# 杰弗里·沙因莱恩：神经形态计算与光电智能

> 物理学家设想用超导光电元件模拟大脑神经元，探讨这条路线能否带来低功耗的智能计算。

- 原标题：#225 – Jeffrey Shainline: Neuromorphic Computing and Optoelectronic Intelligence
- 期数：第 225 期
- 发布日期：2021-09-26
- 嘉宾 / 主题：神经形态计算与光电智能
- 网页版：https://lexfridman-cn.pages.dev/ep/jeffrey-shainline/
- 官方页面：https://lexfridman.com/jeffrey-shainline/
- 精读字数：约 10164 字（阅读约 23 分钟）

> 本文为 lex.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。

硅不会发光。

这句话听起来像在开玩笑，其实是整个计算硬件史上最重要的一条物理判决。Jeffrey Shainline（杰弗里·沙因莱恩）是 NIST（美国国家标准与技术研究院）的科学家，研究神经形态计算和光电智能。他在 Lex Fridman 播客里花了很长时间解释这条判决的来龙去脉：人类如果能在硅芯片上做出一个像晶体管一样简单的光源，世界上不会有任何一颗处理器拒绝用光来通信。可惜做不出来，卡住的地方在自然规律这一侧。

这场对话从最基础的晶体管讲起，一路走到超导电路、单光子探测、大脑的分形结构，最后落在一个听上去很科幻的问题上：宇宙的物理参数，是不是被某种演化过程筛选过，以利于技术的出现？

## 先把一台计算机拆到最底层

Shainline 的讲解从材料开始。硅是半导体，意思是在低温下它没有自由电荷，没有能到处跑的电子。给一块硅加上电压，电子才开始移动，移动形成电流，电流可以被测量，信息因此有了物理载体。

半导体的妙处在于可塑性。硅是晶体，原子按严格周期排列在格点上，沿着晶格矢量从任意一个原子出发，都会走到下一个、再下一个，位置精确得近乎完美。你可以故意用磷原子替换掉某个格点上的硅原子，那一小片区域里的自由电子数量就变了。左边一个电极，右边一个电极，中间是沟道，电压加上去，电流就能流过去。再在上面加第三个电极，也就是栅极，栅极电压一变，沟道电流跟着变。数字电路的做法是把左右两端电压固定，只调栅极，于是得到导通和截止，也就是一和零。

从这一个基本元件出发，数字电路的所有复杂度都长了出来。

尺度有多小？硅晶格间距大约是半个纳米，比人的头发丝细上六个数量级。现在最先进的工艺做到七纳米，一条导电通路上只有几十个原子。上世纪六十年代，摩尔预测这种缩小至少还能持续二十年，结果持续了六十年，而且每次都是靠同一招：把特征尺寸做小，器件就更快、更省电，芯片面积不变，算力持续上涨。

软件工程师是被这份礼物喂大的。你不需要做任何事，只要等两年，同一段程序就会跑得更快。功耗虽然在最近十几年没有继续同步下降，但前面那段黄金岁月实在慷慨。

## 光刻是一整套制造奇迹，也是一整套物理巧合

芯片不是一颗一颗做出来的，是在晶圆上印出来的。用光刻把同一套图形重复印到晶圆上不同区域，一层叠一层，成熟工艺可能有上百层。现在的晶圆直径三百毫米，跟一张披萨差不多大，上面能放一千颗处理器，最后用锯切开。因为制造流程足够顺滑，单颗芯片才能卖得那么便宜。

光刻的核心步骤是离子注入。先用光刻胶把某些区域盖住，把其他区域暴露出来，注入不同种类的离子，改变局部的电学性质。光刻胶有意思的地方在于，光子打上去会打断聚合物链，被照过的区域能被水溶液洗掉，没被照过的留下。听起来不算太意外，但所有环节凑在一起，才形成了这么一套又复杂又可量产的生态。

这里还藏着一个更深的巧合。用来做光刻的光波长超过一百纳米，已经深入紫外，但最终图案的精度能做到七纳米，甚至有人在谈四纳米。Shainline 认为，这种缩放能力是整个物理世界给我们的馈赠，人类更多是发现它，还没到发明它的程度。

