当Bezos同时押注Transformer和脑启发AI：Flourish 5亿美元融资背后的「架构对冲」逻辑

2026年6月5日，Crunchbase发布了本周全球最大融资榜单，第2名是一家几乎没有人听说过的公司——Flourish，5亿美元，初始轮，研发方向是「受人类大脑启发的AI模型」。投资方是Jeff Bezos个人、Lux Capital和Google Ventures。

这条新闻在AI圈几乎没有激起任何浪花。同一天，人们在讨论Broadcom的财报指引miss引发半导体板块蒸发超过1万亿美元市值，在转发Challenger报告关于AI成为裁员首因的惊人数据，在分析Salesforce与FIFA世界杯的合作能否证明企业AI的商业价值。

Flourish的5亿美元，就这样被淹没在信息洪流里了。

但如果你仔细看这笔融资的细节，会发现一个令人不安的信号：Jeff Bezos在同一时间，既持有Anthropic的股份（那是一家All-in Transformer路线的公司，估值超过400亿美元），又向Flourish投了钱。

这不是普通的分散风险。这是一个关于「Transformer架构是否会被颠覆」的明确押注。而Bezos站在了两条路的交叉口。

最聪明的赌注，从来都不是押注必然会赢的那一边，而是在还没有人敢下注的时候，买到足够早的入场券。这篇文章试图理解，Flourish的5亿美元，究竟买的是什么。

7年的垄断统治与一个悬而未决的问题

要理解这笔融资的意义，我们需要先理解Transformer是什么，以及它统治了多少年。

2017年6月，Google Brain和Google Research的8位工程师在arXiv上发表了一篇论文，标题是《Attention Is All You Need》（注意力机制就是一切）。在那之前，AI领域处理序列数据（文字、语音、时间序列）的主流是循环神经网络（RNN）和长短期记忆网络（LSTM）。这类架构的问题是训练效率低——因为序列必须按顺序处理，无法充分并行，限制了模型规模的上限。

Transformer彻底改变了这个局面。它用「注意力机制」取代了顺序处理——模型在处理每一个词时，可以同时关注输入序列中的所有其他词，这使得在GPU上大规模并行训练成为可能。从此，深度学习进入了「大力出奇迹」的时代：更多参数、更多数据、更多算力，模型能力几乎线性提升。

GPT-1（2018），BERT（2018），GPT-2（2019），GPT-3（2020），ChatGPT（2022），GPT-4（2023），Claude（2022至今），Gemini（2023至今），Llama系列（2023至今）——如今几乎所有叫得上名字的大语言模型，底层架构都是Transformer或其变体。这7年里，Transformer的垄断是近乎绝对的。

但垄断的背后，始终有一个问题没有消失：这是计算的正确方式吗？

人类的大脑有860亿个神经元，每秒进行大约100万亿次突触操作（来源：Frontiers in Computational Neuroscience, Azevedo et al. 2009 的神经元估算和后续神经科学研究），功耗大约20瓦特——相当于一个普通灯泡的亮度。这个能效水平，任何现有AI系统都望尘莫及。

训练GPT-4消耗的电力约为5,000兆瓦时（来源：Goldman Sachs Research, 2024年AI能耗分析报告），相当于一万个美国普通家庭一年的用电量。即使是在推理阶段（即用户提问、模型回答），每次调用都需要在配备数千个GPU的数据中心里运行，成本以分计、电力以千瓦时计。

更根本的差距是在「学习效率」上。一个典型的大语言模型需要在数万亿个token上进行预训练才能获得基本的语言能力。一个3岁的孩子接触的语言数据量比这小几个数量级，却能理解语境、推断意图、识别类比——这种泛化能力，在Transformer框架里没有清晰的实现路径。

大脑的工作方式与Transformer截然不同。Transformer的注意力机制在处理长序列时计算复杂度是O(n²)，意味着随着输入长度增加，计算量以平方速度增长；大脑是稀疏激活的，大多数神经元在大多数时刻都是静默的，信号以离散的脉冲（spike）而非连续的数值传递。大脑可以在单次经历后学会新事物（所谓的「一次学习」，One-shot Learning），而Transformer需要大量样本。

