2025 年 10 月 29 日，David Thomas 发表深度分析指出，AI 初创企业 Counterintuitive 正以 “推理原生计算（reasoning-native computing）” 技术为核心，开启一场旨在改变 AI 本质的探索 —— 其目标不再是让机器单纯模仿人类行为，而是赋予机器真正理解事物逻辑的能力，推动 AI 从依赖数据模式识别的传统形态，向具备真实认知与决策能力的 “类人化” 方向跨越。该公司董事长杰拉德・雷戈（Gerard Rego）在公开表述中提出，当前全球 AI 行业正普遍受困于 “双重陷阱（twin trap）”，即便算力最强、参数规模最大的 AI 系统，也因这两大核心瓶颈难以实现稳定运行、高效输出与真正意义上的智能，而 Counterintuitive 成立后的首要战略任务，便是集中技术力量攻克这两个限制 AI 发展的关键难题。
当前 AI 面临的第一重陷阱，源于其不可靠、缺乏可复现性的数值计算基础。如今主流 AI 系统所依赖的数学运算框架，大多建立在数十年前为游戏渲染、图形处理等场景设计的浮点运算（floating-point arithmetic）技术之上，这类技术的核心目标是追求运算速度，而非精度与一致性，这就导致 AI 在处理复杂任务时，从底层数学逻辑上就存在先天缺陷。在具体的数值运算过程中，每一次加减乘除、矩阵运算等操作，都会产生微小的舍入误差，这些误差看似微不足道，但随着运算步骤的累积与模型复杂度的提升，会像滚雪球一样不断放大，最终引发 “非确定性” 问题 —— 即便是同一套 AI 模型，在输入完全相同的数据后，两次运行可能得出截然不同的结果。这种不稳定性在普通消费级 AI 应用中或许影响有限，但在法律、金融、医疗等对准确性与可追溯性要求极高的领域，却可能引发严重后果：AI 给出的决策无法被验证真伪、无法复现运算过程，更难以通过审计流程。当 AI 输出的结果无法清晰解释其背后的逻辑与依据时，这些结果便会沦为行业内所称的 “幻觉（hallucinations）”，本质上就是因 “缺乏数学层面的可证明性” 而失去实际参考价值。
这种 “有精度却无真实性” 的数值缺陷，已成为横亘在 AI 发展道路上的 “无形壁垒”。它不仅直接制约 AI 系统的整体性能，让模型即便参数规模不断扩大，也难以突破精度瓶颈；还大幅增加了企业的运营成本 —— 为了修正这些因数值误差产生的 “计算噪声”，企业需要投入更多的算力资源与时间，甚至不得不构建更庞大的硬件集群，这既造成了能源的巨大浪费，也让 AI 技术的应用门槛居高不下。更关键的是，这种缺陷并非通过优化算法、增加数据量就能解决，而是由底层数学运算框架的局限性导致的刚性限制，这也使得传统 AI 在追求更高智能的过程中，始终难以摆脱 “差之毫厘，谬以千里” 的困境。
AI 面临的第二重陷阱，则体现在其架构设计上的 “无记忆” 短板。当前主流的 AI 模型，无论是生成式大模型还是专用任务模型，核心工作逻辑都是 “预测下一个输出单元”—— 在语言模型中是预测下一个令牌（token），在图像模型中是预测下一个像素帧，却完全无法保留得出该预测结果的推理过程。Counterintuitive 的技术团队将这种工作模式形象地类比为 “增强版的预测文本功能”：就像手机输入法会根据上下文推荐下一个词，但不会记得为什么推荐这个词一样，AI 模型在输出结果后，会彻底遗忘其决策依据，既无法回溯自己刚才的推理逻辑，也不能在此基础上进一步深化思考、构建更复杂的逻辑链。表面上看，部分 AI 模型通过对海量数据的学习，能够呈现出 “似乎具备推理能力” 的假象，例如能回答 “为什么某笔支出属于办公费用”，但实际上，它只是通过匹配数据中的模式模仿出了 “有逻辑的回答”，并未真正理解 “办公费用的定义”“该笔支出与办公场景的关联” 等核心逻辑，更无法基于这个分类进一步分析后续的税务处理、预算规划等延伸问题。这种 “一次性推理” 的架构设计，让 AI 始终停留在 “被动响应” 的层面，无法实现主动思考与递进式分析，严重限制了其在复杂任务中的应用潜力。
