--- title: "实体 · 心智与可能的心智，按证据排序 · 模拟假说" url: https://simulation-hypothesis.com/zh/entities description: "一份有出处的心智指南：有实测神经元数的动物，集体系统和人工系统，以及已发表的感知能力和意识测试。" license: https://creativecommons.org/licenses/by/4.0/ credit: "Ross Allan Dahl，模拟假说（simulation-hypothesis.com）" --- # 实体 · 心智与可能的心智，按证据排序 如果世界是一个模拟，心智可能是其中最难计算的东西之一。本指南列出已知的案例，从单个细胞到人类。它也涵盖迄今造出的人工系统，以及科学家和哲学家提出过、但没有人观察到的心智。 每个数字都有出处和置信标签。实测 是直接计数，估算 是由其他数据推算出来的，未计数 表示没有人发表过计数。这些系统中是否有任何一个有体验，是另一个问题。这方面的证据在[感知能力标准](https://simulation-hypothesis.com/zh/entities/sentience)和[意识指标](https://simulation-hypothesis.com/zh/entities/indicators)下。 ## 个体心智 ## 动物：皮层和全脑中的神经元 皮层或端脑皮层 全脑 全部 哺乳动物 鸟类 大脑皮层（哺乳动物）或端脑皮层（鸟类）中的神经元数，是被广泛使用的衡量认知能力的解剖学指标。对数刻度；实心柱是统计数，斜线柱是估算值或有争议的数字（†）。爬行动物和无脊椎动物未显示，因为没有可比的统计数。 1. 虎鲸 † 431亿 2. 长鳍领航鲸 † 372亿 3. [人类](https://simulation-hypothesis.com/zh/entities/human)▲1 163亿 4. 港湾鼠海豚 † 149亿 5. [宽吻海豚 †](https://simulation-hypothesis.com/zh/entities/dolphin) 127亿 6. 柯氏喙鲸 91亿 7. 大猩猩 85亿 8. 红毛猩猩 85亿 9. [黑猩猩](https://simulation-hypothesis.com/zh/entities/chimp) 74亿 10. 短吻真海豚 67亿 11. 竖琴海豹 61亿 12. [非洲象](https://simulation-hypothesis.com/zh/entities/elephant)▼1 56亿 13. 长须鲸 52亿 14. 蓝鲸 51亿 15. 小须鲸 32亿 显示全部 88 项 10^6 10^7 10^8 10^9 10^10 10^11 neurons 显示数字 | # | 动物 | 皮层或端脑皮层 | 全脑 | | -- | ------- | -------- | ------- | | 1 | 虎鲸 † | 431亿 | | | 2 | 长鳍领航鲸 † | 372亿 | | | 3 | 人类 | 163亿 | 861亿 | | 4 | 港湾鼠海豚 † | 149亿 | | | 5 | 宽吻海豚 † | 127亿 | | | 6 | 柯氏喙鲸 | 91亿 | | | 7 | 大猩猩 | 85亿 | | | 8 | 红毛猩猩 | 85亿 | | | 9 | 黑猩猩 | 74亿 | | | 10 | 短吻真海豚 | 67亿 | | | 11 | 竖琴海豹 | 61亿 | | | 12 | 非洲象 | 56亿 | 2570亿 | | 13 | 长须鲸 | 52亿 | | | 14 | 蓝鲸 | 51亿 | | | 15 | 小须鲸 | 32亿 | 574亿 | | 16 | 东非狒狒 | 28.8亿 | 109.5亿 | | 17 | 白鲸 | 27亿 | | | 18 | 小抹香鲸 | 20.2亿 | | | 19 | 蓝黄金刚鹦鹉 | 19.17亿 | 31.36亿 | | 20 | 恒河猴 | 17.1亿 | 63.91亿 | | 21 | 长颈鹿 | 16.7亿 | 112.1亿 | | 22 | 松鼠猴 | 13.4亿 | 32.46亿 | | 23 | 雕鸮 | 13.28亿 | 18.98亿 | | 24 | 啄羊鹦鹉 | 12.81亿 | 21.49亿 | | 25 | 雪鸮 | 12.7亿 | 18.08亿 | | 26 | 渡鸦 | 12亿 | 21.71亿 | | 27 | 灰林鸮 | 11.53亿 | 15.81亿 | | 28 | 卷尾猴 | 11.4亿 | 36.91亿 | | 29 | 葵花鹦鹉 | 11.35亿 | 21.22亿 | | 30 | 非洲灰鹦鹉 | 8.5亿 | 15.66亿 | | 31 | 秃鼻乌鸦 | 8.2亿 | 15.09亿 | | 32 | 大捻角羚 | 7.93亿 | 60.9亿 | | 33 | 长耳鸮 | 6.73亿 | 9.91亿 | | 34 | 戈芬凤头鹦鹉 | 5.99亿 | 11.61亿 | | 35 | 狮子 | 5.45亿 | 46.67亿 | | 36 | 白尾海雕 | 5.43亿 | 16.54亿 | | 37 | 松鸦 | 5.29亿 | 10.85亿 | | 38 | 家犬 | 5.26亿 | | | 39 | 条纹鬣狗 | 4.95亿 | 38.85亿 | | 40 | 寒鸦 | 4.92亿 | 9.68亿 | | 41 | 非洲鸵鸟 | 4.79亿 | 16.29亿 | | 42 | 喜鹊 | 4.43亿 | 8.97亿 | | 43 | 猎隼 | 4.43亿 | 12.04亿 | | 44 | 鸸鹋 | 4.39亿 | 13.35亿 | | 45 | 浣熊 | 4.38亿 | 21.48亿 | | 46 | 仓鸮 | 4.37亿 | 6.9亿 | | 47 | 纵纹腹小鸮 | 4.01亿 | 5.86亿 | | 48 | 黑美洲鹫 | 3.99亿 | 10.09亿 | | 49 | 花头鸺鹠 | 3.64亿 | 5.33亿 | | 50 | 普通鵟 | 3.52亿 | 10.01亿 | | 51 | 大美洲鸵 | 3.3亿 | 10.3亿 | | 52 | 疣鼻天鹅 | 3.24亿 | 10.01亿 | | 53 | 家猪 | 2.93亿 | 22.2亿 | | 54 | 灰雁 | 2.59亿 | 7.38亿 | | 55 | 棕熊 | 2.51亿 | 95.86亿 | | 56 | 家猫 | 2.5亿 | 12.15亿 | | 57 | 普通狨 | 2.45亿 | 6.38亿 | | 58 | 红隼 | 2.38亿 | 6.25亿 | | 59 | 绿翅鸭 | 1.67亿 | 3.75亿 | | 60 | 虎皮鹦鹉 | 1.49亿 | 3.22亿 | | 61 | 红胸黑雁 | 1.49亿 | 4.83亿 | | 62 | 林鸳鸯 | 1.38亿 | 3.06亿 | | 63 | 侏隼 | 1.32亿 | 3.5亿 | | 64 | 云石斑鸭 | 1.3亿 | 3.87亿 | | 65 | 印度孔雀 | 1.3亿 | 5.71亿 | | 66 | 黄瘤冠雉 | 1.25亿 | 6.53亿 | | 67 | 维多利亚冠鸠 | 1.18亿 | 5.79亿 | | 68 | 绿头鸭 | 1.12亿 | 3.67亿 | | 69 | 野火鸡 | 1.06亿 | 4.93亿 | | 70 | 雀鹰 | 8783.2万 | 4.02亿 | | 71 | 白冠长尾雉 | 8068.8万 | 3.87亿 | | 72 | 原鸽 | 7200万 | 3.1亿 | | 73 | 穴兔 | 7150万 | 5.13亿 | | 74 | 红原鸡 | 6070万 | 2.21亿 | | 75 | 智利鴩 | 5913万 | 2.41亿 | | 76 | 斑胸草雀 | 5520万 | 1.36亿 | | 77 | 冠鴩 | 5138.4万 | 2.18亿 | | 78 | 斑尾林鸽 | 5132.51万 | 2.59亿 | | 79 | 凹顶冠鴩 | 4829.2万 | 2.36亿 | | 80 | 非洲环颈鸽 | 3999.75万 | 1.39亿 | | 81 | 弗吉尼亚鹑 | 3911.2万 | 1.48亿 | | 82 | 灰山鹑 | 3688.2万 | 1.7亿 | | 83 | 大鼠 | 3100万 | 2亿 | | 84 | 鹌鹑 | 2256.8万 | 1.18亿 | | 85 | 蓝胸鹑 | 2052.3万 | 8047.8万 | | 86 | 钻石斑鸠 | 1820.93万 | 8787.9万 | | 87 | 小鼠 | 1370万 | 7090万 | | 88 | 裸鼹鼠 | 531万 | 3362万 | ## AI 系统：参数对比突触 全部参数 每个词元使用 All 语言 多模态 视觉 其他（语音、生物、游戏、机器人……） 可训练参数（连接权重），对数刻度：Epoch AI 数据库中每一个有参数量的重要模型（检索于 2026年10月3日）。实心柱是 Epoch 评为可信的数字；斜线柱是它评为可能或推测的数字。标有 \* 的柱是闭源模型的估算值，其开发者没有公布规模，由第三方分析于 2026年10月2日 汇编而成；误差线表示估算的范围。Gemini 3 及之后的版本：没有公布的估算。 空心行是突触数：参数更接近突触，而不是神经元。 1. 人类新皮层 1.6 × 10¹⁴ 2. GPT-5.5 (OpenAI, 2026) \* \~4.7 × 10¹² 3. Claude Fable 5 (Anthropic, 2026) \* \~3.5 × 10¹² 4. Grok 3 (xAI, 2025) \~3 × 10¹² 5. Grok 4 (xAI, 2025) \~3 × 10¹² 6. Gemini 2.5 Pro (Google, 2025) \* \~3 × 10¹² 7. Kimi K3 (Moonshot, 2026) \~2.8 × 10¹² 8. Qwen 3.8 Max (Alibaba, 2026) 2.4 × 10¹² 9. Qwen3.8-2.4T-A95B (Alibaba, 2026) 2.4 × 10¹² 10. Grok 4.7 (xAI, 2026) \* \~2.1 × 10¹² 11. Llama 4 Behemoth (Meta AI, 2025) \~2 × 10¹² 12. GPT-4 (OpenAI, 2023) \~1.8 × 10¹² 13. DeepSeek-V4-Pro (DeepSeek, 2026) \~1.6 × 10¹² 14. LongCat-2.0 (Meituan Inc, 2026) \~1.6 × 10¹² 15. Switch (Google, 2021) 1.6 × 10¹² 16. GLaM (Google, 2021) 1.2 × 10¹² 17. PanGu-Σ (Huawei Noah's Ark Lab, 2023) 1.1 × 10¹² 18. Kimi K2.5 (Moonshot, 2026) \~1 × 10¹² 19. Composer 2 (Cursor, 2026) 1 × 10¹² 20. Kimi K2.6 (Moonshot, 2026) 1 × 10¹² 21. Composer 2.5 (Cursor, 2026) \~1 × 10¹² 22. MiMo-V2-Pro (Xiaomi Corp, 2026) 1 × 10¹² 23. MiMo-V2.5-Pro (Xiaomi Corp, 2026) \~1 × 10¹² 24. M6-T (Alibaba, 2021) \~1 × 10¹² 25. Kimi K2 (Moonshot, 2025) 1 × 10¹² 26. Qwen3-Max (Alibaba, 2025) \~1 × 10¹² 27. Ling-1T (Ant Group, 2025) 1 × 10¹² 28. Kimi K2 Thinking (Moonshot, 2025) \~1 × 10¹² 29. Inkling (Thinking Machines, 2026) \~9.8 × 10¹¹ 30. Tencent Hy4 preview (Tencent, 2026) \~7.7 × 10¹¹ 31. GLM-5.1 (Z.ai (Zhipu AI), 2026) 7.5 × 10¹¹ 32. K-EXAONE 2.0 (LG AI Research, 2026) 7.5 × 10¹¹ 33. DeepSeek V4.1 Flash (DeepSeek, 2026) \~7.5 × 10¹¹ 34. GLM-5 (Z.ai (Zhipu AI), 2026) \~7.4 × 10¹¹ 35. GLM-5.3 (Z.ai (Zhipu AI), 2026) 7.4 × 10¹¹ 36. A.X K2 (SK Telecom, 2026) 6.9 × 10¹¹ 37. DeepSeekMath-V2 (DeepSeek, 2025) 6.8 × 10¹¹ 38. Mistral Large 3 (Mistral AI, 2025) 6.8 × 10¹¹ 39. DeepSeek-V3（DeepSeek，2024） 6.7 × 10¹¹ 40. DeepSeek-R1 (DeepSeek, 2025) 6.7 × 10¹¹ 显示全部 725 项 10^4 10^6 10^8 10^10 10^12 10^14 参数或突触 显示数字 | # | 系统 | 全部参数 | 每个词元使用 | 年份 | 类型 | | --- | ------------------------------------------------------------------------------------------- | ------------ | ---------- | ---- | -------------- | | 1 | 人类新皮层 | 1.6 × 10¹⁴ | 1.6 × 10¹⁴ | | 突触 | | 2 | GPT-5.5 (OpenAI, 2026) \* | \~4.7 × 10¹² | | 2026 | 估算 | | 3 | Claude Fable 5 (Anthropic, 2026) \* | \~3.5 × 10¹² | | 2026 | 估算 | | 4 | Grok 3 (xAI, 2025) | \~3 × 10¹² | | 2025 | 估算 | | 5 | Grok 4 (xAI, 2025) | \~3 × 10¹² | | 2025 | 估算 | | 6 | Gemini 2.5 Pro (Google, 2025) \* | \~3 × 10¹² | | 2025 | 估算 | | 7 | Kimi K3 (Moonshot, 2026) | \~2.8 × 10¹² | | 2026 | 估算 | | 8 | Qwen 3.8 Max (Alibaba, 2026) | 2.4 × 10¹² | 2.4 × 10¹² | 2026 | 架构未说明 | | 9 | Qwen3.8-2.4T-A95B (Alibaba, 2026) | 2.4 × 10¹² | 9.5 × 10¹⁰ | 2026 | 混合专家 | | 10 | Grok 4.7 (xAI, 2026) \* | \~2.1 × 10¹² | | 2026 | 估算 | | 11 | Llama 4 Behemoth (Meta AI, 2025) | \~2 × 10¹² | | 2025 | 估算 | | 12 | GPT-4 (OpenAI, 2023) | \~1.8 × 10¹² | | 2023 | 估算 | | 13 | DeepSeek-V4-Pro (DeepSeek, 2026) | \~1.6 × 10¹² | | 2026 | 估算 | | 14 | LongCat-2.0 (Meituan Inc, 2026) | \~1.6 × 10¹² | | 2026 | 估算 | | 