## 为什么最后赢的是硅

晶体管刚发明那几年，有好几种半导体都在被认真考虑。大多数人的直觉是锗，因为锗里电子的运动方式有些漂亮的特性。也有人押注三五族化合物半导体，它们的物理性质看上去更出色。多个团队分头探索，这本来就是科学该有的样子，广撒网。

最后赢的是硅，而且赢得没有悬念。赢的理由在于一组品质恰好凑在一起。

第一个是二氧化硅。晶体管需要一个极薄的绝缘层把栅极和沟道隔开，否则载流子会被直接吸进栅极，晶体管就不成立了。硅暴露在空气里会自然生长出一层氧化硅，这套天然的氧化物在整个元素周期表里几乎找不到对手。它的缺陷密度极低，能挡住很大的电压而不漏电。

第二个是带隙。半导体的带隙决定了诱导电流流动需要多大的电压。锗大约是0.75电子伏，硅是1.1电子伏。差别看着不大，但问题在于热激发。环境温度本身会把一部分电子顶过带隙，变成意外载流子，而这些载流子会让计算出错。载流子的数量随带隙指数衰减，多出这零点几电子伏，就把硅推到了室温环境的理想位置。

第三个是硅是单元素半导体。化合物半导体需要两种原子按规律交替排列，原子一旦坐错位置，性能就下降。硅只需要一种原子，缺陷机会少得多。

> 一堆物理性质刚好凑成一个可以量产的组合，功劳不在某一个人。（Jeffrey Shainline）

顺带说一句，我们今天的所有数字计算都建立在一个假设上：错误极少，几乎可以忽略。而大脑的假设完全相反，它默认到处都在出错，还必须在出错的前提下保持鲁棒。

## 大脑的第一性原理是一条幂律

从这儿开始，Shainline 的讲法变得像数学。

新皮层里负责高级推理的神经元，每一个都向外伸几千个连接。这样高度互联的结构带来的直接好处是，网络里任何一处信息可以用极快的速度传到任何另一处。

更妙的地方在连接概率的分布。你在皮层里画一个小方框，方框里的神经元大部分连接落在方框内部，这叫聚类。但也有一小部分连接跑到方框外面。你把方框放大一倍，统计规律完全一样。这就是尺度不变。

如果连接概率随距离呈指数衰减，大脑就会是一个非常局域化的系统，稍微远一点就几乎不连接。实际观察到的是幂律，连接概率随半径下降，下降得却比指数慢得多，跟万有引力和电磁力在空间里的衰减方式是一个形状。

时间维度上是同一回事。如果神经元都以同一个频率振荡，频率分布就会在某处形成一个尖峰。实际观察到的是，振荡频率的分布也是幂律，没有特征尺度。人的思维从几十毫秒一直延伸到一辈子的跨度，你还能想起小时候发生的事。再往外推，人类文明整体也被看成某种跨有机体的思维。

> 捕捉这些动力学，在我看来就是神经形态计算的目标。（Jeffrey Shainline）

## 记忆不只是改权重

Hopfield 网络是其中一种记忆模型：记忆储存在神经元之间的活动模式里，某个输入如果和过去的输入足够相似，网络就会收敛到同一片吸引子。你看到一张脸，某个网络模式被激活，因为上次看到这张脸时你在电影院，那是个明星。

但要能把这种模式刻进去，你得有改突触连接强度的能力。突触权重更新是神经科学和神经形态计算里的重头戏。Shainline 把监督和无监督做了很物理的区分：监督意味着外部用户手里有一个旋钮，能调每一个权重；无监督意味着权重自己变，没有任何一根外部的线接进那些突触，网络靠器件本身的物理性质重新配置自己。

