1月4日消息，在 Dwarkesh Patel 的深度访谈中，神经科学家 Adam Marblestone（亚当·马布尔斯通） 指出，当前主流人工智能的发展路径，在根本层面上忽略了人类大脑的一些关键特性。他认为，尽管现代 AI 在算力和数据规模上取得了巨大进展，但其学习机制与人脑仍存在本质差异——尤其是在奖励机制、损失函数、自我驱动学习以及跨场景泛化能力方面。

Adam Marblestone 是一位横跨 神经科学、人工智能与前沿技术研究 的学者型研究者，现任 Arc Institute 联合创始人兼 CEO，同时也是 MIT、哈佛体系出身的理论神经科学家，长期致力于探索大脑计算原理及其对人工智能的启示。他曾参与多项跨学科研究，试图从生物智能中寻找突破现有 AI 路径的关键线索。

Marblestone 强调，人类大脑并非依赖单一、静态的目标函数运行，而是在多层次、动态约束下持续自我调整和学习，这正是人类智能具备强适应性与创造力的核心原因。而当前 AI 系统在设计上更像是“被优化的工具”，而非具备内在学习动机的认知系统。这种结构性差异，可能成为通往通用人工智能（AGI）道路上的关键瓶颈。在他看来，真正突破 AI 能力边界，可能并不只依赖更大的模型和更多的数据，而是需要重新审视并借鉴大脑在学习、泛化与目标形成上的底层机制。