Meta和KAIST研究者发表的这篇《神经计算机》（Neural Computers）论文则指向一个更根本的问题：未来的计算机可能根本不是我们今天理解的样子

我们对「计算机」的理解已经稳定了七十年。

硬件提供计算资源，操作系统调度资源，应用程序运行在操作系统之上，用户操作应用程序。这个分层是如此基础，以至于我们根本不会去质疑它——就像不会去质疑文字要印在纸上。

Meta 和 KAIST 研究者发表的这篇《神经计算机》（Neural Computers）论文，正在质疑这个分层本身。

它提出的是什么

论文的核心命题：用一个巨大的神经网络完全取代传统计算机架构。

不是「在计算机上跑一个更强的 AI」，而是「AI 本身就是计算机」。

具体地说：计算、内存、输入输出，这三件传统上由不同硬件和软件层分别承担的事，在神经计算机里统一到了一个学习系统里。没有操作系统，没有调度层，没有文件系统。只有一个「学出来的运行时状态」充当计算机本身。

用户对它下达自然语言指令，它给出结果。中间没有你今天理解意义上的任何层级。

软件活在哪里

传统计算机里，软件是代码——存在文件里、加载进内存、被处理器执行。

神经计算机里没有这个概念。软件直接活在神经网络的权重里。

这不是比喻，是架构描述。程序不是被执行的指令序列，而是网络在训练过程中学会的行为模式，固化在参数里，通过推理被激活。

这意味着：「安装软件」这件事在概念上消失了。「运行程序」这件事也发生了根本变化——你不是启动一个进程，而是向一个状态提出一个意图。

他们做出了什么

研究团队目前只有两个原型，都处于初步验证阶段：

一个命令行版本，学会了渲染和执行基本的命令行工作流。一个图形界面版本，展现了更接近日常操作的能力。

作者明确说这是初期阶段，离实用还很远。

但这不影响论文的价值。这篇论文的意义不在于「神经计算机已经能用了」，而在于第一次把这个方向作为严肃的计算机架构研究来处理，而不只是科幻想象。

这件事为什么值得认真对待

过去几年，AI 的发展路径基本是：在现有计算机架构上，运行越来越强的模型。GPU 集群、操作系统、编程语言、软件栈，这些东西本质没变，只是模型变大了。

神经计算机的逻辑是反的：不是在旧架构上跑新能力，而是让新能力本身成为架构。

如果这条路走通，影响的不是某一层软件，而是整个计算机科学的基础假设。应用层、操作系统层、硬件抽象层——这些概念在神经计算机的框架里要么被重新定义，要么整个消失。

这不会在明天发生，甚至可能不会在这十年发生。

但 ELF 把扩散过程搬进向量空间，神经计算机把计算本身搬进神经网络——同样的认知动作：找到正确的抽象层，然后在那个层上做最简单的事。

这件事只要方向对，时间只是参数。