除了权重，还有几层机制。

- 短期突触可塑性。同一个突触连续发第二、第三、第四次脉冲时，传递效率会变弱。这是一种学习：我正在被过强的刺激轰炸，得先把它调低。
- 元可塑性。它改的是权重变化的速率，权重本身不动。走进一间教室准备学习，大脑释放多巴胺之类的神经调质，把可塑性速率调高，你变得更容易接受新信息，也更容易覆盖旧信息。
- 稳态可塑性。某个神经元发得太猛，它会自己把阈值调高，把自己拉回有用的动态区间。深度网络里也有类似的操作，不只改权重，还可以移动神经元的阈值。

至于长出新连接，在成年大脑里算不上主要机制。你此刻听我说话，学到东西，并没有长出新的轴突连到新的突触上，靠的是已有连接上的可塑性。用权重更新来近似，至少是够用的。

## 皮层和海马体是两种完全不同的网络

Shainline 用一张卡通图解释大脑的架构。皮层是一张外层的薄片，展开来放在桌上大概是一张披萨大小，里面有一百亿个神经元，连接按幂律分布。海马体是完全另一个模块，负责你身处何时何地的判断，它的连接几乎是随机的，几乎不随距离衰减。海马体只有一亿个神经元，因为规模小，才能维持这种高密度的随机连接。

两个模块一直互相说话，牵线的是丘脑。三者合起来叫丘脑皮层复合体。Shainline 认为，如果要复现大脑活动的类型，就必须把这种分模块、分工、再整合的架构做进去，只做一堆神经元是不够的。

## 超导：电流可以永远流下去

半导体里，电子撞上晶格缺陷或者另一个电子就会失去动量，所以必须一直加电压才能维持电流。超导体里发生的事完全不同：电流一旦开始流动，就会永远流下去，没有耗散。

条件是低温。Shainline 说的主要是常规超导体，临界温度大约十开尔文，实际工作在四开尔文上下。在这个温度下，原子的热振动和电子之间的碰撞都低到某个程度以下，电子会进入一种特殊状态，有时被称为宏观量子态。一整块铌冷到临界温度以下，里面参与超导的电子会处于同一个相干的量子态，波函数同时描述所有这些粒子，并且延伸到整块材料的宏观尺寸。

为什么电流不会被打断？电子是全同粒子，你没法分辨它们。某个电子撞上缺陷本该被散射，它可以被另一个电子替代，整个量子态并没有被那个缺陷散射。于是电流无损地流下去，这叫超电流。

## 约瑟夫森结，和往环路里弹一份磁通量子

超导电路里最通用的元件是约瑟夫森结，做法是两段超导体中间夹一层很薄的绝缘体或普通金属。超导波函数会穿过这层势垒，形成隧穿。

它和晶体管有某种类比关系。晶体管是加了电压就改变左右电流，约瑟夫森结是电路工程师搭复杂结构的起手元件。但它和晶体管有一个关键差别，这个差别决定了它的命运。

超导体能承载无损电流，但这个能力有上限，超过临界电流就变回普通电阻材料。约瑟夫森结也一样。把结偏置到临界电流之上，它会往旁边的超导环路里注入一份量子化的、离散的电流。行话说就是弹一个磁通量子进环路。

速度很快。这些电流脉冲的传播速度能到光速的三分之一左右，开关动作在几十皮秒内完成，器件可以工作在几百吉赫兹。作为对比，今天的处理器大多在一到三吉赫兹。玩超频的人在四吉赫兹就已经很兴奋了，几百吉赫兹是另一个量级。

那为什么不直接用它替换硅做数字计算？Shainline 的答案很坦率：单项指标都够好，整体算下来不划算。晶体管可以一代代缩小，缩到七纳米、三纳米，功能照样成立。约瑟夫森结做不到。它的工作依赖结和环路之间的相互作用，环路的尺寸受磁场与超导材料相互作用的基本物理限制，再怎么改进工艺也缩不下去。上世纪七十年代 IBM 大力推过超导数字计算，九十年代 Likharev 和 Semenov 提出过一整套基于约瑟夫森结的数字电路族，能比硅快上百倍，但这些优势始终没有转化为系统层面的胜出。