这个能效和学习效率的巨大差距，是「脑启发AI」这个研究方向存在的根本理由。

Flourish和5亿美元的押注

关于Flourish这家公司，目前的公开信息极度稀少。没有官方网站，没有创始人的公开介绍，没有技术白皮书，没有演示视频，没有任何产品细节。Crunchbase的条目只有几行字：纽约市，成立时间近期，方向是「受人类大脑启发的AI模型」。

这种高度保密本身就是一个信号——它暗示这不是一家做应用层产品的创业公司，而是在研发真正基础性的技术，尚未准备好接受公众审视。

投资方的组合更值得研究。

Jeff Bezos作为个人投资人，他的组合是一份「大胆技术赌注」的清单：Helion（核聚变能源），Altos Labs（细胞重编程和老龄化研究），General Fusion（另一家核聚变公司），以及Anthropic（大语言模型）。Bezos的个人投资逻辑是押注「如果成真，会改变文明」的技术方向，而不是寻找短期回报。现在把Flourish加入这个清单，意味着在他眼中，脑启发AI有改变AI基础架构的潜力。

Lux Capital以「押注不可能的事情」著称。他们是Rigetti Computing（量子计算）、Commonwealth Fusion Systems（核聚变）、Gingko Bioworks（合成生物学）的早期投资人。Lux的投资逻辑是：在科学上存在但工程上还没实现的领域，寻找那个「拐点」刚刚出现的时机。他们不投「明显可行」的事情，而投「需要10年才能证明自己正确」的事情。

Google Ventures（GV）是Alphabet旗下的独立风险投资基金，在技术投资上倾向于有深厚科学基础的方向。他们投过Slack、DocuSign、Flatiron Health——既有商业直觉，也有技术判断力。GV参与Flourish，可以合理解读为：Alphabet在内部全力押注Transformer（Gemini、TPU）的同时，用投资部门在体制外探索替代路线，作为战略对冲。

这三方联合投入5亿美元，给一家连产品都没有公开发布的公司，说明他们看到的不是一个创业机会，而是一个可能颠覆基础架构的技术转折点的早期买入信号。

失败的历史：为什么之前没有成功

脑启发AI不是新概念。这个领域有过两次最受瞩目的工业级尝试，但都没有形成主流。

IBM TrueNorth（2014）：IBM研制了一款神经形态芯片，包含100万个数字神经元和2.56亿个突触，芯片功耗仅70毫瓦（来源：IBM Research, “A Million Spiking-Neuron Integrated Circuit with a Scalable Communication Network”, Science 2014）——比同等计算能力的传统处理器低了几个数量级。技术数据令人印象深刻，DARPA为这个项目拨款超过5000万美元。但问题是：TrueNorth适合运行专门针对神经形态硬件设计的稀疏神经网络，而不能直接运行TensorFlow或PyTorch训练的模型。这意味着使用它需要重写几乎所有的软件工具链，开发者社区没有动力这么做。最终，TrueNorth停留在研究阶段，没有形成商业产品。

Intel Loihi（2017年首代，2021年Loihi 2升级版）：Intel把神经形态计算作为未来计算架构的重要探索方向，持续投入研发。Loihi 2声称在某些AI任务上比GPU能效高100倍，Intel的研究团队用它展示了嗅觉感知、在线学习、约束优化等多个原型应用。但同样的问题：与主流深度学习框架不兼容，开发者工具链不成熟，适用场景受限于边缘实时推理，无法用于训练大规模模型。Loihi更多地作为研究平台存在，而不是商业产品。

这两次尝试揭示了脑启发计算的核心困境：技术原理上确实有独特优势（能效、实时学习、稀疏激活），但这些优势在当前主流AI应用场景中还没有形成决定性的竞争力。当Transformer通过堆算力就能解决绝大多数问题的时候，没有足够的理由让开发者和企业转向一个需要重写整个技术栈的新范式。

