算——即由 晶体管、芯片和算法构成的传统人工智能——已经牢牢锁定了 ...

当越来越多的企业把人工智能当作"算力堆叠器"和"效率加速器"，真正的困境却在悄然放大：组织运转 更快，却更混乱；决策频率更高，却更偏离现实。模型在进化，算法在刷新基准，但企业自身的结构、 流程与认知方式，仍停留在"蛮力扩张"的工业时代逻辑中。 下一波人工智能浪潮，不再取决于谁拥有更大的模型、更多的数据，而取决于谁更少出错、更快修正。 能否持续感知偏差、识别意外、并以最低能耗缩小预测与现实之间的差距，将成为企业竞争力的分水 岭。 提出这种观点的，并不是边缘人物，而是人工智能领域的重量级人物——比如 OpenAI 联合创始人伊利 亚·苏茨克维尔、图灵奖得主扬·勒昆，以及被称为"人工智能教母"的李飞飞。 他们的态度并不激进，却异常清醒： ·伊利亚·苏茨克维尔认为，AI已经经历了研究时代和规模化时代，而现在，正在回到一个"用超级计算机 做研究"的新阶段。 ·扬·勒昆直言，现有的学习方式，距离人类和动物真正的学习机制还差得很远。 ·李飞飞则提醒，大模型本身过于封闭，缺乏对真实世界的扎根理解。 这意味着一个根本性转变：人工智能不再只是工具，而是一面放大镜——它会放大你企业内部已有的秩 序，也会毫不留情地放大混乱。真正的挑 ...

核心人事变动 - 资深研究科学家Danijar Hafner宣布离开其工作近十年的谷歌，离职前担任Google DeepMind旧金山分部的资深研究科学家 [1][3] - 此次离职标志其职业生涯一个重要篇章的结束 [4] 职业经历与研究贡献 - 自2016年起，该研究员便以实习生身份开始参与谷歌Brain团队的工作，并与James Davidson、Vincent Vanhoucke等共事 [6][7] - 其研究目标是构建能够理解世界并与世界互动的通用智能体，并主导/联合主导了Dreamer系列（Dreamer、DreamerV3、Dreamer4等）的开发 [1][7] - 在谷歌/DeepMind近十年间，其工作地点与研究内容随学业变动，先后在伦敦DeepMind、多伦多Brain Team以及Google DeepMind旧金山分部工作 [6][7][17] 关键技术背景与合作网络 - 其研究深度涉足深度强化学习和生成式模型，早期曾参与PlaNet算法的开发，并与Timothy Lillicrap、Ian Fischer等合作 [14] - 在多伦多大学攻读博士期间，主要导师为Jimmy Ba，并获得了杰弗里·辛顿的指导 [17] - 在谷歌Brain多伦多分部，与资深研究科学家Mohammad Norouzi长期合作开发多个版本的Dreamer [7][19] - 近期在伯克利和旧金山与Wilson Yan合作深入研究世界模型，并得到Count Zero和Koray Kavukcuoglu的算力与资源支持 [21] 行业技术发展关联 - 该研究员曾提及早期接触Transformer架构的轶事，Ashish Vaswani曾向其介绍该架构在计算效率上的优势，但当时未予尝试 [11][13] - 其经历与深度学习领域多位关键人物（如Łukasz Kaiser、Ashish Vaswani等）及重要技术节点（如Transformer的提出）有所关联 [8][10][11][13]