15 | Switch (Google, 2021) | 1.6 × 10¹² | 1.6 × 10¹² | 2021 | 混合专家（活跃参数量未公布） | | 16 | GLaM (Google, 2021) | 1.2 × 10¹² | 1.2 × 10¹² | 2021 | 混合专家（活跃参数量未公布） | | 17 | PanGu-Σ (Huawei Noah's Ark Lab, 2023) | 1.1 × 10¹² | 1.1 × 10¹² | 2023 | 混合专家（活跃参数量未公布） | | 18 | Kimi K2.5 (Moonshot, 2026) | \~1 × 10¹² | | 2026 | 估算 | | 19 | Composer 2 (Cursor, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | 混合专家（活跃参数量未公布） | | 20 | Kimi K2.6 (Moonshot, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | 混合专家（活跃参数量未公布） | | 21 | Composer 2.5 (Cursor, 2026) | \~1 × 10¹² | | 2026 | 估算 | | 22 | MiMo-V2-Pro (Xiaomi Corp, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | 架构未说明 | | 23 | MiMo-V2.5-Pro (Xiaomi Corp, 2026) | \~1 × 10¹² | | 2026 | 估算 | | 24 | M6-T (Alibaba, 2021) | \~1 × 10¹² | | 2021 | 估算 | | 25 | Kimi K2 (Moonshot, 2025) | 1 × 10¹² | 1 × 10¹² | 2025 | 混合专家（活跃参数量未公布） | | 26 | Qwen3-Max (Alibaba, 2025) | \~1 × 10¹² | | 2025 | 估算 | | 27 | Ling-1T (Ant Group, 2025) | 1 × 10¹² | 5 × 10¹⁰ | 2025 | 混合专家 | | 28 | Kimi K2 Thinking (Moonshot, 2025) | \~1 × 10¹² | | 2025 | 估算 | | 29 | Inkling (Thinking Machines, 2026) | \~9.8 × 10¹¹ | | 2026 | 估算 | | 30 | Tencent Hy4 preview (Tencent, 2026) | \~7.7 × 10¹¹ | | 2026 | 估算 | | 31 | GLM-5.1 (Z.ai (Zhipu AI), 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | 混合专家（活跃参数量未公布） | | 32 | K-EXAONE 2.0 (LG AI Research, 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | 混合专家（活跃参数量未公布） | | 33 | DeepSeek V4.1 Flash (DeepSeek, 2026) | \~7.5 × 10¹¹ | | 2026 | 估算 | | 34 | GLM-5 (Z.ai (Zhipu AI), 2026) | \~7.4 × 10¹¹ | | 2026 | 估算 | | 35 | GLM-5.3 (Z.ai (Zhipu AI), 2026) | 7.4 × 10¹¹ | 4 × 10¹⁰ | 2026 | 混合专家 | | 36 | A.X K2 (SK Telecom, 2026) | 6.9 × 10¹¹ | 6.9 × 10¹¹ | 2026 | 混合专家（活跃参数量未公布） | | 37 | DeepSeekMath-V2 (DeepSeek, 2025) | 6.8 × 10¹¹ | 6.8 × 10¹¹ | 2025 | 混合专家（活跃参数量未公布） | | 38 | Mistral Large 3 (Mistral AI, 2025) | 6.8 × 10¹¹ | 4.1 × 10¹⁰ | 2025 | 混合专家 | | 39 | DeepSeek-V3（DeepSeek，2024） | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2024 | 混合专家 | | 40 | DeepSeek-R1 (DeepSeek, 2025) | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2025 | 混合专家 | | 41 | SenseChat 5.5 (SenseTime, 2024) | 6 × 10¹¹ | 6 × 10¹¹ | 2024 | 架构未说明 | | 42 | Step 5 Preview (StepFun, 2026) | \~6 × 10¹¹ | | 2026 | 估算 | | 43 | PaLM-E (Google, 2023) | \~5.6 × 10¹¹ | | 2023 | 估算 | | 44 | Hunyuan-TurboS (Tencent, 2025) | 5.6 × 10¹¹ | 5.6 × 10¹¹ | 2025 | 混合专家（活跃参数量未公布） | | 45 | LongCat-Flash (Meituan Inc, 2025) | \~5.6 × 10¹¹ | | 2025 | 估算 | | 46 | Nemotron 3 Ultra (Nvidia, 2026) | \~5.5 × 10¹¹ | | 2026 | 估算 | | 47 | PaLM (Google Research, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | 稠密 | | 48 | Minerva (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | 稠密 | | 49 | U-PaLM (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | 稠密 | | 50 | LMSI-Palm (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | 稠密 | | 51 | Flan-PaLM 540B (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | 稠密 | | 52 | Megatron-Turing NLG 530B (Microsoft, 2021) | 5.3 × 10¹¹ | 5.3 × 10¹¹ | 2021 | 稠密 | | 53 | MegaScale (ByteDance, 2024) | \~5.3 × 10¹¹ | | 2024 | 估算 | | 54 | A.X K1 (SK Telecom, 2025) | 5.2 × 10¹¹ | 5.2 × 10¹¹ | 2025 | 混合专家（活跃参数量未公布） | | 55 | Doubao-pro (ByteDance, 2024) | \~5 × 10¹¹ | | 2024 | 估算 | | 56 | Grok 4.20 (xAI, 2026) | \~5 × 10¹¹ | | 2026 | 估算 | | 57 | Qwen3-Coder-480B-A35B (Alibaba, 2025) | 4.8 × 10¹¹ | 3.5 × 10¹⁰ | 2025 | 混合专家 | | 58 | MiniMax-M3 (MiniMax, 2026) | 4.3 × 10¹¹ | 2.2 × 10¹⁰ | 2026 | 混合专家 | | 59 | ERNIE-4.5-VL-424B-A47B (Baidu, 2025) | 4.2 × 10¹¹ | 4.7 × 10¹⁰ | 2025 | 混合专家 | | 60 | Llama 3.1-405B (Meta AI, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | 稠密 | | 61 | Llama 4 Maverick (Meta AI, 2025) | \~4 × 10¹¹ | | 2025 | 估算 | | 62 | Jamba 1.5-Large (AI21 Labs, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | 混合专家（活跃参数量未公布） | | 63 | Qwen3.5 397B-A17B (Alibaba, 2026) | \~4 × 10¹¹ | | 2026 | 估算 | | 64 | Hunyuan-Large (Tencent, 2024) | 3.9 × 10¹¹ | 3.9 × 10¹¹ | 2024 | 混合专家（活跃参数量未公布） | | 65 | GLM-4.7 (Z.ai (Zhipu AI), 2025) | \~3.6 × 10¹¹ | | 2025 | 估算 | | 66 | GLM-4.6 (Z.ai (Zhipu AI), 2025) | \~3.6 × 10¹¹ | | 2025 | 估算 | | 67 | GLM-4.5 (Z.ai (Zhipu AI), 2025) | 3.5 × 10¹¹ | 3.2 × 10¹⁰ | 2025 | 混合专家 | | 68 | PaLM 2 (Google, 2023) | \~3.4 × 10¹¹ | | 2023 | 估算 | | 69 | Med-PaLM 2 (Google Research, 2023) | \~3.4 × 10¹¹ | | 2023 | 估算 | | 70 | Nemotron-4 340B (Nvidia, 2024) | 3.4 × 10¹¹ | 3.4 × 10¹¹ | 2024 | 稠密 | | 71 | GLM-5.3-Flash (Z.ai (Zhipu AI), 2026) | \~3.2 × 10¹¹ | | 2026 | 估算 | | 72 | Grok-1 (xAI, 2023) | \~3.1 × 10¹¹ | | 2023 | 估算 | | 73 | Motif-3 (Motif Technologies, 2026) | 3.1 × 10¹¹ | 3.1 × 10¹¹ | 2026 | 混合专家（活跃参数量未公布） | | 74 | SB-LM (Google, 2007) | \~3 × 10¹¹ | | 2007 | 估算 | | 75 | Tencent Hy3 preview (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | 混合专家（活跃参数量未公布） | | 76 | Tencent Hy3 (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | 混合专家（活跃参数量未公布） | | 77 | DeepSeek-V4-Flash (DeepSeek, 2026) | \~2.8 × 10¹¹ | | 2026 | 估算 | | 78 | Gopher (DeepMind, 2021) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2021 | 稠密 | | 79 | TML-Interaction-Small (Thinking Machines, 2026) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2026 | 混合专家（活跃参数量未公布） | | 80 | ST-MoE (Google, 2022) | \~2.7 × 10¹¹ | | 2022 | 估算 | | 81 | ERNIE 3.0 Titan (Baidu, 2021) | 2.6 × 10¹¹ | 2.6 × 10¹¹ | 2021 | 稠密 | | 82 | Solar Open2 250B (Upstage, 2026) | \~2.5 × 10¹¹ | | 2026 | 估算 | | 83 | Aramco Metabrain AI (Saudi Aramco, 2024) | \~2.5 × 10¹¹ | | 2024 | 估算 | | 84 | Yuan 1.0 (Inspur, 2021) | 2.5 × 10¹¹ | 2.5 × 10¹¹ | 2021 | 架构未说明 | | 85 | DeepSeek-Coder-V2 236B (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | 混合专家（活跃参数量未公布） | | 86 | DeepSeek-V2.5 (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | 混合专家（活跃参数量未公布） | | 87 | K-EXAONE (LG AI Research, 2025) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2025 | 架构未说明 | | 88 | Qwen3-235B-A22B (Alibaba, 2025) | \~2.4 × 10¹¹ | | 2025 | 估算 | | 89 | Qwen3-235B-A22B-Thinking (Alibaba, 2025) | \~2.4 × 10¹¹ | | 2025 | 估算 | | 90 | P1-235B-A22B (Shanghai AI Lab, 2025) | \~2.4 × 10¹¹ | | 2025 | 估算 | | 91 | Seed-1.6-Thinking (ByteDance, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | 混合专家（活跃参数量未公布） | | 92 | MiniMax-M2 (MiniMax, 2025) | 2.3 × 10¹¹ | 1 × 10¹⁰ | 2025 | 混合专家 | | 93 | MiniMax-M2.1 (MiniMax, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | 混合专家（活跃参数量未公布） | | 94 | HyperCLOVA 204B (NAVER, 2021) | \~2 × 10¹¹ | | 2021 | 估算 | | 95 | Amazon Titan (Amazon, 2023) | \~2 × 10¹¹ | | 2023 | 估算 | | 96 | Falcon-180B (Technology Innovation Institute, 2023) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2023 | 稠密 | | 97 | Jurassic-1-Jumbo (AI21 Labs, 2021) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2021 | 架构未说明 | | 98 | BLOOM-176B (Hugging Face, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | 稠密 | | 99 | BLUUMI (University of Turku, 2023) | \~1.8 × 10¹¹ | | 2023 | 估算 | | 100 | InstructGPT 175B (OpenAI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | 稠密 | | 101 | OPT-175B (Meta AI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | 稠密 | | 102 | BlenderBot 3 (McGill University, 2022) | \~1.8 × 10¹¹ | | 2022 | 估算 | | 103 | GPT-3 175B (OpenAI, 2020) | 1.7 × 10¹¹ | 1.7 × 10¹¹ | 2020 | 稠密 | | 104 | Palmyra X 004 (Writer, 2024) | \~1.5 × 10¹¹ | | 2024 | 估算 | | 105 | FLAN 137B (Google Research, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | 架构未说明 | | 106 | LaMDA (Google, 2022) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2022 | 架构未说明 | | 107 | MEB (Microsoft, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | 架构未说明 | | 108 | Pangu Ultra (Huawei, 2025) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2025 | 架构未说明 | | 109 | DBRX (Databricks, 2024) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2024 | 混合专家（活跃参数量未公布） | | 110 | GLM-130B (Tsinghua University, 2022) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2022 | 稠密 | | 111 | Pixtral Large (Mistral AI, 2024) | 1.2 × 10¹¹ | 1.2 × 10¹¹ | 2024 | 架构未说明 | | 112 | Mistral Large 2 (Mistral AI, 2024) | \~1.2 × 10¹¹ | | 2024 | 估算 | | 113 | Qwen3.5-122B-A10B (Alibaba, 2026) | \~1.2 × 10¹¹ | | 2026 | 估算 | | 114 | Galactica (Meta AI, 2022) | \~1.2 × 10¹¹ | | 2022 | 估算 | | 115 | Nemotron 3 Super (Nvidia, 2026) | \~1.2 × 10¹¹ | | 2026 | 估算 | | 116 | gpt-oss-120b (OpenAI, 2025) | 1.2 × 10¹¹ | 5.1 × 10⁹ | 2025 | 混合专家 | | 117 | Telechat2-115B (China Telecom, 2024) | 1.1 × 10¹¹ | 1.1 × 10¹¹ | 2024 | 架构未说明 | | 118 | Kaiju Large (Character.ai, 2025) | \~1.1 × 10¹¹ | | 2025 | 估算 | | 119 | Llama 4 Scout (Meta AI, 2025) | \~1.1 × 10¹¹ | | 2025 | 估算 | | 120 | InternLM (Shanghai AI Lab, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | 稠密 | | 121 | Solar Open 100B (Upstage, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | 架构未说明 | | 122 | DLRM-2020 (Facebook AI, 2019) | 1 × 10¹¹ | 1 × 10¹¹ | 2019 | 稠密 | | 123 | xTrimoPGLM -100B (Tsinghua University, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | 架构未说明 | | 124 | Yi-Large (01.AI, 2024) | \~1 × 10¹¹ | | 2024 | 估算 | | 125 | VAETKI (NC AI, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | 混合专家（活跃参数量未公布） | | 126 | ESM3 (EvolutionaryScale, 2024) | 9.8 × 10¹⁰ | 9.8 × 10¹⁰ | 2024 | 架构未说明 | | 127 | 小鼠新皮层 | 8.1 × 10¹⁰ | 8.1 × 10¹⁰ | | 突触 | | 128 | Flamingo (DeepMind, 2022) | 8 × 10¹⁰ | 8 × 10¹⁰ | 2022 | 稠密 | | 129 | Qwen3-Coder-Next (Alibaba, 2026) | \~8 × 10¹⁰ | | 2026 | 估算 | | 130 | Qwen2-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | 稠密 | | 131 | Qwen2.5-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | 稠密 | | 132 | Qwen2.5 Instruct (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | 稠密 | | 133 | Qwen-72B (Alibaba, 2023) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2023 | 稠密 | | 134 | Palmyra X 003 (Writer, 2024) | \~7.2 × 10¹⁰ | | 2024 | 估算 | | 135 | Qwen1.5-72B (Alibaba, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | 稠密 | | 136 | LLaVA-OV-72B (ByteDance, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | 稠密 | | 137 | NVLM-X 72B (Nvidia, 2024) | \~7.2 × 10¹⁰ | | 2024 | 估算 | | 138 | NVLM-H 72B (Nvidia, 2024) | \~7.2 × 10¹⁰ | | 2024 | 估算 | | 139 | NVLM-D 72B (Nvidia, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | 架构未说明 | | 140 | MindLink-72B (Kunlun Inc., 2025) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2025 | 架构未说明 | | 141 | Chinchilla（DeepMind，2022） | 7 × 10¹⁰ | 7 × 10¹⁰ | 2022 | 稠密 | | 142 | Llama 2-70B (Meta AI, 2023) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2023 | 稠密 | | 143 | PPLX-70B-Online (Perplexity, 2023) | \~7 × 10¹⁰ | | 2023 | 估算 | | 144 | Llama 3-70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | 稠密 | | 145 | ALLaM adapted 70B (Saudi Data and Artificial Intelligence Authority, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | 架构未说明 | | 146 | Llama 3.3 70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | 稠密 | | 147 | Reka Core (Reka AI, 2024) | \~6.7 × 10¹⁰ | | 2024 | 估算 | | 148 | LLaMA-65B (Meta AI, 2023) | 6.5 × 10¹⁰ | 6.5 × 10¹⁰ | 2023 | 稠密 | | 149 | SNM-skip (Google, 2014) | \~6.2 × 10¹⁰ | | 2014 | 估算 | | 150 | PaLI-X (Google Research, 2023) | \~5.5 × 10¹⁰ | | 2023 | 估算 | | 151 | RT-2 (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | 架构未说明 | | 152 | RT-2-X (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | 架构未说明 | | 153 | NLLB (Meta AI, 2022) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2022 | 稠密 | | 154 | BloombergGPT (Bloomberg, 2023) | 5.1 × 10¹⁰ | 5.1 × 10¹⁰ | 2023 | 稠密 | | 155 | M4-50B (Google, 2019) | 5 × 10¹⁰ | 5 × 10¹⁰ | 2019 | 混合专家（活跃参数量未公布） | | 156 | Mixtral 8x7B (Mistral AI, 2023) | \~4.7 × 10¹⁰ | | 2023 | 估算 | | 157 | AlphaCode (DeepMind, 2022) | 4.1 × 10¹⁰ | 4.1 × 10¹⁰ | 2022 | 架构未说明 | | 158 | Falcon-40B (Technology Innovation Institute, 2023) | 4 × 10¹⁰ | 4 × 10¹⁰ | 2023 | 稠密 | | 159 | Qwen3-Omni-30B-A3B (Alibaba, 2025) | 3.5 × 10¹⁰ | 3 × 10⁹ | 2025 | 混合专家 | | 160 | Yi-34B (01.AI, 2023) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2023 | 稠密 | | 161 | Cambrian-1-34B (New York University (NYU), 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | 架构未说明 | | 162 | Oryx 34B (Tsinghua University, 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | 架构未说明 | | 163 | Kaiju Medium (Character.ai, 2025) | \~3.4 × 10¹⁰ | | 2025 | 估算 | | 164 | EXAONE 4.5 (LG AI Research, 2026) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2026 | 架构未说明 | | 165 | Qwen2.5-32B (Alibaba, 2024) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2024 | 稠密 | | 166 | QwQ-32B (Alibaba, 2025) | \~3.3 × 10¹⁰ | | 2025 | 估算 | | 167 | EXAONE 3.5 32B (LG AI Research, 2024) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2024 | 架构未说明 | | 168 | EXAONE Deep 32B (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | 架构未说明 | | 169 | EXAONE 4.0 (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | 架构未说明 | | 170 | Olmo 3 (Allen Institute for AI, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | 架构未说明 | | 171 | HyperCLOVA X SEED 32B Think (NAVER, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | 架构未说明 | | 172 | Nemotron 3-Nano-30B-A3B (Nvidia, 2025) | \~3.2 × 10¹⁰ | | 2025 | 估算 | | 173 | Tongyi DeepResearch (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | 架构未说明 | | 174 | MM1-30B (Apple, 2024) | \~3 × 10¹⁰ | | 2024 | 估算 | | 175 | Movie Gen Video (Meta AI, 2024) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2024 | 架构未说明 | | 176 | AgentFounder-30B (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | 架构未说明 | | 177 | PLUG (Alibaba, 2021) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2021 | 架构未说明 | | 178 | Qwen Image (Alibaba, 2025) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2025 | 架构未说明 | | 179 | GenSLM (University of Chicago, 2022) | 2.5 × 10¹⁰ | 2.5 × 10¹⁰ | 2022 | 架构未说明 | | 180 | ViT-22B (Google, 2023) | 2.2 × 10¹⁰ | 2.2 × 10¹⁰ | 2023 | 架构未说明 | | 181 | KN-LM (Google, 2007) | \~2.1 × 10¹⁰ | | 2007 | 估算 | | 182 | gpt-oss-20b (OpenAI, 2025) | 2.1 × 10¹⁰ | 2.1 × 10¹⁰ | 2025 | 混合专家（活跃参数量未公布） | | 183 | RNN for 1B words (Google, 2013) | \~2 × 10¹⁰ | | 2013 | 估算 | | 184 | GPT-NeoX-20B (EleutherAI, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | 稠密 | | 185 | UL2 (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | 架构未说明 | | 186 | Parti (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | 架构未说明 | | 187 | GPT-3.5 Turbo (OpenAI, 2023) | \~2 × 10¹⁰ | | 2023 | 估算 | | 188 | GPT-3.5 Turbo Instruct (OpenAI, 2023) | \~2 × 10¹⁰ | | 2023 | 估算 | | 189 | SPHINX (Shanghai AI Lab, 2023) | \~2 × 10¹⁰ | | 2023 | 估算 | | 190 | AlexaTM 20B (Amazon, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | 架构未说明 | | 191 | CogAgent (Tsinghua University, 2023) | \~1.8 × 10¹⁰ | | 2023 | 估算 | | 192 | Turing-NLG (Microsoft, 2020) | \~1.7 × 10¹⁰ | | 2020 | 估算 | | 193 | CogVLM-17B (Tsinghua University, 2023) | 1.7 × 10¹⁰ | 1.7 × 10¹⁰ | 2023 | 架构未说明 | | 194 | PaLI (Google, 2022) | \~1.7 × 10¹⁰ | | 2022 | 估算 | | 195 | CodeT5+ (Salesforce, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | 架构未说明 | | 196 | StarCoder (Hugging Face, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | 稠密 | | 197 | ESM2-15B (Meta AI, 2022) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2022 | 架构未说明 | | 198 | FunSearch (Google DeepMind, 2023) | \~1.5 × 10¹⁰ | | 2023 | 估算 | | 199 | NVILA 15B (Nvidia, 2024) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2024 | 架构未说明 | | 200 | nekomata-14b (rinna, 2023) | 1.4 × 10¹⁰ | 1.4 × 10¹⁰ | 2023 | 架构未说明 | | 201 | VILA1.5-13B (Nvidia, 2024) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2024 | 架构未说明 | | 202 | VILA-13B (Nvidia, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 架构未说明 | | 203 | mT5-XXL (Google, 2020) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2020 | 稠密 | | 204 | mT0-13B (Hugging Face, 2022) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2022 | 架构未说明 | | 205 | LLaVA (University of Wisconsin Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 稠密 | | 206 | InstructBLIP (Salesforce Research, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 架构未说明 | | 207 | Jais (Cerebras Systems, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 架构未说明 | | 208 | FinGPT-13B (University of California Los Angeles (UCLA), 2023) | \~1.3 × 10¹⁰ | | 2023 | 估算 | | 209 | Ferret (Columbia University, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 架构未说明 | | 210 | Skywork-13B (Kunlun Inc., 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 架构未说明 | | 211 | LLaVA 1.5 (University of Wisconsin Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 稠密 | | 212 | Volcano 13B (Korea University, 2023) | \~1.3 × 10¹⁰ | | 2023 | 估算 | | 213 | Aya (Cohere Labs (formerly Cohere for AI), 2024) | \~1.3 × 10¹⁰ | | 2024 | 估算 | | 214 | Kaiju Small (Character.ai, 2025) | \~1.3 × 10¹⁰ | | 2025 | 估算 | | 215 | ByT5-XXL (Google, 2021) | \~1.3 × 10¹⁰ | | 2021 | 估算 | | 216 | CoRe (Tsinghua University, 2023) | \~1.2 × 10¹⁰ | | 2023 | 估算 | | 217 | DALL-E (OpenAI, 2021) | \~1.2 × 10¹⁰ | | 2021 | 估算 | | 218 | Codex (OpenAI, 2021) | \~1.2 × 10¹⁰ | | 2021 | 估算 | | 219 | T5-11B（Google，2019） | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2019 | 稠密 | | 220 | UnifiedQA (Allen Institute for AI, 2020) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2020 | 稠密 | | 221 | Unicorn (Allen Institute for AI, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | 架构未说明 | | 222 | PLATO-XL (Baidu, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | 架构未说明 | | 223 | CoEdiT-xxl (University of Minnesota, 2023) | \~1.1 × 10¹⁰ | | 2023 | 估算 | | 224 | GQA-8-XXL (Google Research, 2023) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2023 | 架构未说明 | | 225 | XLMR-XXL (Facebook AI Research, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | 架构未说明 | | 226 | Llama 3.2 11B (Meta AI, 2024) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2024 | 稠密 | | 227 | ERNIE 3.0 (Baidu, 2021) | 1 × 10¹⁰ | 1 × 10¹⁰ | 2021 | 稠密 | | 228 | ERNIE-ViLG (Baidu, 2021) | \~1 × 10¹⁰ | | 2021 | 估算 | | 229 | Qwen-VL (Alibaba, 2023) | \~9.6 × 10⁹ | | 2023 | 估算 | | 230 | Generative BST (Facebook AI Research, 2021) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2021 | 架构未说明 | | 231 | Sparse all-MLP (Meta AI, 2022) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2022 | 混合专家（活跃参数量未公布） | | 232 | CogVideo (Tsinghua University, 2022) | \~9.4 × 10⁹ | | 2022 | 估算 | | 233 | eDiff-I (Nvidia, 2022) | \~9.1 × 10⁹ | | 2022 | 估算 | | 234 | Eagle 2 (Nvidia, 2025) | 8.9 × 10⁹ | 8.9 × 10⁹ | 2025 | 架构未说明 | | 235 | MoE-Multi (Jagiellonian University, 2017) | 8.7 × 10⁹ | 8.7 × 10⁹ | 2017 | 混合专家（活跃参数量未公布） | | 236 | Qwen-Audio-Chat (Alibaba, 2023) | \~8.5 × 10⁹ | | 2023 | 估算 | | 237 | Megatron-LM (Nvidia, 2019) | \~8.3 × 10⁹ | | 2019 | 估算 | | 238 | BigSSL (Google, 2021) | \~8 × 10⁹ | | 2021 | 估算 | | 239 | Nemotron-3-8B (Nvidia, 2023) | 8 × 10⁹ | 8 × 10⁹ | 2023 | 架构未说明 | | 240 | Stable Diffusion 3 (Stability AI, 2024) | 8 × 10⁹ | 8 × 10⁹ | 2024 | 稠密 | | 241 | Qwen3 Embedding (Alibaba, 2025) | 8 × 10⁹ | 8 × 10⁹ | 2025 | 混合专家（活跃参数量未公布） | | 242 | Imagen (Google Brain, 2022) | \~7.8 × 10⁹ | | 2022 | 估算 | | 243 | XGLM-7.5B (Meta AI, 2021) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2021 | 架构未说明 | | 244 | RETRO-7B (DeepMind, 2022) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2022 | 架构未说明 | | 245 | OpenVLA (Stanford University, 2024) | 7.2 × 10⁹ | 7.2 × 10⁹ | 2024 | 架构未说明 | | 246 | mPLUG-Owl2 (Alibaba, 2023) | \~7.1 × 10⁹ | | 2023 | 估算 | | 247 | Goat-7B (National University of Singapore, 2023) | \~7 × 10⁹ | | 2023 | 估算 | | 248 | Llama 2-7B (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | 稠密 | | 249 | Llama Guard (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | 稠密 | | 250 | Qwen-VL-Max (Alibaba, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | 稠密 | | 251 | Mathstral (Mistral AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | 架构未说明 | | 252 | Apollo 7B (Meta AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | 架构未说明 | | 253 | Eurus-2-7B-PRIME (Tsinghua University, 2025) | \~7 × 10⁹ | | 2025 | 估算 | | 254 | INTELLECT-MATH (Prime Intellect, 2025) | 7 × 10⁹ | 7 × 10⁹ | 2025 | 架构未说明 | | 255 | Incoder-6.7B (Facebook AI Research, 2023) | 6.7 × 10⁹ | 6.7 × 10⁹ | 2023 | 架构未说明 | | 256 | ProGen2-xlarge (Salesforce Research, 2022) | 6.4 × 10⁹ | 6.4 × 10⁹ | 2022 | 架构未说明 | | 257 | GPipe (Google, 2018) | \~6 × 10⁹ | | 2018 | 估算 | | 258 | InstructGPT 6B (OpenAI, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | 稠密 | | 259 | Vega v2 (Wuhan University, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | 架构未说明 | | 260 | ChatGLM3-6B (Z.ai (Zhipu AI), 2023) | \~6 × 10⁹ | | 2023 | 估算 | | 261 | MolmoAct 2 (Allen Institute for AI, 2026) | \~5.5 × 10⁹ | | 2026 | 估算 | | 262 | T-NLRv5 XXL (Microsoft, 2021) | 5.4 × 10⁹ | 5.4 × 10⁹ | 2021 | 架构未说明 | | 263 | π0.6 (Physical Intelligence, 2025) | 5.3 × 10⁹ | 5.3 × 10⁹ | 2025 | 混合专家（活跃参数量未公布） | | 264 | PaLI-3 (Google DeepMind, 2023) | 5 × 10⁹ | 5 × 10⁹ | 2023 | 架构未说明 | | 265 | Mesh-TensorFlow Transformer 4.9B (Google Brain, 2018) | 4.9 × 10⁹ | 4.9 × 10⁹ | 2018 | 稠密 | | 266 | W.A.L.T (Stanford University, 2023) | 4.7 × 10⁹ | 4.7 × 10⁹ | 2023 | 架构未说明 | | 267 | CogView (Tsinghua University, 2021) | \~4 × 10⁹ | | 2021 | 估算 | | 268 | Make-A-Scene (Meta AI, 2022) | \~4 × 10⁹ | | 2022 | 估算 | | 269 | ONE-PEACE (Alibaba, 2023) | \~4 × 10⁹ | | 2023 | 估算 | | 270 | Megatron-BERT (Nvidia, 2019) | 3.9 × 10⁹ | 3.9 × 10⁹ | 2019 | 稠密 | | 271 | DALL·E 2 (OpenAI, 2022) | \~3.5 × 10⁹ | | 2022 | 估算 | | 272 | Stable Diffusion XL (Stability AI, 2023) | \~3.4 × 10⁹ | | 2023 | 估算 | | 273 | MusicGen (Meta AI, 2023) | \~3.4 × 10⁹ | | 2023 | 估算 | | 274 | Gemini Nano-2 (Google DeepMind, 2023) | 3.3 × 10⁹ | 3.3 × 10⁹ | 2023 | 架构未说明 | | 275 | Zidong Taichu (Chinese Academy of Sciences, 2021) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2021 | 架构未说明 | | 276 | DeepNet (Microsoft Research, 2022) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2022 | 架构未说明 | | 277 | MS-ensemble-speech-recognition (Microsoft, 2016) | \~3.2 × 10⁹ | | 2016 | 估算 | | 278 | BASIC-L (Google, 2021) | \~3.1 × 10⁹ | | 2021 | 估算 | | 279 | BASIC-L + Lion (Google, 2023) | 3.1 × 10⁹ | 3.1 × 10⁹ | 2023 | 架构未说明 | | 280 | LEP-AD (King Abdullah University of Science and Technology (KAUST), 2023) | 3 × 10⁹ | 3 × 10⁹ | 2023 | 架构未说明 | | 281 | ViT-G/14 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | 架构未说明 | | 282 | ProtT5-XL-U50 (Technical University of Munich, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | 架构未说明 | | 283 | Swin Transformer V2 (Microsoft Research Asia, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | 架构未说明 | | 284 | LongT5 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | 架构未说明 | | 285 | ReALM (Apple, 2024) | 3 × 10⁹ | 3 × 10⁹ | 2024 | 架构未说明 | | 286 | Mesh-TensorFlow Transformer 2.9B (Google Brain, 2018) | \~2.9 × 10⁹ | | 2018 | 估算 | | 287 | T5-3B (Google, 2019) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2019 | 稠密 | | 288 | DPO on Pythia-2.8B (Stanford University, 2023) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2023 | 稠密 | | 289 | AFM-on-device (Apple, 2024) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2024 | 架构未说明 | | 290 | PolyCoder (Carnegie Mellon University (CMU), 2022) | \~2.7 × 10⁹ | | 2022 | 估算 | | 291 | Hybrid H3-2.7B (Stanford University, 2022) | \~2.7 × 10⁹ | | 2022 | 估算 | | 292 | GPT3-2.7B (Stanford University, 2023) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2023 | 架构未说明 | | 293 | Meena (Google Brain, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | 稠密 | | 294 | CPM-Large (Tsinghua University, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | 稠密 | | 295 | Nucleotide Transformer (Nvidia, 2023) | \~2.5 × 10⁹ | | 2023 | 估算 | | 296 | Fugatto 1 (Nvidia, 2024) | 2.5 × 10⁹ | 2.5 × 10⁹ | 2024 | 架构未说明 | | 297 | CoAtNet (Google, 2021) | 2.4 × 10⁹ | 2.4 × 10⁹ | 2021 | 架构未说明 | | 298 | GShard (Google, 2020) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2020 | 稠密 | | 299 | SeamlessM4T (Facebook, 2023) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2023 | 架构未说明 | | 300 | Turing ULRv5 (Microsoft, 2021) | 2.2 × 10⁹ | 2.2 × 10⁹ | 2021 | 架构未说明 | | 301 | CoCa (Google Research, 2022) | 2.1 × 10⁹ | 2.1 × 10⁹ | 2022 | 架构未说明 | | 302 | MuseNet (OpenAI, 2019) | \~2 × 10⁹ | | 2019 | 估算 | | 303 | Infinity (ByteDance, 2024) | 2 × 10⁹ | 2 × 10⁹ | 2024 | 架构未说明 | | 304 | Seq2Seq LSTM (Google, 2014) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2014 | 稠密 | | 305 | BEIT-3 (Microsoft, 2022) | \~1.9 × 10⁹ | | 2022 | 估算 | | 306 | Ankh\_large (Technical University of Munich, 2023) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2023 | 架构未说明 | | 307 | ViT-G/14 (Google Brain, 2021) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2021 | 架构未说明 | | 308 | ViT-G (University of Washington, 2022) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2022 | 架构未说明 | | 309 | Phenaki (University College London (UCL), 2022) | \~1.8 × 10⁹ | | 2022 | 估算 | | 310 | Gemini Nano-1 (Google DeepMind, 2023) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2023 | 架构未说明 | | 311 | DistBelief Vision (Google, 2012) | \~1.7 × 10⁹ | | 2012 | 估算 | | 312 | Whisper (OpenAI, 2022) | \~1.6 × 10⁹ | | 2022 | 估算 | | 313 | GPT-2（OpenAI，2019） | \~1.5 × 10⁹ | | 2019 | 估算 | | 314 | DeBERTa (Microsoft, 2021) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2021 | 架构未说明 | | 315 | AR-LDM (Alibaba, 2022) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2022 | 架构未说明 | | 316 | AudioLM (Google Research, 2023) | \~1.5 × 10⁹ | | 2023 | 估算 | | 317 | BLIP-2 (Salesforce Research, 2023) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2023 | 架构未说明 | | 318 | LDM-1.45B (Heidelberg University, 2021) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2021 | 架构未说明 | | 319 | Stable Diffusion (Runway, 2022) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2022 | 稠密 | | 320 | SEER (Facebook AI Research, 2021) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2021 | 架构未说明 | | 321 | InstructGPT 1.3B (OpenAI, 2022) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2022 | 稠密 | | 322 | Megatron-LM (Nvidia, 2019) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2019 | 稠密 | | 323 | RDT-1B (Tsinghua University, 2024) | \~1.2 × 10⁹ | | 2024 | 估算 | | 324 | Gato (DeepMind, 2022) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2022 | 架构未说明 | | 325 | DINOv2 (Facebook AI Research, 2023) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2023 | 架构未说明 | | 326 | Diffusion Renderer (Nvidia, 2025) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2025 | 架构未说明 | | 327 | InternImage (Shanghai AI Lab, 2022) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2022 | 架构未说明 | | 328 | EVA-01 (Beijing Academy of Artificial Intelligence / BAAI, 2022) | 1 × 10⁹ | 1 × 10⁹ | 2022 | 架构未说明 | | 329 | Unsupervised High-level Feature Learner (Google, 2012) | \~1 × 10⁹ | | 2012 | 估算 | | 330 | Conformer + Wav2vec 2.0 + Noisy Student (Google, 2020) | 1 × 10⁹ | 1 × 10⁹ | 2020 | 稠密 | | 331 | HuBERT (Facebook AI Research, 2021) | \~1 × 10⁹ | | 2021 | 估算 | | 332 | W2v-BERT (Google Brain, 2021) | 1 × 10⁹ | 1 × 10⁹ | 2021 | 稠密 | | 333 | AudioGen (Meta AI, 2023) | \~1 × 10⁹ | | 2023 | 估算 | | 334 | VideoMAE V2 (Nanjing University, 2023) | 1 × 10⁹ | 1 × 10⁹ | 2023 | 架构未说明 | | 335 | TransE (Universite de Technologie de Compiègne – CNRS, 2013) | \~9.4 × 10⁸ | | 2013 | 估算 | | 336 | ImageBind (Meta AI, 2023) | \~9.3 × 10⁸ | | 2023 | 估算 | | 337 | Big Transfer (Google Brain, 2019) | \~9.3 × 10⁸ | | 2019 | 估算 | | 338 | Florence (Microsoft, 2021) | 8.9 × 10⁸ | 8.9 × 10⁸ | 2021 | 架构未说明 | | 339 | NÜWA (Microsoft Research, 2021) | 8.7 × 10⁸ | 8.7 × 10⁸ | 2021 | 架构未说明 | | 340 | MusicLM (Google, 2023) | 8.6 × 10⁸ | 8.6 × 10⁸ | 2023 | 架构未说明 | | 341 | ResNeXt-101 32x48d (Facebook, 2018) | 8.3 × 10⁸ | 8.3 × 10⁸ | 2018 | 稠密 | | 342 | FixRes ResNeXt-101 WSL (Facebook AI, 2019) | \~8.3 × 10⁸ | | 2019 | 估算 | | 343 | ALIGN (Google Research, 2021) | 8.2 × 10⁸ | 8.2 × 10⁸ | 2021 | 架构未说明 | | 344 | Statement Curriculum Learning (OpenAI, 