AI不再学用电脑，要自己变成电脑

想象一下：你不用打开任何软件，不用点击任何图标，只是说一句“我要整理上周的报销单”，眼前的屏幕就自动浮现出表格，数字自己归位，计算结果跳出来——没有后台运行的程序，没有预先写好的代码，整个“电脑”本身就是AI“变”出来的。这不是科幻，是Meta与阿卜杜拉国王科技大学的团队提出的“神经计算机”：让神经网络直接“成为”计算机，而不是学怎么用计算机。论文在X上收获近千次转发、百万浏览，它击中的，正是当前AI发展最挠人的痛点：我们一直在教AI用工具，却从没让AI自己变成工具。

从“用电脑”到“是电脑”的范式跳转

你可以把传统AI用电脑的过程，想象成一个刚学用手机的老人——只会按别人教的步骤点图标，换个界面就手足无措。而神经计算机的思路，是让AI直接看人类用电脑的全过程：看80万条命令行输入的屏幕录像，看1500小时鼠标拖拽、窗口弹出的操作记录，像婴儿观察成人一样，自己归纳“电脑应该怎么运作”。

团队用25万小时的H100 GPU算力训练了8个模型。最开始，模型生成的终端界面是乱码，字符识别准确率只有3%；2.5万步训练后，它能写出清晰的命令行，颜色格式分毫不差，准确率冲到54%；给它加个光标位置的监督信号，光标准确率直接跳到98.7%——它没学过一行操作系统代码，却“看会了”电脑的样子。

但它还只是个“模仿者”。问它28减23等于多少，它会给出错误答案；但你把答案告诉它，它能精准地把数字显示在屏幕上。这像极了只会背台词的演员，能完美复刻场景，却不懂台词背后的逻辑——它学会了“电脑看起来如何工作”，还没掌握“计算本身”。

藏在范式里的野心：重新定义“软件”

这不是让AI更熟练地用Office，而是要把Office“装”进AI里。传统计算机的世界里，操作系统管调度，软件管功能，工具链管执行，像一个个各司其职的部门；神经计算机要做的，是把这些部门全部拆掉，让AI自己演化出调度、功能、执行的能力——软件不再是你安装的程序，而是AI根据需求“长”出来的临时功能。

这背后站着两个AI界的“范式革命者”：一个是提出LSTM的于尔根·施米德胡伯，他2003年提出的“戈德尔机器”，让AI能递归自我进化；另一个是David Ha，两人2018年合作的“世界模型”，让AI在自己的“虚拟梦境”里训练。论文的核心作者诸葛鸣晨正是冲着这两人的范式创新能力来到KAUST的，神经计算机就是这种思路的延续：不是优化现有工具，而是创造新的工具形态。

目前的原型还很初级：处理多步骤任务时，它会“走神”——比如连续整理三个文件，第三个就会和真实操作对不上号。但它已经摸到了传统AI的天花板：当大模型还在为调用哪个API纠结时，神经计算机直接跳过了“接口”这个中间层，让AI和电脑的距离，从“使用者和工具”变成了“大脑和身体”。

悬在半空的挑战：从“模仿”到“理解”

神经计算机的最大瓶颈，藏在“计算”和“表现”的缝隙里。它能完美复现终端里的算术运算界面，却算不对28减23——这暴露了当前AI的核心缺陷：擅长学习“模式”，不擅长掌握“规则”。就像你看了一万遍别人做数学题，能模仿解题的步骤和字迹，却还是不懂加减乘除的逻辑。

团队也坦诚，现在的模型只是“神经计算机”的第一步，离真正的“完全神经计算机”还差得远：后者要能稳定执行任务、持续学习、把学会的能力存起来复用，甚至形成自己的“机器语义”——不是模仿人类的电脑，而是演化出属于AI自己的计算方式。

更现实的问题是成本：训练一个原型就要25万小时H100算力，相当于把一台顶级GPU连开近3年。但最关键的还不是钱，是认知的转变——我们习惯了“电脑是工具，AI是助手”，现在要接受：未来的电脑，可能就是AI本身。

当诸葛鸣晨把论文公开时，他没想到会引发这么大的关注——那些转发和评论里，藏着的是人们对“下一种计算形态”的期待。我们用了几十年时间，把电脑从机房搬进口袋，现在，AI要把电脑从“硬件加代码”，变成一个能思考、能演化的智能体。

未来的某一天，你可能会对着空气说一句“我要做个PPT”，眼前就出现动态生成的演示界面；你不用更新软件，因为AI会自己学会新的功能；甚至“重启电脑”这个词，都会变成历史——因为AI本身，就是一台永远在学习的电脑。

工具的终极形态，是成为使用者的一部分。