超越Agent、世界模型，Meta团队提出“神经计算机”

日前，来自 Meta AI 与 KAUST 的研究团队提出了一种新的机器形态：神经计算机。这一概念试图攻克当前 AI 系统在执行层面上的根本性局限：模型与计算环境的分离。

现有的 AI Agent 或世界模型，虽然具备强大的预测与规划能力，但核心的执行状态仍需依赖外部的操作系统、解释器或模拟器来承载，这导致模型的计算能力被外部环境所束缚。

神经计算机旨在突破这一局限，它不再将模型作为外部工具的调用层，而是通过将计算、内存和 I/O 统一在神经网络内部的单一运行时状态中，使模型本身直接成为一台可运行的计算机。

论文链接：https://arxiv.org/abs/2604.06425

为什么需要神经计算机？

在当前的计算机体系结构中，传统计算机依赖计算、内存与输入输出三项功能的物理分离，通过显式编写的程序指令来完成执行过程。AI Agent 则将习得模型置于外部软件环境之上，通过操作现有界面或调用接口来达成任务目标，但模型本身并不承载可执行状态，任务的进展与结果仍由操作系统或应用程序维护。世界模型虽然能够学习并预测环境动态的变化趋势，其关注点在于对环境未来状态的估计，而非将模型自身作为执行计算的载体。

这三类系统存在共同的局限，即可执行状态始终存在于模型之外。正是针对这一架构层面的空白，神经计算机的概念被提出，其目标是将计算、内存与输入输出统一在模型内部的单一运行时状态中，使模型自身承担起运行中的计算机这一角色。

迈向完全神经计算机

神经计算机的核心在于提出了一种全新的抽象概念：将计算、内存与输入输出（I/O）统一整合到一个习得的潜空间运行时状态中。这一主张的目标是从根本上改变架构，让模型本身成为那台正在运行的计算机。

当前，基于命令行界面和图形界面的的 NC 原型已经初步验证了这一路径的可行性，成功实现了 I/O 对齐、短时程控制以及可测量的界面保真度，但这距离真正的通用计算机仍存在显著差距，因为目前尚未掌握例程复用、通用执行能力以及行为一致性。

与传统计算机相比，二者的根本区别体现在架构与编程方式上。在架构层面，传统计算机实例化局部的、组合的符号语义，而神经计算机实现整体的、分布式的数值语义。在编程层面，传统计算机的语言语义由人类显式设计，而神经计算机的语义是从数据中习得的用户输入序列的含义。

作为这一概念的长期目标，完全神经计算机（CNC）是神经计算机的成熟形态，它必须满足图灵完备、通用可编程、行为一致性以及拥有机器原生语义这四个严苛条件。

图 | 四项完全神经计算机要求的操作解读。

为了明确 NC 在计算图谱中的独特位置，研究团队将其与其他系统对象进行对比：传统计算机执行显式程序，AI Agent 操作外部执行环境，世界模型仅负责预测环境动态，而神经计算机的独特之处在于它直接将运行时本身视为一台计算机。

图 | 在共同系统层级上对四个系统对象进行比较。

从当前的 NC 原型迈向 CNC，研究团队规划了一份关键的技术路线图，旨在通过实现无界的有效内存来突破上下文窗口限制。需要构建可组合与可复用的组合式神经程序，并在架构层面明确区分推理执行与参数更新以分离“运行”与“更新”，同时坚持以交互I/O轨迹为主要训练数据，让系统通过真实交互习得底层的计算逻辑。

图 | 人类与计算机的关系经历了从传统计算机、Agent 时代到神经计算机的演变历程。

传统计算机被直接使用；在当今的 Agent 架构中，Agent 负责协调现有计算机资源，而世界模型则作为并行预测层；神经计算机（NCs）致力于将这些分散功能整合到单一学习运行环境中。从这个意义上说，神经计算机的开发动机并非来自外部取代现有架构，而是通过将分散功能内化于单一学习机器中实现统一。完全神经计算机（CNC）正是这种机器形态的成熟通用化实现形式。

讨论与展望

尽管当前神经计算机原型已经展现出初步的运行时能力，但要走向实用化仍面临诸多挑战，其中最显著的局限在于模型在稳定复用性、符号可靠性及运行时治理机制方面的表现尚未成熟，这些能力的缺失限制了其从孤立的演示迈向真正的可用运行时系统。

为了实现完全神经计算机的愿景，研究团队绘制了涵盖效率、计算与推理、内存与存储、I/O与控制、工具桥接、条件驱动的泛化、可编程性和工件生成等维度的详细路线图。

神经计算机的发展进程不仅取决于更完善的理论模型，更关键在于复用性、一致性及治理机制能否实现持续验证。若这些技术壁垒持续突破，神经计算机将不再局限于孤立实验案例，而有望成为下一代计算机的理想候选形态。

本文来自微信公众号 “学术头条”（ID：SciTouTiao），作者：学术头条，36氪经授权发布。