⚡ CTM 连续思维机器：一场正在酝酿的范式颠覆

⚡ 一、CTM 是什么：把时间还给神经元

Llion Jones 是 2017 年 "Attention Is All You Need" 的八位共同作者之一。那篇论文开创了 Transformer 时代。八年后，他在东京创办 Sakana AI，推出了一项可能颠覆他自己参与创造的范式的技术。

CTM 的核心命题非常简单，甚至可以说朴素：

1980 年代以来，人工神经元模型几乎没变过。每个神经元只输出一个标量 —— firing rate。但在生物大脑中，神经元什么时候放电、和谁一起放电、以什么节奏放电 —— 这些时序信息是智力的核心。CTM 做的事就是：给每个神经元访问自己历史行为的权限，让它们通过 synchronization（同步化） 来协调和推理。

🧠 二、核心创新：Synchronization 作为计算原语

传统人工神经元的简化历史

从 1986 年 Rumelhart 的 Backpropagation，到 2012 年 AlexNet，到 2023 年的 GPT-4——所有这一切都建立在同一个神经元模型上：

output = activation( Σ(weight_i × input_i) + bias )

这个公式里没有 时间。没有历史。没有和其他神经元的同步关系。在生物学中至关重要的 spike-timing-dependent plasticity（STDP），在人工神经网络里完全不存在。

CTM 怎么改的

🔀 三、CTM vs Transformer：三维度对比

🔬 四、涌现行为：迷宫追踪与自主注视

CTM 论文最令人印象深刻的部分不是 benchmark 分数——是那些没有被显式训练但自发涌现的行为。这些行为暗示了更深层的智能机制。

迷宫求解：自己 "trace" 出路径

把一张迷宫图输入 CTM。在它的内部时间维度中，可以观察到 CTM 一步一步地沿着迷宫路径"追踪"——就像一个人用眼睛在迷宫中找路。这不是设计的，不是训出来的。是架构给了神经元时间维度后自发涌现的。

图像理解：自主选择注视区域

给 CTM 一张照片。没有任何显式训练目标要求它这样做——但 CTM 会自己移动"目光"，选择聚焦于场景中最显著的区域。这和人类的视觉注意力机制非常相似：我们不是同时看清一张图的所有像素，是眼球不断跳动、fovea 聚焦关键位置的。

神经元动力学的惊人丰富度

Sakana AI 团队对比了 CTM 和 LSTM 的神经元动态行为：

"It is worth stressing that all of these behaviours are completely emergent, were not designed into the model." —— Sakana AI 官方博客

🔧 五、硬件困境：为什么 GPU 根本跑不了 CTM

这是 CTM 面临的最大现实障碍——也是它最大的地缘战略变量。

全栈不匹配：从晶体管到 Python

那什么硬件天生支持 CTM？

目前没有。但如果要设计，特征大概是：事件驱动 + 细粒度异步 + 近存计算 + 稀疏通信 + 可能数模混合。

三条已有的硬件路线在逼近

短期和长期的不同答案

📐 六、参数量逻辑：从"存储更多模式"到"更会思考"

Transformer 的 Scaling Laws 建立在一个事实上：更多参数 = 更多模式存储容量。每个参数都是一个可调旋钮，把输入空间切得更细。

CTM 的智力来源完全不同：

这就导出一个激进的推论：

"参数量在 CTM 范式下的地位，大概等于'图书馆藏书量'相对于'读者的思考能力'。给你全人类最大的图书馆，一个不思考的读者什么也得不到。反过来，一个会深度思考的读者，一本好书就够了。"

CTM 如果要成功 scale，最优参数量可能远小于同等能力的 Transformer。但"卷"不会消失——只是从训练 FLOPs转向推理时的时序计算。竞争的焦点从"谁能训更大的模型"变成"谁能设计出更丰富的神经元动力学"。

🇨🇳 七、中国布局：类脑计算的基础积累

没有中国团队发表过和 CTM 完全相同的工作。CTM 是 2025 年 5 月才出来的，时间上任何对标论文都还来不及。但中国在相关方向上有相当深厚的基础。

关键研究者与团队

三段尚未打通

🌍 八、地缘博弈：旧赛道的引力与新赛道的窗口

美国的 "Transformer 陷阱"