为攻克这 “双重陷阱”，Counterintuitive 组建了一支横跨多学科的顶尖技术团队，成员均来自全球领先的科研实验室（如 MIT、斯坦福大学人工智能实验室）与科技企业（如英伟达、谷歌 DeepMind），涵盖数学家、计算机科学家、物理学家及硬件工程师等多个领域，且目前已申请超过 80 项核心专利，专利覆盖范围包括确定性推理硬件设计、因果记忆系统架构、推理型软件框架开发等关键技术环节。雷戈在接受采访时表示，这支团队的核心使命，就是从底层重构 AI 的计算逻辑，打造 “以推理为核心而非模仿” 的下一代计算范式，彻底摆脱传统 AI 的技术局限。
该公司的核心技术突破，集中体现在其研发的 “人工推理单元（ARU，artificial reasoning unit）” 上。与传统的 GPU（图形处理器）、CPU（中央处理器）不同，ARU 并非单纯的运算芯片，而是一种全新的计算单元 —— 它以 “内存驱动推理” 为核心设计理念，能够在硬件层面直接执行因果逻辑运算，而非像 GPU 那样专注于并行数据处理。Counterintuitive 联合创始人赛姆・阿帕拉（Syam Appala）解释道，ARU 技术栈的意义远不止是创造一个新的芯片品类，更是对传统 “概率性计算” 模式的 “彻底颠覆”：通过将内存驱动的因果逻辑深度整合到硬件电路与软件算法中，ARU 能让 AI 系统在运行过程中，实时记录每一步推理的逻辑链条与数据依据，既从架构上解决了传统 AI “无记忆” 的问题，又通过硬件级的确定性推理，消除了数值误差累积带来的非确定性风险。
从具体的技术规划来看，Counterintuitive 计划分阶段推出首款 “推理芯片” 与配套的 “软件推理栈”，形成一套完整的 “推理原生计算” 解决方案。其中，硬件层面的推理芯片将通过全新的电路设计，实现高精度、无误差累积的数值运算，确保 AI 模型的每一次输出都具备数学层面的可复现性与可审计性；软件层面的推理栈则会构建一套支持因果逻辑记录与调用的框架，让 AI 能够像人类一样，在得出结论后仍能回溯推理过程，甚至基于过往的推理结果开展新的分析任务，实现 “递进式思考”。
若这一技术能够成功落地，将为 AI 行业带来三大革命性变革。首先是大幅提升 AI 系统的可靠性与透明度，通过硬件级的确定性推理与因果记忆功能，AI 决策将彻底摆脱 “黑箱” 属性。在金融风控场景中，AI 不仅能判断某笔贷款申请是否存在风险，还能清晰展示 “基于哪些财务数据、通过哪些风险模型、依据哪些政策规则得出该结论”；在医疗诊断辅助场景中，AI 给出的病情分析建议，会附带完整的医学数据引用与逻辑推导过程，医生能够快速验证其合理性，这将极大提升用户对 AI 的信任度。其次是显著降低 AI 的运营成本与能源消耗，传统 AI 为修正数值误差、弥补架构缺陷，往往需要投入远超实际需求的算力资源，而 ARU 通过优化底层计算逻辑，可减少约 40% 以上的能源消耗，同时降低对大规模数据中心的依赖，让中小企业也能更轻松地应用高端 AI 技术。
最后，这一技术将推动 AI 从 “模仿式智能” 向 “理解式智能” 跨越，打破当前 AI 只能处理模式匹配类任务的局限。例如在药物研发领域，基于 ARU 的 AI 不仅能从海量分子数据中筛选出潜在的药物靶点，还能详细记录 “为什么选择该靶点” 的推理过程 —— 包括该靶点与疾病机制的关联、分子结构的稳定性分析、过往临床试验数据的参考等，科研人员可以在此基础上进一步优化实验方案，而非单纯依赖 AI 的 “黑箱推荐”。这种 “理解式智能” 将让 AI 真正成为人类的协作伙伴，而非简单的工具。
雷戈强调，Counterintuitive 的技术探索并非对现有 AI 架构的修补与改良，而是通过软硬件协同设计，为 AI 打造 “后 GPU 时代” 的全新技术基础。未来，依托这套 “推理原生计算” 解决方案，AI 系统无需再依赖动辄数十亿、数百亿参数的庞大模型，也无需构建耗资巨大的硬件集群，就能在医疗、金融、先进制造等经济关键领域，实现高效、可靠、可解释的智能应用，这将推动 AI 技术从 “高投入、高门槛” 的精英化形态，向 “普惠化、实用化” 的方向发展，真正释放 AI 对社会经济的推动价值。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/counterintuitive-tui-chu-xin-xing-xin-pian-zhi-zai-tu-po-ai