## 环路神经元长什么样

既然超导不适合抢数字计算的饭碗，那它适合干什么？Shainline 的答案是要换一个应用空间，换成神经形态。

在这个硬件里，一个神经元可以理解成一堆以约瑟夫森结为基础的电路。从突触开始看：突触收到上游神经元发来的光子，一个超导单光子探测器把它转成电信号，往一个超导环路里加电流。加多少，由突触权重决定，是模拟量，精度能做到八到十比特。

电流加进环路后会指数衰减，衰减的时间常数由串进去的电阻决定。这就是突触后信号。它随后进入树突结构做处理。有意思的是，突触、树突、胞体、各种可塑性机制，用的都是同一块积木电路，只是几个参数不同。这块积木在超导电路里很基础，就是一个直流超导量子干涉仪，两个约瑟夫森结组成，属于最家常的元件。

胞体接收所有电输入，累积起来，当它超过阈值，也就是把某个约瑟夫森结驱动到临界电流之上，就产出一束电流脉冲。这束脉冲经过电压放大，去驱动一个光发射器，把电信号变成光。这是整个神经元里唯一一段半导体器件。光随后扇出到波导网络，抵达下游所有突触，那些突触再各自重复一遍上面的过程。

记忆就储存在环路里循环的电流上。耦合通过变压器式的环路耦合完成，突触里循环的电流会在胞体里的接收环路中感应出电流。整个计算都发生在这些磁通储存环路里，Shainline 干脆把它们叫环路神经元，因为比"超导光电子神经元"顺口。

## 电子管计算，光子管通信

计算是什么？Shainline 给的定义很朴素：接收一些信息，对信息做操作，产出新的、更有用的信息。给你一张图，图里有把钥匙，输入是整张图，输出是钥匙的坐标。信息总量减少了，有用的那部分被抓了出来。

通信是什么？把信息从一个地方搬到另一个地方，信息本身不变。Landauer 说过信息是物理的，既然是物理的，它就待在某处，你想让别处的元件用它，就得搬过去。

于是就有了那句著名的分工：电子擅长计算，光子擅长通信。

电子带电，相互作用强。一堆电子堆在一处会互相排斥，你想推它们走，改一个栅极电压就行。电子还有质量，可以被空间局域化，所以你可以用它的位置表示信息，还有旋钮去改变它的位置。计算需要改变信息，电子正合适。

光子彼此不相互作用。低光强下，一个信道里多塞一个光子，不会干扰已经在那里的光子，它们直接穿过彼此。这对通信是巨大优点，光子可以轻松分流、扇出、并行传输。对计算却是巨大麻烦，你想让一束光改变另一束光携带的信息，做不到。

距离上的差别同样致命。用电线传信息，你得先把电线充电，把电压抬上去，电线有电容，电容和线长成正比。线的能量消耗随电容和电压平方增长。你跟我两个人之间拉一根线还凑合，但一个神经元要同时发给一万个下游连接，一万根线的寄生电容叠加起来，功耗和时间都会爆炸。而一万这个数字不是随便挑的，它就是大脑里一个神经元大概的连接数。

换成波导就完全不同。你把光子注入一条波导，不管这条波导多长，不管你临时加了多少个分支，都不需要抬升什么电压，没有那种电容惩罚。多一个连接，就多分一点光过去而已。

## 怎么接住一个光子

光子发出去，对面得接得住。这是 Shainline 团队工作的一大重心，他的组长 Sae Woo Nam（南世宇）整个职业生涯都围绕超导单光子探测器。

原理不复杂。一条超导支路并联一个电阻支路，再串一个测电流的装置。电流全部走超导那一路。一个光子打中，超导的宏观量子态被破坏，那条支路变成电阻，设计上让它远大于另一路的电阻，于是电流改道，测量端看到一个脉冲。几纳秒后能量散掉，超导恢复，电流回到原来的路径。

这套探测器带来一个关键的连锁反应。半导体探测器要接住一束光，需要几千个光子。超导探测器只需要一个光子。需求降低了三个数量级。

于是对光源的要求也松了。化合物半导体光源效率高，但很难和硅工艺共融，晶格不匹配，生长需要高温，会把已经做好的晶体管全毁掉。可如果对面要的只是一个能吐出几千个光子的及格光源，事情就容易多了。硅在四开尔文这个低温下也未必不能当光源。

