超越馮紐曼架構？神經電腦預示的 AI 系統下一步
傳統電腦架構將計算與記憶體分離，長久以來限制了 AI 系統的潛力。但一篇最新研究提出的「神經電腦」概念，試圖透過學習式運行狀態，將計算、記憶與 I/O 徹底統一。這不只是一個理論突破，更可能預示著 AI 系統架構的下一個演化方向，值得我們深入探討。
自從電腦誕生以來，馮紐曼架構（von Neumann architecture）一直是我們理解與建構計算系統的基石。其核心思想是將處理器（CPU）與記憶體（Memory）分開，兩者之間透過匯流排傳遞指令與數據。這個模型雖然無比成功，卻也帶來了根本性的瓶頸：CPU 與記憶體之間的速度差異，嚴重限制了系統的整體效能。尤其在處理大規模、高維度數據的 AI 應用中，這個問題更是日益突出。
我們現有的 AI 代理（Agent）系統，雖然在特定任務上表現出色，但其本質上仍是在馮紐曼架構上運行的軟體。它們透過 API 呼叫、規則匹配或工具使用來與外部世界互動，其「思考」與「記憶」依然是分離的。然而，一篇近期的研究論文，為我們描繪了一個截然不同的未來圖景：神經電腦（Neural Computers）。
我認為，這不只是一個新穎的學術名詞，更可能是一場重塑 AI 系統底層邏輯的典範轉移。它的核心價值，在於徹底拋棄了計算、記憶與 I/O 分離的傳統設計。
何謂神經電腦？統一的學習式運行狀態
神經電腦最根本的革新，在於提出「學習式運行狀態」（Learned Runtime State）這個概念。在這個框架下，計算、記憶與 I/O 不再是三個獨立的模組，而是被統一在一個由神經網路自身學習和維持的動態狀態中。
這意味著什麼？傳統電腦執行任務時，是 CPU 從記憶體中讀取指令和數據，運算後再寫回記憶體。而神經電腦則更像一個生物大腦，其內部的神經元活動本身，既是計算過程，也是資訊的儲存形式。沒有獨立的 RAM 或硬碟，系統的「記憶」就是其當下的「狀態」，而這個狀態會根據新的輸入（I/O）不斷演化，這個演化過程本身就是「計算」。
這種統一的設計，有望從根本上解決馮紐曼瓶頸，讓 AI 系統能以更流暢、更整合的方式感知、推理與行動。
這樣的系統不再需要為外部工具編寫特定的「轉接器」（adapter）或「解析器」（parser）。相反地，系統的狀態能直接與外部世界的變化對齊，實現真正的端到端學習。
從操作痕跡中學習：影片模型驅動的 I/O 對齊
理論很吸引人，但如何實現？該研究提出了一個具體的路徑：利用影片模型，從「操作痕跡」（operational traces）中學習基礎的操作原語（foundational primitives）。
這裡的「操作痕跡」可以理解為系統與外界互動的「錄影」，例如使用者操作軟體的螢幕錄影、機器人與環境互動的視覺記錄，或是系統內部數據流變化的日誌。影片模型透過觀察這些大量的痕跡，自主學習到不同操作會如何改變系統的狀態，以及特定狀態下可以執行哪些操作。
這種方法的巧妙之處在於，它實現了 I/O 對齊，卻完全不需要侵入性地去檢測程式內部的狀態儀器（program state instrumentation）。模型不是透過讀取程式變數來理解狀態，而是像人類觀察者一樣，單純從外部可見的變化（例如螢幕上像素的改變）來推斷和學習系統的運作邏輯。
根據論文揭露的數據，其 2026 年 4 月的版本已經在模擬環境中，展現出基於這種學習方式的短程控制能力。
與現有架構的根本差異
為了更清楚地理解神經電腦的獨特性，我們可以將它與現有的計算範式做個簡單比較：
- 傳統電腦： 依賴人類工程師預先寫好的硬編碼指令（hard-coded instructions）。系統的行為是確定性的，但缺乏靈活性與自主學習能力。
- 現有 AI 代理： 依賴規則匹配或大型語言模型的工具使用能力。它們在學習來的語言空間中進行推理，再將結果映射到一組預設的工具或 API 上。雖然更靈活，但其能力邊界受限於預定義的工具集。
- 神經電腦： 依賴一個統一的學習式狀態。它不區分「推理」和「執行」，而是直接學習世界的動態模型，並在該模型中進行操作。這提供了前所未有的通用性與自適應性。
從系統建構者的角度來看，這意味著我們關注的重點將從「如何設計更好的工具和 API」轉向「如何收集與標註高品質的操作痕跡數據」。數據，尤其是互動過程的痕跡數據，將成為建構下一代 AI 系統的核心資產。
神經電腦的挑戰與未來展望
當然，通往一個完全成熟的神經電腦還有很長的路要走。論文也點出，當前的關鍵瓶頸在於「穩定性」與「符號穩定性」（symbolic stability）——如何確保系統在長時間運行下狀態不漂移？如何讓學習到的操作概念保持一致與可靠？這些都是需要產業界與學術界投入資源優先解決的難題。
對於有志於探索下一代 AI 架構的企業而言，現在就應該開始思考如何建立 I/O 痕跡數據的收集標準，並著手打造針對神經電腦的原型驗證環境。這場關於計算本質的變革，或許才剛剛開始。
延伸閱讀
我是江中喬，一位具有 TPM 與產品管理背景的 AI 系統建構者，目前專注於 AI 認知增強系統與多 Agent 協作架構的設計與實踐。