2022) | \~7.7 × 10⁸ | | 2022 | 估算 | | 345 | CodeT5-large (Salesforce, 2022) | \~7.7 × 10⁸ | | 2022 | 估算 | | 346 | DITTO (Tsinghua University, 2022) | 7.5 × 10⁸ | 7.5 × 10⁸ | 2022 | 架构未说明 | | 347 | FGN (Google DeepMind, 2025) | 7.2 × 10⁸ | 7.2 × 10⁸ | 2025 | 架构未说明 | | 348 | data2vec (Meta AI, 2022) | \~7.1 × 10⁸ | | 2022 | 估算 | | 349 | Tranception (University of Oxford, 2022) | 7 × 10⁸ | 7 × 10⁸ | 2022 | 架构未说明 | | 350 | Word2Vec (Google, 2013) | \~6.9 × 10⁸ | | 2013 | 估算 | | 351 | DiT-XL/2 (New York University (NYU), 2023) | 6.8 × 10⁸ | 6.8 × 10⁸ | 2023 | 架构未说明 | | 352 | DiT-XL/2 + CADS (ETH Zurich, 2023) | \~6.8 × 10⁸ | | 2023 | 估算 | | 353 | OmegaPLM (Massachusetts Institute of Technology (MIT), 2022) | 6.7 × 10⁸ | 6.7 × 10⁸ | 2022 | 架构未说明 | | 354 | XLM (Facebook, 2019) | \~6.7 × 10⁸ | | 2019 | 估算 | | 355 | ESM1b (Facebook AI Research, 2020) | 6.5 × 10⁸ | 6.5 × 10⁸ | 2020 | 稠密 | | 356 | Segment Anything Model (Meta AI, 2023) | 6.4 × 10⁸ | 6.4 × 10⁸ | 2023 | 架构未说明 | | 357 | ViT-Huge/14 (Google Brain, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | 稠密 | | 358 | Masked Autoencoders ViT-H (Facebook AI Research, 2021) | \~6.3 × 10⁸ | | 2021 | 估算 | | 359 | Retrieval-Augmented Generator (Facebook, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | 稠密 | | 360 | DLDL (University of Oxford, 2016) | \~5.6 × 10⁸ | | 2016 | 估算 | | 361 | ADM (OpenAI, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | 架构未说明 | | 362 | TrOCR (Beihang University, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | 架构未说明 | | 363 | XLM-RoBERTa (Facebook AI, 2019) | 5.5 × 10⁸ | 5.5 × 10⁸ | 2019 | 稠密 | | 364 | LUKE (University of Washington, 2020) | \~4.8 × 10⁸ | | 2020 | 估算 | | 365 | EfficientNet-L2 (Google, 2019) | \~4.8 × 10⁸ | | 2019 | 估算 | | 366 | Noisy Student (Carnegie Mellon University (CMU), 2019) | 4.8 × 10⁸ | 4.8 × 10⁸ | 2019 | 稠密 | | 367 | Meta Pseudo Labels (Google Brain, 2021) | \~4.8 × 10⁸ | | 2021 | 估算 | | 368 | EMDR (Mila - Quebec AI (originally Montreal Institute for Learning Algorithms), 2021) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2021 | 架构未说明 | | 369 | NMT Transformer 437M (Google, 2019) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2019 | 稠密 | | 370 | Adaptive Inputs + LayerDrop (Facebook AI Research, 2019) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2019 | 稠密 | | 371 | ProtBERT-BFD (Technical University of Munich, 2021) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2021 | 架构未说明 | | 372 | OntoProtein (Zhejiang University (ZJU), 2022) | \~4.2 × 10⁸ | | 2022 | 估算 | | 373 | DeBERTaV3large + KEAR (Microsoft, 2022) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2022 | 架构未说明 | | 374 | BART-large (Facebook AI, 2019) | \~4.1 × 10⁸ | | 2019 | 估算 | | 375 | SigLIP 400M (Google DeepMind, 2023) | 4 × 10⁸ | 4 × 10⁸ | 2023 | 架构未说明 | | 376 | BERT-Large-CAS (Amazon, 2019) | \~4 × 10⁸ | | 2019 | 估算 | | 377 | MoCo (Facebook AI, 2019) | \~3.8 × 10⁸ | | 2019 | 估算 | | 378 | SimCLR (Google Brain, 2020) | \~3.8 × 10⁸ | | 2020 | 估算 | | 379 | CLIP (OpenAI, 2021) | 3.7 × 10⁸ | 3.7 × 10⁸ | 2021 | 架构未说明 | | 380 | RoBERTa Large (Facebook, 2019) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2019 | 稠密 | | 381 | AbLang (University of Oxford, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | 架构未说明 | | 382 | GPT-2 Medium (Stanford University, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | 稠密 | | 383 | VALL-E (Microsoft, 2023) | \~3.5 × 10⁸ | | 2023 | 估算 | | 384 | BERT-Large (Google, 2018) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2018 | 稠密 | | 385 | XLNet (Carnegie Mellon University (CMU), 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | 稠密 | | 386 | ERNIE-GEN (Baidu, 2020) | \~3.4 × 10⁸ | | 2020 | 估算 | | 387 | CamemBERT (Facebook, 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | 稠密 | | 388 | ELECTRA (Stanford University, 2020) | \~3.4 × 10⁸ | | 2020 | 估算 | | 389 | German ELECTRA Large (deepset, 2020) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2020 | 稠密 | | 390 | ALM 1.0 (Beijing Academy of Artificial Intelligence / BAAI, 2022) | \~3.4 × 10⁸ | | 2022 | 估算 | | 391 | MT-DNN (Microsoft, 2019) | 3.3 × 10⁸ | 3.3 × 10⁸ | 2019 | 稠密 | | 392 | Fusion in Encoder (Samsung, 2022) | \~3.3 × 10⁸ | | 2022 | 估算 | | 393 | wave2vec 2.0 LARGE (Facebook, 2020) | 3.2 × 10⁸ | 3.2 × 10⁸ | 2020 | 稠密 | | 394 | CPC v2 (DeepMind, 2019) | \~3 × 10⁸ | | 2019 | 估算 | | 395 | Transformer - LibriVox + Decoding/Rescoring (Facebook, 2019) | 3 × 10⁸ | 3 × 10⁸ | 2019 | 稠密 | | 396 | DDPM-IP (Utrecht University, 2023) | \~3 × 10⁸ | | 2023 | 估算 | | 397 | GNMT (Google, 2016) | \~2.8 × 10⁸ | | 2016 | 估算 | | 398 | base LM+GNN+kNN (Shannon.AI, 2021) | 2.7 × 10⁸ | 2.7 × 10⁸ | 2021 | 架构未说明 | | 399 | YOLO (University of Washington, 2015) | \~2.7 × 10⁸ | | 2015 | 估算 | | 400 | Transformer-XL (Carnegie Mellon University (CMU), 2019) | \~2.6 × 10⁸ | | 2019 | 估算 | | 401 | Transformer-XL + RMS dynamic eval (University of Edinburgh, 2019) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2019 | 稠密 | | 402 | Transformer-XL Large + Phrase Induction (Massachusetts Institute of Technology (MIT), 2019) | \~2.6 × 10⁸ | | 2019 | 估算 | | 403 | Segatron-XL large, M=384 + HCP (Microsoft Research, 2022) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2022 | 架构未说明 | | 404 | Denoising Diffusion Probabilistic Models (University of California (UC) Berkeley, 2021) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2021 | 架构未说明 | | 405 | Pangu-Weather (Huawei, 2023) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2023 | 架构未说明 | | 406 | SPN (Google Brain, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | 稠密 | | 407 | S4 (Stanford University, 2021) | \~2.5 × 10⁸ | | 2021 | 估算 | | 408 | Base LM + kNN LM + Continuous Cache (Stanford University, 2019) | \~2.5 × 10⁸ | | 2019 | 估算 | | 409 | ERNIE-Doc (Baidu, 2020) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2020 | 稠密 | | 410 | Adaptive Input Transformer + RD (Microsoft Research Asia, 2021) | \~2.5 × 10⁸ | | 2021 | 估算 | | 411 | Transformer (Adaptive Input Embeddings) WT103 (Facebook AI Research, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | 稠密 | | 412 | TaLK Convolution (Carleton University, 2020) | \~2.4 × 10⁸ | | 2020 | 估算 | | 413 | ALBERT-xxlarge (Toyota Technological Institute at Chicago, 2020) | \~2.4 × 10⁸ | | 2020 | 估算 | | 414 | SRU++ Large (ASAPP, 2021) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2021 | 架构未说明 | | 415 | GR-2 (ByteDance, 2024) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2024 | 架构未说明 | | 416 | MaskGIT (Google Research, 2022) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2022 | 架构未说明 | | 417 | MetNet (Google, 2020) | \~2.3 × 10⁸ | | 2020 | 估算 | | 418 | FFN SwiGLU (Google, 2020) | 2.2 × 10⁸ | 2.2 × 10⁸ | 2020 | 稠密 | | 419 | CodeT5-base (Salesforce, 2021) | \~2.2 × 10⁸ | | 2021 | 估算 | | 420 | Transformer (Google Research, 2017) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2017 | 稠密 | | 421 | Sandwich Transformer (Allen Institute for AI, 