Tony Zador 在 CSHL 演讲提出「基因组瓶颈」假说，探讨神经科学与 AI 的算法同源
Tony Zador：神经科学×AI 的「基因组瓶颈」（CSHL Leading Strand）
冷泉港实验室（CSHL）第 90 届「AI in biology」研讨会上，Tony Zador 提出「基因组瓶颈」假说：人类约 3 GB 基因组远不足以逐一指定约 1000 亿神经元的连接，进化「写」的是生成接线图的算法而非接线图本身，这与用代码定义 AI 系统的思路同源。
在 CSHL 第 90 届「AI in biology」研讨会上，Tony Zador 讲其「基因组瓶颈」假说——基因组不足以逐一指定千亿神经元的连接，因而进化写的是生成接线图的算法/源代码，与用代码定义 AI 系统同源；并讨论人工神经网络、LLM 与脑连接组。
- 基因组瓶颈：人类基因组约 3 GB，远不足以逐一指定 ~1000 亿神经元的连接，因此进化「写」的不是接线图，而是生成接线图的算法/源代码——这与用代码（而非权重表）定义 AI 系统的思路同源。
- 人工神经网络本就借鉴自脑：反向传播、表征学习等概念来自神经科学；Zador 讨论 AI 系统与生物脑在「整体结构 vs 个体神经元」上的互补理解。
- 大型语言模型（LLM）作为认知与科研工具：谈到用 LLM 辅助研究、AI 系统擅长/不擅长之处，并强调我们尚不会构建能自主发现牛顿定律那类原则的 AI。
- 脑连接组的工程挑战：关注「正确的结构」与接线图（wiring diagram of a brain），认为理解单个神经元再配合把它们组合起来的算法是关键。
- 定位：AI4Science（神经科学 × AI 视角的概念桥接；讲者明确讨论 LLM 与人工神经网络，属用户所列 AI 范畴）；与 #39（脑科学反哺 AI）、#60（钙成像 ML）互补。
发生了什么
在 CSHL 第 90 届「AI in biology」研讨会上，Tony Zador 用 16 分钟讲了他的「基因组瓶颈」假说：人类基因组约 3 GB，远不够逐一指定约 1000 亿神经元的连接，因此进化写下的不是接线图本身，而是生成接线图的算法或源代码，这和用代码而非权重表来定义 AI 系统是同一思路。他还谈到人工神经网络本就借鉴自脑——反向传播、表征学习这些概念来自神经科学，并讨论了 LLM 作为认知与科研工具的长短板，以及拿到「正确的结构」和脑接线图的工程挑战。
为什么重要
这个假说直接回答了神经科学里一个悬而未决的问题：几个 GB 的基因组怎么造出千亿神经元级别的复杂脑——答案是把发育看成一段生成接线的程序，而不是一张查表。对做计算神经科学、连接组和 AI4Science 的人，这意味着两边有了共同语言：一边研究单个神经元再配上把它们组合起来的算法，另一边本来就在用代码定义系统，而且反向传播、表征学习已经证明概念能从脑科学搬进 AI，反方向也值得试。他还点出现在尚不会构建能自主发现牛顿定律那类原则的 AI，给 LLM 辅助科研的能力边界画了条线，避免对该方向期待过头。
还缺什么
材料没有披露 Zador 有没有给出这套「源代码」的具体形式、实验验证方案或时间表，这些待确认；LLM 擅长与不擅长的具体内容也未逐条列出，待确认。这是一次概念桥接式讲座，下一步可以看连接组工作里能否读出发育算法的痕迹，以及材料提到的两期互补内容——脑科学反哺 AI 和钙成像 ML。
来源：专家解读（YouTube） · youtube.com