當電腦學會自己運行：從指令到學習，我們該如何重畫系統設計的邊界？
想像一下，當電腦不再只是被動執行指令，而是能主動學習並模擬整個系統的運行狀態。一篇名為《Neural Computers》的論文，預告了一場計算典範的深層變革。這將徹底顛覆我們對軟硬體、編譯、甚至除錯的傳統認知。本文將深入探討這場變革的深遠影響，並思考身為系統建構者，我們該如何應對與準備。
最近一篇名為《Neural Computers》的論文，提出了一個足以顛覆現有計算模式的概念：讓一個大型神經網路直接學習並模擬電腦的完整運行狀態。我認為，這不只是一個新的機器學習模型，更預示著計算範式的一次根本轉變——從指令驅動（instruction-driven）轉向學習式運行（learning-based operation）。一旦這個方向成真，我們過去數十年來賴以為生的系統設計邊界——包括軟硬體分層、編譯與執行、控制與觀測——都將面臨被徹底重畫的命運。
傳統電腦遵循馮紐曼架構，由中央處理器（CPU）從記憶體中讀取指令並依序執行。我們寫程式、編譯成機器碼，然後交給硬體去忠實地執行任務。然而，這篇於 2026 年 4 月發表的論文所描述的「神經電腦」（Neural Computers, NCs），試圖用一個統一的神經網路來取代這套傳統模式。這個網路的核心任務，是學會「預測」電腦下一步的狀態，例如螢幕上每個像素的變化。它不再執行指令，而是透過學習海量數據，內化了一整個作業系統與應用程式的複雜運行邏輯。
什麼是神經電腦（Neural Computers）？
要理解這個概念，可以將神經電腦想像成一個極其強大的「世界模型」，只不過，它模擬的不是物理法則，而是一台電腦的內部狀態。論文中的初步實作，便將神經電腦訓練成一個視訊模型：輸入是鍵盤、滑鼠訊號以及前一刻的螢幕畫面，輸出的則是下一刻的螢幕畫面。透過這種方式，模型得以學會從使用者輸入到圖形介面反應之間的完整因果鏈。
這個模型的最終目標，是實現一個穩定且可重編程的「可控神經電腦」（Controllable Neural Computer, CNC）。這意味著，我們不僅能讓它模擬現有的軟體，未來甚至可能透過自然語言或範例來「教導」它執行新的任務，徹底繞過傳統的程式開發流程。這讓人聯想到大型語言模型中 Chain-of-Thought Prompting 的概念：我們不再是給予指令，而是引導模型的「思考」過程來達成目標。
這與我們熟悉的作法截然不同。過去，軟體與硬體是明確分工的：
- 傳統電腦：硬體（CPU/GPU）是執行者，軟體（程式碼）是指令集，兩者界線分明。
- 神經電腦：硬體是承載模型的基座，而模型本身（也就是它的權重）既是執行者，也包含了所有運行的邏輯。軟體與硬體的界線在此變得模糊。
為什麼說這是計算典範的轉移？
神經電腦的影響遠不止於執行層面而已，它更挑戰了我們對「計算」這件事的根本假設。過去，我們追求的是確定性與可預測性；然而，一個由學習驅動的系統，其本質卻是機率性的。這將帶來幾個巨大的轉變：
首先，「編譯」的概念將被「學習」取代。開發者不再是將高階語言編譯成機器碼，而是透過提供數據、範例、或目標描述，來「訓練」或「微調」一個神經電腦模型。程式設計的技能樹，也可能從演算法與資料結構，轉向數據工程、模型行為分析與目標函數設計。
其次，軟硬體的界線將徹底模糊化。當一個上兆參數的模型本身就成為了「電腦」時，我們設計硬體的重點，將不再是提升時脈或增加核心數，而是如何更有效率地運行這個龐大的模型。硬體設計將與模型架構的選擇更緊密地耦合。
最後，最為棘手的是，我們將面臨全新的控制與觀測挑戰。你將無法為一個神經電腦設定「中斷點」來檢查變數，也無法輕易追蹤它的執行緒。除錯（Debugging）可能變成一種統計分析，我們必須從大量的輸出中推斷模型的「心智狀態」。這對系統的可靠性與安全性提出了嚴峻的考驗，也讓 NIST AI 風險管理框架這類指導原則的重要性更加凸顯。
我們正在從一個指令明確、執行可預測的確定性世界，走向一個由數據驅動、行為靠引導的機率性世界。這不僅是技術的演進，更是思維模式的革命。
這對系統建構者意味著什麼？
儘管神經電腦目前仍處於非常早期的研究階段（論文發佈的 v2 版本也只是初步成果），但它所指出的方向，卻值得我們深思。作為系統建構者，我們必須開始思考如何應對這種可能性。
在系統設計層面，我們需要從過去的模組化、介面化的傳統思維，轉向更整體的、端到端的學習系統思維。系統的穩定性不再僅僅依賴於程式碼的品質，更將取決於訓練數據的覆蓋範圍與模型的泛化能力。根據 Stanford HAI 的 AI Index 報告，AI 模型的複雜度與能力正以驚人的速度增長，這也為神經電腦的實現提供了堅實的基礎。
對於開發與維運，我們需要新的工具鏈。未來的 IDE，可能更像是一個模型互動與分析平台，而非單純的程式碼編輯器。監控系統則需要能夠解讀模型輸出的語義，而不僅僅是檢查 CPU 或記憶體使用率等傳統指標。整個 MLOps 的概念，也將從「模型開發維運」擴展為「系統開發維運」的範疇。
誠然，這條路還很漫長，通往通用人工智慧（AGI）的挑戰依然巨大，正如 ARC Prize 這類競賽所揭示的，當前 AI 在抽象推理上仍有其極限。然而，神經電腦的概念卻為我們提供了一個截然不同的視角，去看待軟體、硬體與它們之間的關係。計算的本質正在演變，而我們正處於這場變革的開端。我們不能再用舊地圖，去尋找新世界。
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。