> 如果硅芯片上有一个像晶体管一样简单的光源，世界上不会有任何一颗处理器不用光通信。（Jeffrey Shainline）

顺带一提，通信在这里被设计成完全二值的。突触不管收到一个光子还是五个光子，反应都一样：事件发生了。这是有意的，通信不应该改变信息本身。不过另一个方向的需求也存在，过渡边缘传感器那种超导器件能根据脉冲幅度数出光子数，这在把信息编码进光子数的光量子计算里很有用。

## 为什么必须往第三维堆

大脑在空间上紧凑得不可思议。硬件神经元做不到那么紧凑，无论是硅晶体管、超导电路还是光通信。一个有相当复杂度的硬件神经元，尺寸大概在一百微米见方，很难再小。波导的尺寸被光的波长卡住，一微米左右。作为对比，大脑里的轴突直径只有十纳米。

所以要在芯片上堆出和大脑可比的数量级，必须用第三维。晶圆上要叠多层有源器件（做计算的超导电路）和无源器件（走光的波导），五六层，最好到十层。这还只到百万神经元的级别。要到人类大脑的一百亿神经元，得把整片整片晶圆叠起来，晶圆之间用光纤互连，填满一张桌子那么大的空间。

而且这个堆叠必须处处分形，从单层到晶圆到整机，每一级的连接都保持幂律分布。不然信息没法从一个点高效地覆盖整个网络。

## 四开尔文的门槛

很多人听到四开尔文就起身走人。Shainline 觉得这种反应有点地球中心主义、物种中心主义。我们活在三百开尔文里，所以希望技术也在那儿工作，可以理解。

但账要算全。宇宙微波背景是2.7开尔文，我们比深空还热。整个量子计算行业通常工作在五十到一百毫开尔文，比四开尔文还要冷一百倍，几乎所有人都相信量子计算会改变世界，没人因为冷就撤资。那为什么四开尔文就成了原罪？

真正的差别在应用场景。手机、笔记本、车载设备，超导确实进不去，一个需要背着啤酒桶大小制冷设备才能用的手机毫无意义。但如果是数据中心级别的集中式系统，制冷本来就是工程任务的一部分，田纳西那几台超算把整个仓库那么大的空间填满，本来就在为散热花大钱。在这个尺度上，多降到四开尔文，算不上显然的出局条件。

Shainline 甚至把视角推到太阳系。如果只是要反射走阳光，小行星带上随便找个地方就有巨大的先天优势。一个更高级的文明把它的认知系统放在远离地表的低温暗处，那里对超导系统天然友好，而地球这边三百开尔文的环境反而是将就。

> 如果四开尔文能让你做出比任何室温技术高好几个数量级的认知，你会去做。物理极限不在乎你住得舒不舒服。（Jeffrey Shainline）

## 用一条微分方程模拟百万神经元

设计这种电路，一开始用传统路子。单个突触不复杂，几个约瑟夫森结，直接扔进 SPICE 解微分方程就行。问题是往上叠加就很贵。约瑟夫森结要求皮秒级时间步，节点一多，需要同时解的方程数量就失控。

疫情那阵子，团队把注意力转向适合在家做的计算建模。他们做的事情是抽象化：不去显式求解电路方程，而是给它找等效模型。好消息是，所有元件都基于同一块积木，突触、树突、胞体、可塑性都能简化成漏积分器，一条微分方程。

时间网格也可以粗化。合起来速度提升大约一千到一万倍，目标直接拉到百万神经元。之前只能模拟几十个、一百个。

Shainline 对这件事的兴奋点在于复杂性的来源。简单积木，大量重复，用不同参数和连接方式组合，涌现出事先难以预测的行为。这套平台既是神经科学的试验场，也能连到其他物理问题上，临界现象、伊辛模型之类。

## 机器学习能从这套硬件拿到什么

Shainline 对短期商业回报没有兴趣，也不打算把这事做成生意。想做快钱就去做深度学习，用硅。他关心的是另一个问题：一个物理系统的极限在哪。

他很谨慎，不做过高承诺。在他看来，机器学习有个根本限制，它要求你清楚知道自己输进去的是什么，以及目标函数是什么。而智能的定义更像是处理那些你既不知道输入、也不知道目标的问题。