所以一个关键问题是：2026年有什么不同了？

为什么现在值得重新审视

有三个背景变化，使得脑启发AI在2026年的处境与2014年或2017年有本质不同。

第一，能源问题从技术话题变成了政治和经济危机。

AI数据中心的电力需求正在引发系统性问题。微软、Google、亚马逊都在寻找小型模块化反应堆（SMR）和核电协议来供应AI训练所需的电力——微软与Constellation Energy签署了核能购买协议，Google与Kairos Power签署了核能合同，亚马逊AWS与X-energy达成了类似安排。这不是未来的担忧，而是当下的紧迫需求。

如果能找到一种方式让AI计算本身更省电——比如用脑启发架构在推理阶段实现比Transformer低100倍的能耗——其价值将远超单纯的技术优越性。对于每年在AI基础设施上支出数百亿美元的超大规模云厂商，哪怕能效提升30%，也意味着几十亿美元的年度成本节约。

第二，Scaling Law的边际效应正在显现。

从GPT-3到GPT-4，模型能力的飞跃是有目共睹的。但在GPT-4之后，业界越来越多地听到一种声音：「继续增大参数、增加数据，带来的收益在递减。」合成数据的质量问题，互联网文本数据的耗尽威胁，推理计算成本的指数增长——这些迹象都在暗示，纯粹依靠扩展Transformer规模的路线，正在接近某种边界。

这不意味着Transformer会突然失效，但它在拓展新能力边界时的效率，可能正在下降。而脑启发架构的核心优势——高效的持续学习（不需要每次都重训练）、低功耗的实时适应、在小数据上的泛化能力——恰好是Transformer最薄弱的几个维度。

第三，底层技术基础已经有了新的进展。

过去几年，学术界在几个方向上取得了真实的进步：

  • SNN训练突破：脉冲神经网络（Spiking Neural Networks, SNN）长期的核心问题是不可微分（神经元的脉冲激活函数在数学上不连续，无法直接用反向传播训练），这限制了SNN的规模化。2022-2024年，「替代梯度」（Surrogate Gradient）方法的改进和基于STDP（Spike-Timing-Dependent Plasticity）的在线学习算法的实用化，使得SNN在特定任务上的性能开始接近ANN（人工神经网络）基线，同时维持10-100倍的能效优势（来源：多项NeurIPS/ICLR 2023-2024发表研究）。
  • 类脑芯片新进展：2024年，英特尔Loihi 2支持的Intel Neuromorphic Research Community报告了在机器人感知和稀疏自然语言理解任务上的新基准，能效比GPU版本高出76倍；Intel同期宣布Hala Point系统——140万个Loihi 2神经元、在2300万个参数的生物规模网络上实现实时运行（来源：Intel Labs, “Hala Point: A Neuromorphic System for Large-Scale AI”, IEEE Spectrum 2024）。
  • 预测编码的复兴：Jeff Hawkins（Numenta创始人、《千脑智能》作者）的预测编码框架在被长期边缘化后，正在被重新审视。来自Anthropic、DeepMind的部分研究者发表了将预测编码与Transformer混合的理论框架，这类方向可能代表了真正的「范式融合」而非简单替代。

这些进步不足以让脑启发AI明天就取代Transformer，但它们可能刚好把某些应用场景的可行性门槛跨过去了——尤其是在持续学习的边缘Agent、低功耗可穿戴设备、需要实时适应的机器人系统等方向。

Flourish拿到这笔钱，很可能不只是因为方向好，而是因为他们在上述某个维度有了具体的技术进展，让Bezos、Lux和GV相信「这次真的不一样了」。而这3个投资方都有深度技术背景（Lux Capital有博士级别的技术合伙人，GV有完整的技术尽职调查团队），不太可能只是被方向的宏大叙事打动。

Bezos的双重对冲：投资逻辑解析

Jeff Bezos同时押注Anthropic（Transformer路线的代表）和Flourish（脑启发AI），表面上看是矛盾的，但从投资逻辑上来说，是完全理性的。

最直接的解释是技术路线对冲：Bezos不知道10年后哪种架构会占主导，所以在两条路上都建立头寸。如果Transformer继续统治，Anthropic的回报足以弥补Flourish可能的损失；如果脑启发AI在某些重要场景实现突破，Flourish的回报可能是天文数字级别的。

