大脑不是一张画好的电路图，而是一锅始终在沸腾的汤。这篇论文用四个偏微分方程，把"聪明"写成了可以随时间流动的东西。
我们习惯用一个分数衡量智力：智商 120、智商 90。但分数是一张快照，而大脑显然不是静止的——三岁时的你和三十岁时的你，用的是同一颗脑袋，却完全不是同一台机器。
这篇论文提出了一个截然不同的做法：不给智能一个数字，而给它一组方程。它借用了图灵在 1952 年研究斑马纹路时写下的"反应扩散方程"——那套描述化学物质如何一边反应、一边蔓延，最终自发长出花纹的数学。作者认为，智能也是这样长出来的。
在这个视角下，聪明不是一个值，而是一段过程；不是你拥有什么，而是你的神经系统此刻正在如何演化。
论文的第一个判断是：智能不是一个整体，而是四个可以分别测量、也会分别变化的量。它们各自随时间和空间演化，缺一不可。
你的硬件规模。它决定了理论上限——能同时装下多少信息、能处理多复杂的问题。类比到 AI，这是模型的总参数量。
你此刻真正会用的东西。经验、知识、技能都存在连接里。类比到 AI，这是训练完成后的权重与有效激活路径。
你学新东西有多快。这就是突触可塑性，也是创造力的来源——把从未连过的两处连起来。类比 AI 的训练速度。
你反应有多快。取决于髓鞘化程度和神经递质效率，是纯粹的"硬件性能"。类比 AI 的推理延迟。
| 生物大脑 | 人工神经网络 | |
|---|---|---|
| 可调用神经元总量 | → | 总参数量：决定网络的表达能力与问题复杂度上限 |
| 已建立连接总数 | → | 权重 / 有效激活路径：网络的"当前工作模型"，是知识与经验的沉淀 |
| 连接形成速度 | → | 训练速度：对应突触新生的效率，决定适应能力 |
| 信号传导速度 | → | 推理延迟：由底层"硬件"性能决定 |
这张表也解释了作者为什么认为现在的 AI 走偏了：神经网络的参数量与结构在训练结束后就被冻结了，而生物大脑的这四个量，一天都没有停止过变化。
看起来像天书，其实每一项都能翻成大白话。点一下任意一项，下面会告诉你它在说什么。
每一项都对应大脑里一件具体的事。它们合在一起，构成了这个模型对"智能如何随时间变化"的完整描述。
有了四个变量，论文给出了四种"智能"的定义。它们都是积分——意思是：把整个大脑、整段时间里的表现全部累加起来。
容量乘以结构。有多少神经元，又用它们搭起了多少通路——这是"你此刻能想多复杂的事"。
可塑性在时间上的累积。它衡量的不是你现在会什么，而是你还能变成什么。
用更少的神经元、更快地跑通更多连接。分母上的 N 是关键：效率高的大脑，不靠堆料。
四者相乘。乘法意味着任何一项归零，整体就归零——这是模型给出的最锋利的一句话。
下面是这套方程的简化数值解。三个情景都从同一颗二十岁的大脑出发，用同一把纵向标尺画在同一张图上——所以曲线的高低是可以直接比的。切换情景时，灰色虚线会留下"终身学习者"作为参照。
四项指标以"终身学习者"= 100 为基准。这是为帮助理解而做的简化模拟，不代表真实生理数据。
切到"停止学习"，最刺眼的地方是：紫色的 N 和琥珀色的 V 几乎没掉，塌下去的是品红的 C 和青色的 P。硬件还在，神经元还在，反应也不算慢——只是不再造新的连接了，学习速度先一步归零。因为 P 靠 C 的正反馈供养，C 又靠 P 生长，两者手拉手一起下坠。而末尾那个"综合智能指数"是四项相乘：任何一项接近零，整体就接近零。
作者在结论里主动列出了它的短板。这部分反而是全文最值得读的地方。
现在的方程全是线性耦合，但真实神经元是"全有或全无"的——不到阈值就完全不响应，过了阈值就完全放电。突触的生长也存在天花板，不可能无限增加。要更接近生物，需要引入阈值函数与饱和项，类似人工网络里的 Sigmoid 或 ReLU。
大脑只占体重的 2%，却消耗约 20% 的能量。高连接密度和高传导速度都要烧 ATP，而身体的能量预算是有限的。模型里没有这一项，等于假设聪明可以免费。加入代谢成本后，才能模拟真正的取舍：认知性能与生存之间的权衡。
补上这两块，再研究方程在不同边界条件下的稳定性、做数值仿真验证——这是作者给出的后续路线。至于这条路能走多远，就像作者在开篇写的那样：交给时间来判断。