> 我不太清楚我自己在这世上想做成什么。智能大概就是处理这类问题的能力。（Jeffrey Shainline）

不过团队里确实有人在推进机器学习方向。NIST 的 Mike Schneider 在做超导图像分类器，目标是一个九像素、三类别的分类任务，他估计分类时间可能在一百皮秒量级。这个演示的意义在于证明这条路在极小尺度上跑得通。问题在于制冷开销，约瑟夫森结电路本身比晶体管省电好几个数量级，但维持低温的固定成本很高，必须在大规模上才能摊薄。结论是它不会进手机，但可能进数据中心。

说到数据中心就绕不开自动驾驶那种算力需求。特斯拉的 DOJO 是应用驱动的大规模训练系统，公司被一个具体问题钉住，反而更容易做出东西。流程是训练、部署到几百万辆车上、采集边缘案例、再重新训练，一个巨大的循环。这种集中式的、需要海量数据整合的认知枢纽，正好是超导光电子大规模网络可能有优势的场景。当然不是明天，五年十年也未必。

这里还有一条 NIST 关心的线：可信 AI。Elham Tabassi 在主持一个比 Shainline 的小项目大得多的 AI 计划，核心是可信度。把神经网络放进每一辆车上，风险很高，你得能证明它可信。而这里存在一个根本张力：计算机科学界希望算法可证明正确，可生物系统什么都证明不了，它靠的是对不完美的鲁棒性。图灵那句话说得最清楚，我可以给你一个智能系统，也可以给你一个无瑕的系统，但没法同时给你两个。

## 物理和工程，谁给谁铺路

Lex 抛出了那个经典的挑事问题。Shainline 没上钩，但回答很干脆：两者缺一不可。

物理通常在早期关键。半导体物理没有先被搞明白，晶体管根本不会出现，你连球场都上不了。一旦原理被证明可行，接管舞台的就是工程。为什么今天的手机比过去的超级计算机还强，全是工程。

不过分界线没那么干净。硅的材料性质、光刻技术、X射线晶体学、聚合物化学、材料科学，你说不清该归到哪一类。是一场漫长的双人舞。

## 宇宙在筛选技术吗

对话的后半段，Shainline 把话题拉到了他自己写的一篇论文上：《宇宙学演化会筛选技术吗？》。

先要介绍背景。物理学家一直在追问精细调节问题。描述宇宙的方程里，除了方程的形式，还有一堆参数，它们决定各种耦合的强度，比如精细结构常数决定电磁相互作用有多强。这些参数看起来被调得非常准，稍微动一动，宇宙可能在纳秒内出现又消失。有人评价说，这像一场精心安排的骗局。主流的回应是弱人择原理：我们只能观察到一个适合我们存在的宇宙，这是选择偏差，不必大惊小怪。

但 Shainline 觉得这个回答解释不了另一件事。为什么宇宙给了我们超导？为什么给了我们硅，还顺带附赠一种近乎完美的天然氧化物，让晶体管可以不用费太大劲就造出来？这些没法用人择原理打发。

他借的是 Lee Smolin（李·斯莫林）的宇宙自然选择。基础是 Guth 和 Farhi 在1986年提出的一个观察：大爆炸和黑洞在数学上难以区分，一个宇宙里的黑洞，可以是另一个宇宙的大爆炸。Smolin 在此基础上加了一个关键点：黑洞形成属于量子引力过程，描述它的参数会发生量子涨落带来的微小突变。后代宇宙的参数和父辈接近，但不完全相同。变异和选择就这么出现了。

Smolin 估计我们的宇宙可以追溯到大约两亿代演化。选择压力是恒星数量，因为恒星会产生黑洞，黑洞会产生后代。所以宇宙的参数应该被优化来最大化繁殖力。

Shainline 的补充是：恒星造黑洞非常浪费。恒星靠引力慢慢挤，一颗只有十公斤的物质，如果被压缩到极小的体积，就足以形成一个很可能膨胀成后代宇宙的黑洞。这来自量子场论学家的计算，他自认只是转述者。