但更深层的逻辑是战略期权购买。在充满技术不确定性的赛道，提前布局替代方案是顶级投资人的标准操作。Bezos投资Helion（核聚变）的时候，他并不确定核聚变会在他有生之年实现商业化；他投资Altos Labs（老龄化研究）的时候，细胞重编程距离临床应用还很遥远。这些投资买的不是产品，是「如果技术路线成立，早期参与者的超额回报」。Flourish的5亿美元同理——它购买的是AI基础架构下一次大变革的早期参与权。

Google Ventures的角色更值得玩味。Alphabet是Transformer技术的最大受益者和推动者之一——Gemini是核心AI产品，TPU是专门为Transformer优化的AI加速芯片，整个AI基础设施战略都建立在Transformer路线上。在这种情况下，GV投资Flourish，有几种可能的解读：

  1. 真正的技术多元化探索：Google内部知道Transformer的局限，在核心业务体系外探索潜在替代方案，避免在技术变革时被颠覆。
  2. 控制性投资：通过投资，提前与潜在颠覆者建立关系，有机会影响技术方向或在必要时进行收购。
  3. 纯财务回报：GV有独立的投资决策框架，这只是一笔看好财务回报的投资，不代表Alphabet战略层面的立场。

历史上，大公司通过投资部门押注「颠覆自己的技术」的案例不罕见。最知名的失败案例是柯达——他们在1975年就研发了世界上第一台数码相机，但选择不推进，因为怕颠覆胶片业务，最终被数字影像革命淘汰。Google选择通过GV投资Flourish，至少是在避免成为「看着颠覆者融资但选择忽视」的那个角色。

数字背后的「超级星期三」：Flourish在什么样的资本环境中诞生

值得把Flourish的融资放在本周整体融资背景中来理解。2026年6月第一周，Crunchbase记录的前10大融资轮总额超过40亿美元：

  • 第1名：Ramp，7.5亿美元，金融软件，估值440亿美元——企业SaaS在AI时代的幸存者正在越来越昂贵
  • 并列第2名：Impulse Space，5亿美元，太空推进系统——马斯克之后的第二波太空经济
  • 并列第2名：Supabase，5亿美元，开源AI开发平台，估值105亿美元——开发者工具的独立平台化
  • 并列第2名：Flourish，5亿美元，脑启发AI基础模型——唯一的基础模型方向超大轮次
  • 第4名：Helion，4.65亿美元，核聚变——Jeff Bezos同时也是这家公司的投资人
  • 第5名：NewLimit，4.35亿美元，抗衰老药物——Brian Armstrong联合创办

这个榜单本身是一个截面：2026年的资本，正在越来越向「基础设施」和「深层科学」倾斜，而不只是应用层。Ramp是企业软件基础设施，Supabase是开发者基础设施，Helion是能源基础设施，Flourish是AI计算基础设施。

最引人注意的是：本周前10大融资里，没有一笔是传统意义上的LLM应用公司——没有新的AI助手、AI写作工具、AI客服产品。资本最大的票，已经不再流向应用层。

这种资本重心的转移有其内在逻辑。应用层的竞争越来越难以建立护城河——Claude可以做到的事，GPT-4也可以做到，Gemini也可以做到，而且底层模型能力的差距正在缩小，API价格正在下降。基础架构层则不同：如果你发明了新一代AI芯片，或者发现了比Transformer更高效的基础架构，那个护城河可能是10年级别的。

Flourish的5亿美元，是这种资本逻辑最极端的表达。

反驳视角：为什么多数人认为Transformer不会被取代

在进一步分析之前，有必要认真呈现怀疑者的观点——这是理性讨论不能跳过的一步。

技术惯性极强。软件生态是计算机技术最强大的护城河。今天数百万开发者用TensorFlow、PyTorch、JAX训练模型，所有的工具链、库、部署框架都针对Transformer优化。即使脑启发AI在某些技术指标上超过Transformer，要让整个生态系统迁移，需要的不是几年，可能是几十年。冯·诺依曼架构至今仍是绝大多数计算的基础，尽管神经形态芯片的研究已经进行了30多年。

