在人工智慧發展的浪潮中，我們過去熟知的熱門職缺多半是 AI 詠唱師（Prompt Engineer） 或多模態模型設計師。然而根據 Semafor 的最新報導，近期矽谷科技大廠與 AI 新創公司開始將目光轉向一個意想不到的領域，那就是神經科學。這暗示著 AI 架構正在經歷一場從「暴力運算」轉向「仿生效率」的重大變革。
從學術界走向科技戰場
過去神經科學家多半任職於大學研究中心或醫療機構，但近期包含 Meta 在內的科技大廠，開始積極延攬這類人才。報導指出，原本任職於紐約大學神經科學中心的學者 Aldo Battista，便在 2025 年 9 月轉戰 Meta 擔任研究科學家。他在受訪時表示，雖然工作內容與學術研究相似，但在科技公司能獲得即時的回饋，且研究成果能直接應用於社群媒體的演算法中。
這股招聘熱潮並非偶然，隨著 AI 模型規模不斷擴大，兩大關鍵挑戰逐漸浮現，分別是能源效率與可解釋性。而這正是神經科學家能發揮所長之處。
工程界的仿生學 稀疏模型與人腦機制
要理解為何科技大廠需要研究人腦，我們必須先檢視目前 AI 發展的主流技術路徑：稀疏模型（Sparse Models）。
過去幾年主流的「稠密模型」（Dense Models），運作起來就像是一個全力全開的工廠。無論使用者問 AI 一個簡單的生活問題或是複雜的物理難題，模型中數千億個參數都會全部一起參與運算。這種作法雖然強大，但資料處理成本高昂且極度耗電。
為了解決這個問題，目前科技大廠（如 Google、Mistral 以及 OpenAI）開始廣泛採用混合專家模型（Mixture of Experts, MoE）。這種架構會將大模型拆解成許多小型的「專家」，透過路由機制判斷問題該交給哪幾位專家處理，其餘參數則保持休眠。
| 特性比較 | 傳統稠密模型 (Dense Models) | 稀疏模型 (Sparse / MoE Models) |
|---|---|---|
| 運作邏輯 | 全參數參與每一次運算 (暴力運算) | 僅啟動部分參數 (仿生精準啟動) |
| 代表案例 | Llama 3 70B, Qwen 72B | Mixtral 8x7B, GPT-4, Grok-1 |
| 推論速度 (Latency) | 較慢 (需計算所有權重) | 較快 (僅計算被啟動的專家權重) |
| VRAM 需求 (顯存容量) | 與參數量成正比 (如 70B 需約 140GB) | 極高 (需載入所有專家，如 47B 需約 100GB，但運算量僅 13B) |
| 硬體成本結構 | 運算密集型 (吃重 GPU 核心算力) | 記憶體頻寬密集型 (吃重 VRAM 大小與頻寬) |
| 適用場景 | 通用任務、硬體預算受限的中小企業 | 高併發客服、RAG 檢索、追求極致回應速度 |
這種「稀疏性」正是工程界試圖模仿人腦運作的一種實踐。神經科學研究顯示，人類大腦具有高度的稀疏特性，當我們在運算數學時，負責情感或語言的腦區可能處於低耗能狀態。大腦只會精準啟動當下任務所需的神經元，這也是為何人腦僅需極低的能量就能維持高效運作。
為何已經有稀疏模型還需要神經科學家
既然工程師已經開發出 MoE 這類稀疏模型，為何還需要神經科學家介入？關鍵在於目前的技術仍屬於「靜態的稀疏」。
現有的 MoE 模型雖然學會了分工，但這種機制相較於大腦的靈活度仍顯得生硬。大腦的稀疏性是動態且可塑的，也就是神經連結會隨著學習強度增強或斷開，這在神經科學中被稱為赫布學習法則（Hebbian learning）。
科技大廠招聘神經科學家，正是希望能夠突破現有架構的限制。新創公司 Pathway 正在開發一種嘗試模仿大腦運作的新型 Transformer 模型，讓部分神經連結能隨著互動而不斷更新，讓 AI 具備持續學習的能力，而非像傳統模型訓練完即固定。透過理解大腦如何自然形成稀疏連結、如何在不遺忘舊知識的前提下動態調整神經元，未來的 AI 有機會從工程師設定的「被動稀疏」規則，進化為模型自我演化的「主動稀疏」。
產業觀點與未來展望
對於台灣的科技產業而言，這股趨勢值得密切關注。當硬體 AI 算力的堆疊遭遇物理極限與能源成本的挑戰時，回歸生物本質的演算法創新，或許是另一種新的方向。我們未必能完全複製大腦，但透過神經科學家的協助，我們能更深入理解大腦如何高效處理資料，進而設計出更聰明、更環保且具備可解釋性的 AI 系統。
這場跨領域的整合顯示，未來的 AI 競爭將不再僅是晶片數量的軍備競賽，更是對智慧本質理解深度的較量。
首圖 Google Gemini AI 生成