粗算一下。一颗直径一公里的普通小行星，拆成十公斤一块，每一块造一个宇宙，那就是至少一万亿个黑洞，比银河系诞生以来所有核心坍缩超新星产生的黑洞还多三个数量级。而这只是一颗小行星。如果技术文明能够扩张到小行星带，它产出后代宇宙的速率就会远超恒星。

如果真是这样，那我们的参数就可能在两种压力之间被拉扯着筛选：既要让恒星稳定、寿命够长，也要让水有合适的性质，让宜居带有岩石行星，让硅有那种氧化物，让技术可行。预测就是我们坐在一个各方角力的中间点上，往任何方向挪太多，某一个环节就断掉。

## 我们在宇宙里排第几

顺着这个思路，Shainline 明显倾向智能文明是稀有的。他引 Max Tegmark，也引最近天体生物学里的一些工作：一个星系里出现一个智能物种不算小概率，但下一个太阳系就有一个，几乎不可能。

时间窗口也很关键。星系整个生命周期里可能有过一个到上百个智能文明，但它们未必同时存在。

地球的生命史给了参照。生命出现得很快，几十亿年前就有了微生物。然后有两百五十亿年基本只有单细胞在演，光合作用产氧之后，行星慢慢氧化，直到能支撑复杂生命。寒武纪大爆发在五到六亿年前，那是一个很稀有的门槛，几乎所有现存的体型设计都诞生在那一小段窗口里。人类可能是又一道更窄的门。

Lex 在这里给了一个很美的反转：如果整个宇宙演化是一场筛选技术的过程，那人类不可能是这个过程中最惊人的产物。大部分宇宙挺无聊的，几块石头在飞，几只猿猴在一个奇怪的星球上录播客。宇宙应该有更高效、更精彩的表达形态。

Shainline 接住了这个球，但他没有把它推向虚无。他看到的是层级。大爆炸初期是等离子体的一团混乱，第一代恒星需要一大堆演化过程才形成，我们需要第三代恒星才有足够的金属。地球生命是这条层级上的一层，而下一层可能正在生长，也许会长出比我们强得多的认知系统，住在太阳能照到的远地之外，用单光子探测器从射电一直看到伽马射线，用巨大的集光镜注视整个宇宙。这样的系统大概也会找点乐子，说不定会创造并维护一个像地球一样的东西来观察。

对话最后落到一句互相致意的话上。Shainline 说 Lex 能在知识栈的所有层级上工作，这是一种分形式的智力。两人都承认，这种跨层级的连接，才是这场对话最有价值的部分。

## 如果你想继续往下走

- 先读 Shainline 那篇《Optoelectronic Intelligence》，它是理解整套思路的入口，把光通信、超导计算和神经形态架构绑在一起讲。
- 关注 NIST 博尔德团队的工作，Shainline、Sae Woo Nam、Sonia Buckley、Jeff Chiles、Adam McCaughan、Bryce Primavera 这些人都在同一张网上，论文会互相引用。
- 别把"四开尔文太冷"当成一句话判决。先算总账：制冷开销、系统规模、单位算力的总功耗，再和室温方案比较。
- 想理解大脑，去读神经科学文献。Shainline 自己的说法是，外行想象中的"我们根本不懂大脑"，和文献里呈现的数学严谨程度之间，差距大得吓人。
- 看硬件性能时，区分单一指标和系统指标。约瑟夫森结的开关速度比晶体管快上百倍，但数字计算机是一门系统生意，制造、封装、缩小尺寸、散热全都算数。
- 对"宇宙里有多少智能文明"这个问题，保持时间窗口的自觉。一个星系里有过多少文明，和此刻同时存在多少文明，是两个完全不同的数。
- 想追宇宙自然选择这条线，读 Lee Smolin 上世纪八十年代末那篇《Did the Universe Evolve?》，再读 Shainline 那篇关于技术筛选的论文，两篇放在一起看，逻辑链才完整。