Transformer的适应性被低估了。过去几年，研究者不断在Transformer架构本身上进行改进：Flash Attention将注意力计算加速3-8倍，Mixture of Experts（MoE）通过稀疏激活大幅提升参数效率，State Space Models（如Mamba）被整合进混合架构。Transformer可能不会被「取代」，而是会被「扩展」——吸收其他范式的优点，同时保持与现有生态的兼容。

脑启发AI的历史失败记录清晰。如上所述，IBM TrueNorth和Intel Loihi都没有走向商业化主流。学术界关于脑启发计算的研究已经持续数十年，每隔几年都会有「这次真的要突破了」的声音，但每次都在「最后一公里」卡住——通常是因为找不到能被主流开发者接受的编程模型，或者找不到足够大的杀手级应用场景。

5亿美元的估值基础是什么？ 对于一家没有公开产品、没有客户、没有收入的公司，5亿美元的初始融资意味着什么样的估值倍数？这笔钱可能有很大比例是用于长期研究，而不是短期产品开发——换句话说，这更像是一笔研发资助，而不是传统意义上的风险投资。但如果是这样，那么「5亿美元对脑启发AI的意义」可能被外界解读过度了。

这些反驳都是严肃的。Flourish极有可能会成为一家研究很有价值、但商业化很难的公司。

当前AI架构竞争的完整图景

把Flourish放在更广泛的背景里看，会发现2026年的AI架构竞争比任何时候都更丰富。

Mamba和State Space Models（SSM）：这是近两年最受学术界关注的Transformer替代方案。Mamba由Albert Gu和Tri Dao在2023年提出，用线性递推代替二次注意力，在长序列任务上效率显著提升。AI21 Labs已经发布了Jamba——将Transformer和Mamba混合的架构，在某些基准测试上表现出竞争力。这条路线与Transformer的差距不是「范式」之别，而是「机制」之别，迁移成本相对较低。

液态神经网络（Liquid Neural Networks）：MIT的Ramin Hasani团队受线虫（C. elegans）神经系统启发，开发了一种以极少数神经元实现复杂动态控制的网络架构。MIT Csail与国防部DARPA合作，在无人机自主飞行控制上展示了在分布偏移（Domain Shift）场景下优于Transformer的泛化能力。这类网络特别适合需要连续决策的控制类任务，但在语言、视觉等大规模感知任务上暂无竞争力。

神经符号AI（Neuro-Symbolic AI）：将深度学习的感知能力与符号推理的逻辑能力结合，IBM、MIT CSAIL、DeepMind的部分团队都在探索这个方向。这类系统在需要严格逻辑推理和可解释性的场景（如法律、医疗、合规）有独特价值，但将两种范式有效融合在技术上极具挑战性。

物理启发的神经网络：利用物理系统（如光子、机械振动、模拟电路）直接进行神经网络计算，功耗极低，速度极快，但精度控制和可编程性是核心难题。这个方向距离商业化更远。

Flourish代表的脑启发AI是这场竞争中赌注最大、方向最激进的一条路线。5亿美元的初始融资，说明至少有三个顶级投资方认为这条路线在2026年有了新的可行性窗口。

这意味着什么：给不同读者的不同启示

对于AI开发者和工程师：短期内（1-3年），你的技能和工具链不会因为Flourish这笔融资而有任何变化。Transformer仍然是你需要掌握的核心技术。

但如果你对架构方向感兴趣，有一个具体的跟踪建议：关注NeurIPS、ICLR、ICML的脑启发AI/神经形态计算方向。过去3年，这些顶会的相关论文数量每年增长超过40%，接受率明显提升——这是科学界开始认真对待这个方向的早期信号，往往比产业界的大额融资更先出现。当「在顶会发表可靠结果」和「有大额融资」两个信号同时出现，通常距离「第一个实际产品」已经不远了。

对于AI创业者：一个值得思考的问题是：哪些应用场景对能效、持续学习、低延迟学习特别敏感？如果你的产品需要在边缘设备上运行、需要在没有大量标注数据的情况下学习、需要实时适应变化——这些可能是脑启发AI未来的突破口，也可能是下一波架构变革最早出现商业价值的地方。在Transformer供应过剩、API价格持续下降的今天，寻找Transformer做不好的那些场景，反而可能是创业者找到差异化优势的路径。

