一位曾担任Internet Explorer核心开发者，后来又长期钻研神经运动接口（利用肌肉信号实现对计算机的控制），创办CTRL-Labs的创业者，在离开Meta后创立了一家神经AI公司。
这家公司叫Flourish，它试图解决当前AI面临的两大挑战：能效和持续学习。它的目标是打造一套合成智能系统，使其在功耗不足50瓦的情况下，达到接近人脑的智能水平。
这家公司近期获得了5亿美元融资，估值达到25亿美元。据《连线》报道，约五分之一的资金来自亚马逊创始人Jeff Bezos，其余出资方包括GV、Lux Capital以及专注医疗健康领域的基金Catalio。
Flourish试图在模型规模之外重新思考AI系统本身：能否用更低能耗、更少数据和更强持续学习能力，让智能系统在更小设备和更多环境中运行。
Flourish想用神经科学重做AI的学习方式
Flourish由Rob Williams与Thomas Reardon共同创立。前者曾是亚马逊核心高管团队S-team的成员，负责Alexa等产品；后者早年参与Internet Explorer开发，后来转向神经科学，并创办过神经接口公司CTRL-labs。
Flourish的核心团队和投资人， 图 片 来源：wired，由 LANNA APISUKH拍摄
Reardon的职业起点很早，他以青少年程序员身份被招募参与微软浏览器Internet Explorer的开发，是IE的核心贡献者。之后，他在哥伦比亚大学学习古典学，后又转向神经科学，并在哥大获得神经科学博士学位，研究方向涉及周围运动神经元。
此后，他长期在神经科学和计算系统的交叉部分耕耘。2015年前后，他联合创立CTRL-labs，将神经科学研究推向人机交互场景。CTRL-labs关注人和机器之间的输入输出不平衡：机器可以高带宽向人输入信息，但人回传给机器仍主要依赖语言、键盘、鼠标或手势，效率被身体运动拖慢。
CTRL-labs选择非侵入式神经接口，通过佩戴在手腕上的设备，使用肌电图（EMG）捕捉肌肉对神经输入的电生理反应。当人准备按下按钮时，相关神经信号会在机械动作完成前约100到140毫秒出现，机器由此可以提前识别人的运动意图。
2019年，Meta以约5亿美元价格收购CTRL-labs；此后，Reardon在Meta Reality Labs牵头神经运动接口研究，CTRL-labs的技术也成为Meta Neural Band的底层基础，被用于通过手势控制智能眼镜。
Reardon后来提到，CTRL-labs并不依赖单一机器学习方法，而是综合使用特征表示学习、强化学习、循环神经网络和Transformer等技术。他更关注模型如何在实时交互中持续适应用户，并提出“协同适应”：机器学习人，人也调整自己激活神经信号的方式。从CTRL-labs到Flourish，Reardon的研究对象从神经系统输出，转向大脑和神经系统本身。
除两位创始人外，Flourish早期团队还包括长期在DeepMind担任研究员的Greg Wayne。截至今年三月底，公司已招募约二十位神经科学家和AI研究人员。
打造一个运行功率50 瓦及以下的合成人工智能大脑
当前AI系统运行极度依赖海量算力、能源和训练数据，电网容量、散热需求以及不断攀升的成本等制约因素，正在成为AI行业继续扩张的现实约束。
Flourish的解法是直接提升AI系统自身的能效，它放弃一味扩大现有大语言模型规模的路线，计划将神经科学研究与AI开发相结合，以揭示让人脑具备极高能效的生物学原理。
Flourish目前的重点研究领域之一是皮层柱（cortical columns）。这种大脑皮层中的组织结构被认为在信息处理中发挥着关键作用，一位Flourish科学家将其称作大脑的“标准计算单元”。
此外，创始人Reardon还表示，他们正在开发一种受海马体启发的内存处理机制，该机制将使公司的模型无需海量训练数据即可学习。
Flourish正在构建Cortex AI，它是一个旨在与人脑计算能力、学习效率和功耗预算相匹配的合成智能系统。它可以被看成“一个运行功率在50瓦及以下的合成人工智能大脑”。它的开发目标是能适应环境，像人脑一样敏捷，而消耗的算力和能源只是大语言模型的一小部分。
Reardon表示，Flourish正在与一家大型芯片制造商谈判，试图将该系统落实到芯片上。
在基础研究层面，Flourish团队正在讨论多项潜在实验，涉及鸟类鸣唱神经机制，以及分子、突触、细胞和回路等不同尺度的数据采集。其计算神经科学家Sean Bittner表示，团队希望在纳米、微观和介观尺度上收集数据，以支持对智能“核心算法”的发现。
尽管Flourish的产品形态还不清晰，但它正在搭建一条从神经科学实验走向AI系统工程化的路径：先从皮层柱、海马体等大脑机制中寻找线索，再尝试将其转化为能够持续学习、低功耗运行的模型架构。
在功耗和成本限制下，AI需要一条新的效率曲线
人脑处理信息的功耗约为20瓦，而AI训练集群中单块芯片的能耗就超过这一数字的30倍。大模型需要巨量芯片、电力和数据，但训练完成后通常仍是静态系统，难以持续学习。
Flourish之外，已有多家公司在寻找新的AI实现方式。在继续扩大模型、数据和算力之外，它们分别从低功耗、持续学习、模型架构和计算基底等方向展开探索，试图为AI找到一条不同于单纯堆资源的效率曲线。
这种探索一方面出现在生物学能效方向。Unconventional AI希望构建新的智能计算基底，以接近生物系统的能效；Cortical Labs则将实验室培养的神经元与硅芯片结合，探索biological computing。
类似的变化，也出现在神经科学与AI的融合方向。Merge Labs关注脑机接口，试图通过生物学、设备和AI的结合，建立更高带宽、更安全的人脑交互方式。
在生物学路径之外，模型架构和计算基础设施也构成了另一条效率探索。Cartesia 基于State Space Models构建实时、多模态模型，强调低延迟、长上下文和端侧部署；Groq、Cerebras、Etched等公司则分别从推理芯片、晶圆级芯片和专用ASIC切入，改善AI系统的吞吐、延迟、能耗和计算成本。
这些公司路径不同，但共同指向一个变化：AI行业的探索已经不只停留在扩大模型、数据和算力上，新的模型架构、计算基底、硬件系统和生物学启发路线，正在把技术竞争推向新的效率问题，即智能系统如何用更低能耗、更少数据和更低成本持续学习、适应环境。
一旦这些问题有新的解法，机器人、可穿戴设备和端侧智能等物理世界场景，也可能获得新的效率曲线。
本文来自微信公众号 “阿尔法公社”（ID：alphastartups），作者：发现非凡创业者的，36氪经授权发布。