美国押在 Transformer 上的筹码不是一个技术选择——是一整个国民经济发动机的转向：

这套体系之所以稳固，是因为它形成了一个四层正反馈循环：

如果 CTM 被证明是更优解——不需要 GPU、不需要 CUDA、不需要 3nm——整个循环就地断裂。不是"少赚点钱"。是体系级瓦解。

CTM 系统性消解美国的三重优势

打压手段不会只是芯片禁运

如果 CTM 方向真在外部开花，美国的打压会更多样也更难防：

• EDA 工具管制：神经形态芯片也是芯片。设计需要 Cadence/Synopsys/Mentor——全是美国公司。对中国的 EDA 断供已经在执行
• TSMC 流片约束：哪怕只需要 28nm 成熟工艺，台积电能不能给你流片，也受美国出口管制约束
• 人才流动限制：类脑计算需要计算神经科学 + 模拟电路 + SNN 的交叉人才。全球核心研究者大多有美国留学背景。参考量子计算人才回流限制
• 叙事控制："CTM 是小规模学术花招，不能 scale"——以美国 AI 实验室的顶会话语权，这很容易
• 标准卡位：提前在 IEEE/ISO 制定"类脑计算安全标准"，让你还没参与就被框定
• 金融武器化：Sakana AI 的融资来自美国 VC。CFIUS 一句话就可以断流

但有一个变量美国控制不了

物理限制不认国籍。如果"基于时序同步的计算范式确实比密集矩阵乘法更高效"——这是一个物理事实，不是政策能改变的。一个世纪前，英国不可能通过政策让内燃机比蒸汽机低效。你可以延迟它、围堵它，但物理规律最终会说话。

美国的困境在于三个选项全亏：

• 全力打压 CTM → 其他国家被迫投入更多资源绕封锁 → 可能催生独立的去美国化 CTM 技术栈
• 不投入 CTM → 其他国家在新赛道获得先发优势
• 也投入 CTM → 承认 Transformer 不是终局 → 削弱自有体系估值基础 → 自我摧毁

💰 九、沉没成本与局外人优势

一个被低估的规律

真正改变范式的技术，往往不是被"打压"死的。是它自己——在旧范式还存在明显红利的时候——根本没人愿意转。

19 世纪末，伦敦马车产业投入巨资建设马厩、育马场、粪便清理系统。没人打压汽车。是马车产业自己选择"继续优化马的品种"。Transformer 现在的处境，就是那匹马——还在变强，还在变快。CTM，是那辆刚造出来到处抛锚的汽车。

局外人优势：谁的沉默成本最轻

🧭 十、诚实判断：机会、限制与时间窗口

CTM 当前面临的三重 Gap

1. Scale Gap：从迷宫到通用智能差了 9 个数量级。没有任何 evidence 证明 CTM 的动态能 scale。历史上太多小规模优雅、大规模崩塌的案例了
2. Hardware Gap：全栈不匹配。CTM 的计算需求在物理上和 GPU 逆向。需要新的硬件原语，而这需要 10 年+ 的时间尺度
3. Training Gap：CTM 目前的训练方法（如何让这些动态神经元学习复杂任务）还不成熟。Sakana AI 论文只展示了相对简单的监督学习任务

但为什么这个方向值得认真关注

• 它的出发点是对的——大脑 20W 跑全部认知，GPU 集群 1GW 跑 GPT-4 推理。这 8 个数量级的效率差，一定有一部分来自计算范式本身
• 作者不是随便的研究者——是 Transformer 的原始作者之一，在用八年后的反思重新审视最基本假设
• 涌现行为（迷宫追踪、自主注视）不是在 benchmark 上微调出来的——是架构给了时间维度后自发产生的。这种"意外涌现"通常是重要信号
• 和最前沿的 test-time compute 趋势（OpenAI o 系列、DeepSeek-R1 的"多想想"）方向一致，但 CTM 把它做成了架构级原语
• 如果方向正确，它会解耦 AI 能力和 GPU 供应链——这在地缘政治上的意义远超技术本身

📚 十一、核心资源与延伸阅读