对于企业AI决策者：这笔融资不需要你今天做任何改变。但它揭示了一个隐患：当前几乎所有的企业AI策略都建立在Transformer是永久胜利者的假设上——从模型选型到API集成，从供应商谈判到技术团队建设，都是Transformer生态的深度绑定。如果5-10年后某种替代架构在边缘计算、实时Agent或低功耗嵌入式AI领域找到突破口，那些对Transformer深度绑定的企业将面临比想象中更高的迁移成本。

现实的建议是：在战略层面保持技术架构的认知开放性，不要把「当前最优」等同于「永久最优」；在技术选型时，优先考虑有抽象层和接口标准的方案，而不是直接与底层模型架构耦合（这也是MCP协议、标准化API的价值所在——它们创造了架构替换的可能性）。

对于投资界：Bezos+Lux+GV在没有任何公开产品的情况下给出5亿美元，这种行为本身是一个信号放大器。当最聪明的投资人开始在某个方向上下大注，即使理由尚不透明，也值得认真研究为什么。下一个12个月里，脑启发AI领域很可能会出现更多重要的融资和技术发布。这也意味着，如果你在投资或关注AI基础设施方向，现在是开始建立对这个领域理解的时候，而不是等到下一个大融资出现时再去追赶背景。

结尾：Bezos的两条路

历史上的架构变迁告诉我们，颠覆通常不是以正面竞争的方式发生的——新架构往往先在一个「够用就行」的边缘场景证明自己，然后通过持续改进，慢慢扩展到核心场景，直到某天人们发现，旧架构已经被绕过去了。

Transformer可能不会被Flourish的脑启发AI「打败」。但它可能会在某些场景被慢慢边缘化，就像如今人们不会用乘法表来做大数运算，尽管乘法表本身并没有消失。

Jeff Bezos同时站在两条路上，不是因为他不知道哪条路是对的，而是因为他知道没有人知道哪条路是对的。这或许是2026年AI架构竞争最真实的写照：不是一条笔直的跑道，而是一片我们仍在摸索中的丛林，所有人都在用不同的策略押注自己认为最可能的方向。

Flourish的5亿美元，买到了一个重要的位置。

当然，这个位置可能一文不值——如果Transformer的改进速度快到替代方案永远追不上，如果脑启发AI的技术突破再次在「最后一公里」卡住，如果Flourish的团队无法从原理可行走到工程可交付。历史上，有无数技术公司拿到了大量资金，最终在「改变世界」的宣言里悄然消失。5亿美元是一个大数字，但在AI基础研究的时间尺度上，可能只是开始的资本。

但有一点值得注意：2024年，人工智能领域风险最高的投资是Anthropic的一轮融资——40亿美元，给一家只有系统提示词和数十人团队的公司。那次投资在当时也被很多人质疑。

我们可以对Flourish抱有类似的怀疑。但我们也应该认真想一想：哪些顶级投资人看到了什么，才会在没有公开产品、没有收入、没有更多信息的情况下，联合给出5亿美元的初始轮融资。

Bezos的双重押注告诉我们，他认为答案不是「Transformer一定会赢」，而是「我们还不知道答案」。在AI架构的竞争中，这可能是2026年最诚实的判断。

参考资料

  1. The Week’s 10 Biggest Funding Rounds: Megarounds Proliferate, Led By Enterprise Software, AI, And Space Tech
    来源: Crunchbase News
    日期: 2026-06-05
    链接: https://news.crunchbase.com/venture/biggest-funding-rounds-june-5-2026/

  2. Attention Is All You Need
    来源: arXiv（Vaswani et al., Google Brain/Google Research）
    日期: 2017-06-12
    链接: https://arxiv.org/abs/1706.03762

  3. Intel Neuromorphic Computing Research – Loihi 2 & Hala Point
    来源: Intel Research / Intel Labs
    日期: 2024-04
    链接: https://www.intel.com/content/www/us/en/research/neuromorphic-computing.html

  4. A Million Spiking-Neuron Integrated Circuit with a Scalable Communication Network and Interface
    来源: Science（Merolla et al., IBM Research）
    日期: 2014-08-08
    链接: https://www.science.org/doi/10.1126/science.1254642