我们习惯了用“存储”和“计算”来理解智能：数据存在硬盘里，CPU 执行指令。但大脑显然不这么工作——你背书几十遍不是把文字复制到某个“记忆区”，而是让相关神经元更容易被唤醒；你脱口而出的“6”不是因为查表，而是因为周围无处不在的暗示已经悄然改变了神经元的阈值。
这篇文章试图剥离冯·诺依曼体系的影子，从零构建一个基于**脉冲晶胞阵列**的计算模型，重新解释记忆、思考、创造力和潜意识。全部观点来自我们长时间的思辨，希望为你打开一扇新的门。
一、记忆：不是存储，而是“易化”
传统观点：记忆是信息编码后存于特定地址，需要时再读取。
大脑观点：重复激活某一群神经元，它们之间的连接增强，各自的激活阈值降低。下次哪怕只有部分输入，也能迅速点燃整个群体。
我们称每个基本单元为**晶胞**。它有一个膜电位、一个激活阈值，以及与其他晶胞的可变连接权重。当一个晶胞接收的脉冲总和超过阈值，它就“发放”并向所有连接输出脉冲。
**记忆的形成**：
- 反复让同一组晶胞发放（比如反复背“床前明月光”）。
- 每次发放后，这些晶胞的阈值略微降低（或者它们之间的连接权重增加）。
- 最终，即使只给一个微弱的“床”字脉冲，整组晶胞也会瞬间激活——你“想起”了整句诗。
这里没有任何“存储地址”，记忆就是晶胞参数的分布状态。你背书几十遍，本质上是在训练阈值下降。
二、思考：种群流形上的受控演化
思考不是从内存中取数据，而是当前活跃的晶胞群体**根据连接权重自动演化**。
- **联想**：激活“苹果”群体，由于历史上它常与“红色”同时发放，两者间连接强，很快“红色”群体也被激活。你便从苹果想到了红色。
- **推理**：如果你训练了“下雨→地湿”“地湿→路滑”的链式连接，那么输入“下雨”后，系统会步进式地激活“地湿”，再激活“路滑”。这就是三段论在脉冲网络中的实现。
- **创造力**：当你被问到“飞行的企鹅”，外部输入同时激活“企鹅”和“飞行”两个群体。它们的子特征（翅膀、胖身体）各自被激活，某些中间晶胞可能同时收到两个方向的脉冲而发放，产生一个**新颖的组合群体**——“胖且有羽毛的飞行物”。这不是随机，而是外部信息驱动下的模式合成。
思考的路径不是随机的，它由**连接权重的地形**和**当前输入**共同决定。你之所以能定向思考，是因为有**注意力**（临时调控某些区域的兴奋性）和**工作记忆**（通过循环连接维持少量活跃群体）。
三、潜意识：阈下刺激的参数雕刻
你在我周围很多不起眼的地方放了数字“6”，然后让我随机说一个数字，我大概率会说6。为什么？
在晶胞模型中：
- 每次我看到一个“6”，视觉系统会向代表“6”的晶胞发送一个**阈下脉冲**（强度不足以让其发放）。
- 但这脉冲仍然会使该晶胞的膜电位上升一小点，更重要的是，每次接收脉冲都会略微**降低它的激活阈值**（或增强其背景兴奋性）。
- 经过几十次阈下刺激，代表“6”的晶胞变得异常敏感：它的阈值从0.8降到了0.3。
- 当你让我“随机说一个数字”时，大脑给所有数字晶胞一个共同的微弱查询脉冲（强度0.4）。只有“6”的阈值低于0.4，它发放了，其他数字保持沉默。于是我脱口而出“6”。
**潜意识就是这样工作的**：你从未“意识到”看到了许多6，但你的晶胞网络已经被悄悄重塑。每一次阈下刺激都在改变你的未来行为——这是真正的“无意识学习”。
四、硬件实现的可能性
上述模型可以用**CMOS + 忆阻器**的混合电路实现。每个晶胞包括：
- 积分电容和泄漏晶体管（实现漏积分点火模型）
- 可调阈值比较器（用差分对或衬底偏置实现）
- 忆阻器交叉阵列（存储可塑连接权重）
- STDP 学习电路（根据脉冲时序改变忆阻器电导）
多个晶胞可以三维堆叠，形成大规模并行脉冲网络。这种芯片没有程序计数器、没有内存总线、没有指令——只有脉冲事件在晶胞之间异步传播。信息编码在哪些晶胞活跃以及活跃的时刻模式中。
五、与当前AI的本质区别
- **深度学习**：仍然在冯·诺依曼机上模拟矩阵运算，存储与计算分离，能耗巨大。
- **脉冲神经网络（SNN）**：虽然更接近生物，但多数实现仍依赖时钟步进和存储权重。
- **本文模型**：彻底抛弃二进制和存储。晶胞的参数（阈值、连接）就是记忆本身，计算就是脉冲的实时传播。没有“程序”与“数据”之分。
六、结语：从机器人到通用智能
我们正在从零设计一款机器人核心处理器，它由数万到数百万个脉冲晶胞组成，直接嵌入传感器和执行器。它将不需要传统的操作系统——环境信息以脉冲流形式进入晶胞阵列，决策和运动指令以脉冲流形式输出。学习、记忆、思考、创造力、潜意识，全部在同一个框架内发生。
这不再是“人工智能”，而是**人工神经现实**。如果你也对脱离冯·诺依曼牢笼感兴趣，欢迎加入我们的讨论——从一片忆阻器、一组微分方程开始，重建计算的基石。