2019) | \~2.1 × 10⁸ | | 2019 | 估算 | | 422 | EfficientNetV2-XL (Google, 2021) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2021 | 架构未说明 | | 423 | Word2Vec (Google, 2013) | \~2.1 × 10⁸ | | 2013 | 估算 | | 424 | Multilingual DNN (Google, 2013) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2013 | 稠密 | | 425 | DreamerV3 (DeepMind, 2023) | \~2 × 10⁸ | | 2023 | 估算 | | 426 | DL scaling speech (Baidu, 2017) | \~1.9 × 10⁸ | | 2017 | 估算 | | 427 | ResNeXt-101 Billion-scale (Facebook AI, 2019) | \~1.9 × 10⁸ | | 2019 | 估算 | | 428 | (NTT Communication Science Laboratories, 2018) | 1.9 × 10⁸ | 1.9 × 10⁸ | 2018 | 稠密 | | 429 | TrellisNet (Carnegie Mellon University (CMU), 2018) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2018 | 稠密 | | 430 | DL scaling LM (Baidu, 2017) | \~1.8 × 10⁸ | | 2017 | 估算 | | 431 | EXAONE Path 2.0 (LG AI Research, 2025) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2025 | 架构未说明 | | 432 | OpenAI Five Rerun (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | 稠密 | | 433 | OpenAI Five (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | 稠密 | | 434 | 4 layer QRNN (Salesforce Research, 2018) | \~1.5 × 10⁸ | | 2018 | 估算 | | 435 | TransformerXL + spectrum control (University of California Los Angeles (UCLA), 2020) | \~1.5 × 10⁸ | | 2020 | 估算 | | 436 | AlphaGeometry (Google DeepMind, 2024) | 1.5 × 10⁸ | 1.5 × 10⁸ | 2024 | 架构未说明 | | 437 | PermuteFormer (Peking University, 2021) | \~1.5 × 10⁸ | | 2021 | 估算 | | 438 | Fragment embedding (Stanford University, 2014) | \~1.4 × 10⁸ | | 2014 | 估算 | | 439 | OverFeat (New York University (NYU), 2013) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2013 | 稠密 | | 440 | VGG19 (University of Oxford, 2014) | \~1.4 × 10⁸ | | 2014 | 估算 | | 441 | LRCN (UT Austin, 2014) | \~1.4 × 10⁸ | | 2014 | 估算 | | 442 | Transformer-XL DeFINE (University of Washington, 2019) | \~1.4 × 10⁸ | | 2019 | 估算 | | 443 | Deep Autoencoders (University of Toronto, 2011) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2011 | 稠密 | | 444 | AlphaStar (DeepMind, 2019) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2019 | 稠密 | | 445 | VGG16 (University of Oxford, 2014) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2014 | 稠密 | | 446 | VGG-Face (University of Oxford, 2015) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2015 | 稠密 | | 447 | SAF R-CNN (Beijing Institute of Technology, 2015) | \~1.4 × 10⁸ | | 2015 | 估算 | | 448 | Template Adaptation (University of Oxford, 2016) | \~1.4 × 10⁸ | | 2016 | 估算 | | 449 | LRR-4X (UC Irvine, 2016) | \~1.4 × 10⁸ | | 2016 | 估算 | | 450 | CMS-RCNN (IEEE, 2016) | \~1.4 × 10⁸ | | 2016 | 估算 | | 451 | QRNN (Salesforce Research, 2018) | \~1.4 × 10⁸ | | 2018 | 估算 | | 452 | Multiresolution CNN (Google, 2014) | \~1.3 × 10⁸ | | 2014 | 估算 | | 453 | FTW (DeepMind, 2018) | \~1.3 × 10⁸ | | 2018 | 估算 | | 454 | Feedback Transformer (LORIA, 2020) | \~1.3 × 10⁸ | | 2020 | 估算 | | 455 | KEPLER (Tsinghua University, 2020) | 1.3 × 10⁸ | 1.3 × 10⁸ | 2020 | 稠密 | | 456 | DL scaling Image (Baidu, 2017) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2017 | 稠密 | | 457 | GloVe (Stanford University, 2014) | \~1.2 × 10⁸ | | 2014 | 估算 | | 458 | Conformer (Google, 2020) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2020 | 稠密 | | 459 | GPT-1 (OpenAI, 2018) | \~1.2 × 10⁸ | | 2018 | 估算 | | 460 | ContextNet (Google, 2020) | \~1.1 × 10⁸ | | 2020 | 估算 | | 461 | SciBERT (Allen Institute for AI, 2019) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2019 | 稠密 | | 462 | DNABERT (Northeastern University, 2021) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2021 | 架构未说明 | | 463 | Contriever (Meta AI, 2021) | \~1.1 × 10⁸ | | 2021 | 估算 | | 464 | BERT-RBP (Waseda University, 2022) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2022 | 稠密 | | 465 | RoFormer (Zhuiyi Technology, 2023) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2023 | 架构未说明 | | 466 | LSTM LM (RWTH Aachen University, 2012) | \~1 × 10⁸ | | 2012 | 估算 | | 467 | ReLU-Speech (Google, 2013) | \~1 × 10⁸ | | 2013 | 估算 | | 468 | STORM-B/8 (University of Southern California, 2024) | 1 × 10⁸ | 1 × 10⁸ | 2024 | 架构未说明 | | 469 | Support Vector Machines (AT&T, 1995) | \~1 × 10⁸ | | 1995 | 估算 | | 470 | GPU DBNs (Stanford University, 2009) | 1 × 10⁸ | 1 × 10⁸ | 2009 | 稠密 | | 471 | MSA Transformer (Facebook AI Research, 2021) | \~1 × 10⁸ | | 2021 | 估算 | | 472 | YOLOX-X (Megvii Inc, 2021) | \~9.9 × 10⁷ | | 2021 | 估算 | | 473 | DeLighT (University of Washington, 2020) | \~9.9 × 10⁷ | | 2020 | 估算 | | 474 | ELMo (University of Washington, 2018) | \~9.4 × 10⁷ | | 2018 | 估算 | | 475 | AlphaFold 2 (DeepMind, 2020) | \~9.3 × 10⁷ | | 2020 | 估算 | | 476 | AlphaMissense (Google DeepMind, 2023) | \~9.3 × 10⁷ | | 2023 | 估算 | | 477 | Octo-Base (University of California (UC) Berkeley, 2024) | 9.3 × 10⁷ | 9.3 × 10⁷ | 2024 | 架构未说明 | | 478 | PolyNet (Chinese University of Hong Kong (CUHK), 2016) | \~9.2 × 10⁷ | | 2016 | 估算 | | 479 | Transformer local-attention (Google Cloud, 2021) | 9 × 10⁷ | 9 × 10⁷ | 2021 | 架构未说明 | | 480 | Transformer + Simple Recurrent Unit (ASAPP, 2018) | 9 × 10⁷ | 9 × 10⁷ | 2018 | 稠密 | | 481 | NASNet-A (Google Brain, 2017) | \~8.9 × 10⁷ | | 2017 | 估算 | | 482 | CLIP (OpenAI, 2021) | \~8.9 × 10⁷ | | 2021 | 估算 | | 483 | Detic (Meta AI, 2022) | \~8.8 × 10⁷ | | 2022 | 估算 | | 484 | MSRA (Microsoft Research, 2015) | 8.7 × 10⁷ | 8.7 × 10⁷ | 2015 | 稠密 | | 485 | BigBiGAN (Google, 2019) | \~8.6 × 10⁷ | | 2019 | 估算 | | 486 | ViT-Base/32 (Google Brain, 2020) | \~8.6 × 10⁷ | | 2020 | 估算 | | 487 | DeiT-B (Meta AI, 2021) | 8.6 × 10⁷ | 8.6 × 10⁷ | 2021 | 架构未说明 | | 488 | CaLM (University of Oxford, 2022) | \~8.6 × 10⁷ | | 2022 | 估算 | | 489 | Tensor-Transformer (University of California (UC) Berkeley, 2020) | 8.5 × 10⁷ | 8.5 × 10⁷ | 2020 | 稠密 | | 490 | ResNeXt-101 (University of California San Diego, 2016) | 8.3 × 10⁷ | 8.3 × 10⁷ | 2016 | 稠密 | | 491 | RBM Image Classifier (University of Toronto, 2009) | \~8 × 10⁷ | | 2009 | 估算 | | 492 | Routing Transformer (Google Research, 2020) | 8 × 10⁷ | 8 × 10⁷ | 2020 | 稠密 | | 493 | Big-Little Net (IBM, 2018) | \~7.7 × 10⁷ | | 2018 | 估算 | | 494 | EfficientDet (Google Brain, 2020) | \~7.7 × 10⁷ | | 2020 | 估算 | | 495 | CODEFUSION (Microsoft, 2023) | 7.5 × 10⁷ | 7.5 × 10⁷ | 2023 | 架构未说明 | | 496 | RNN LM (Johns Hopkins University, 2010) | \~7 × 10⁷ | | 2010 | 估算 | | 497 | R-CNN (University of California (UC) Berkeley, 2013) | \~6.9 × 10⁷ | | 2013 | 估算 | | 498 | Variational (University of Cambridge, 2015) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2015 | 稠密 | | 499 | DistilBERT (Hugging Face, 2019) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2019 | 稠密 | | 500 | Theseus 6/768 (University of California San Diego, 2020) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2020 | 稠密 | | 501 | ResNet-152 (Microsoft, 2015) | 6 × 10⁷ | 6 × 10⁷ | 2015 | 稠密 | | 502 | AlexNet (University of Toronto, 2012) | 6 × 10⁷ | 6 × 10⁷ | 2012 | 稠密 | | 503 | DETR (Facebook, 2020) | 6 × 10⁷ | 6 × 10⁷ | 2020 | 稠密 | | 504 | YOLOv3 (University of Washington, 2018) | \~5.7 × 10⁷ | | 2018 | 估算 | | 505 | Inception-ResNet-V2 (Google, 2016) | \~5.6 × 10⁷ | | 2016 | 估算 | | 506 | Transformer ELMo (Allen Institute for AI, 2019) | 5.6 × 10⁷ | 5.6 × 10⁷ | 2019 | 稠密 | | 507 | 果蝇大脑 | 5.5 × 10⁷ | 5.5 × 10⁷ | | 突触 | | 508 | NAS with base 8 and shared embeddings (Google Brain, 2016) | 5.4 × 10⁷ | 5.4 × 10⁷ | 2016 | 稠密 | | 509 | RetinaNet-R101 (Facebook AI Research, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | 稠密 | | 510 | AWD-LSTM+WT+Cache+IOG (NTT Communication Science Laboratories, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | 稠密 | | 511 | Hierarchical Scene Labeling (New York University (NYU), 2013) | 5.2 × 10⁷ | 5.2 × 10⁷ | 2013 | 稠密 | | 512 | VD-LSTM+REAL Large (Salesforce Research, 2016) | 5.1 × 10⁷ | 5.1 × 10⁷ | 2016 | 稠密 | | 513 | YOLOv2 (University of Washington, 2016) | \~5.1 × 10⁷ | | 2016 | 估算 | | 514 | Dropout-LSTM+Noise (Columbia University, 2018) | \~5.1 × 10⁷ | | 2018 | 估算 | | 515 | LSTM + dynamic eval (University of Edinburgh, 2017) | \~5 × 10⁷ | | 2017 | 估算 | | 516 | Dropout (University of Toronto, 2012) | \~4.9 × 10⁷ | | 2012 | 估算 | | 517 | Dropout: SVHN (University of Toronto, 2014) | 4.8 × 10⁷ | 4.8 × 10⁷ | 2014 | 稠密 | | 518 | DistBelief Speech (Google, 2012) | \~4.7 × 10⁷ | | 2012 | 估算 | | 519 | AlphaGo Zero (DeepMind, 2017) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2017 | 稠密 | | 520 | Fine-tuned-AWD-LSTM-DOC (Samsung R&D Institute Russia, 2018) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2018 | 稠密 | | 521 | CT-MoS (Google, 2020) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2020 | 稠密 | | 522 | JFT (Google Research, 2017) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2017 | 稠密 | | 523 | ResNet-101 (Microsoft, 2015) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2015 | 稠密 | | 524 | HR-ResNet101 (Carnegie Mellon University (CMU), 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | 稠密 | | 525 | 3DMM-CNN (University of Southern California, 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | 稠密 | | 526 | LaNet-L (Brown University, 2019) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2019 | 稠密 | | 527 | ProBERTa (University of Illinois Urbana-Champaign (UIUC), 2020) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2020 | 稠密 | | 528 | PreTrans-3L-250H (University of Toronto, 2013) | \~4.3 × 10⁷ | | 2013 | 估算 | | 529 | Inceptionv4 (Google, 2016) | \~4.3 × 10⁷ | | 2016 | 估算 | | 530 | GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (Ben-Gurion University of the Negev, 2017) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2017 | 稠密 | | 531 | U-Net (University of Freiburg, 2015) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2015 | 稠密 | | 532 | NASv3 (Google Brain, 2016) | \~3.7 × 10⁷ | | 2016 | 估算 | | 533 | MuZero (DeepMind, 2019) | \~3.7 × 10⁷ | | 2019 | 估算 | | 534 | AWD-LSTM-MoS + dynamic evaluation (Carnegie Mellon University (CMU), 2017) | \~3.5 × 10⁷ | | 2017 | 估算 | | 535 | AWD-LSTM-MoS+PDR + dynamic evaluation (IBM, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | 稠密 | | 536 | AWD-LSTM-MoS + dynamic evaluation (Peking University, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | 稠密 | | 537 | AWD-LSTM + MoS + Partial Shuffled (University of Texas at Austin, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | 稠密 | | 538 | Mogrifier (d2, MoS2, MC) + dynamic eval (DeepMind, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | 稠密 | | 539 | Mogrifier RLSTM (DeepMind, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | 架构未说明 | | 540 | RT-1 (Google, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | 架构未说明 | | 541 | DenseNet-264 (Tsinghua University, 2016) | 3.4 × 10⁷ | 3.4 × 10⁷ | 2016 | 稠密 | | 542 | RetinaNet-R50 (Facebook AI Research, 2017) | \~3.4 × 10⁷ | | 2017 | 估算 | | 543 | Fraternal dropout + AWD-LSTM 3-layer (Jagiellonian University, 2017) | \~3.4 × 10⁷ | | 2017 | 估算 | | 544 | AWD-LSTM-DRILL + dynamic evaluation† (IDIAP, 2019) | \~3.4 × 10⁷ | | 2019 | 估算 | | 545 | AWD-LSTM - 3-layer LSTM (Salesforce Research, 2017) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2017 | 稠密 | | 546 | TCAN (Nanjing University, 2020) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2020 | 稠密 | | 547 | MMLSTM (Beijing University of Posts and Telecommunications, 2019) | \~3.2 × 10⁷ | | 2019 | 估算 | | 548 | Paragraph Vector (Google, 2014) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2014 | 稠密 | | 549 | aLSTM (University of Manchester, 2018) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2018 | 稠密 | | 550 | StyleGAN2 (Nvidia, 2019) | 3 × 10⁷ | 3 × 10⁷ | 2019 | 稠密 | | 551 | UDSMProt (Fraunhofer Heinrich Hertz Institute, 2019) | \~2.8 × 10⁷ | | 2019 | 估算 | | 552 | SENet (Chinese Academy of Sciences, 2017) | \~2.8 × 10⁷ | | 2017 | 估算 | | 553 | Perceiver IO (DeepMind, 2020) | 2.8 × 10⁷ | 2.8 × 10⁷ | 2020 | 稠密 | | 554 | Fractional Max-Pooling (University of Warwick, 2014) | \~2.7 × 10⁷ | | 2014 | 估算 | | 555 | Hierarchical Reasoning Model (Sapient Intelligence, 2025) | 2.7 × 10⁷ | 2.7 × 10⁷ | 2025 | 架构未说明 | | 556 | RNN-WER (DeepMind, 2014) | \~2.6 × 10⁷ | | 2014 | 估算 | | 557 | StyleGAN (Nvidia, 2018) | 2.6 × 10⁷ | 2.6 × 10⁷ | 2018 | 稠密 | | 558 | PyramidNet (Korea Advanced Institute of Science and Technology (KAIST), 2017) | \~2.6 × 10⁷ | | 2017 | 估算 | | 559 | ResNeXt-50 (University of California San Diego, 2016) | \~2.5 × 10⁷ | | 2016 | 估算 | | 560 | AWD-LSTM (DeepMind, 2017) | 2.4 × 10⁷ | 2.4 × 10⁷ | 2017 | 稠密 | | 561 | Inception v3 (Google, 2015) | \~2.4 × 10⁷ | | 2015 | 估算 | | 562 | Mamba-24M (Carnegie Mellon University (CMU), 2023) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2023 | 架构未说明 | | 563 | WeNet (Amazon, 2019) | \~2.3 × 10⁷ | | 2019 | 估算 | | 564 | EN^2AS with performance reward (Beijing Institute of Technology, 2019) | \~2.3 × 10⁷ | | 2019 | 估算 | | 565 | NAS+ESS (Northeastern University (China), 2020) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2020 | 稠密 | | 566 | Xception (Google, 2016) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2016 | 稠密 | | 567 | MetaMimic (Google, 2018) | \~2.2 × 10⁷ | | 2018 | 估算 | | 568 | MMLSTM (Beijing University of Posts and Telecommunications, 2019) | \~2.1 × 10⁷ | | 2019 | 估算 | | 569 | Pointer Sentinel-LSTM (MetaMind Inc, 2016) | 2.1 × 10⁷ | 2.1 × 10⁷ | 2016 | 稠密 | | 570 | DiffDock (Massachusetts Institute of Technology (MIT), 2022) | \~2 × 10⁷ | | 2022 | 估算 | | 571 | EI-REHN-1000D (Korea Advanced Institute of Science and Technology (KAIST), 2017) | 1.9 × 10⁷ | 1.9 × 10⁷ | 2017 | 稠密 | | 572 | TC-DNN-BLSTM-DNN (Carnegie Mellon University (CMU), 2015) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2015 | 稠密 | | 573 | OR-WideResNet (Duke University, 2017) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2017 | 稠密 | | 574 | BP-DBN (University of Toronto, 2009) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2009 | 稠密 | | 575 | ALBERT (Toyota Technological Institute at Chicago, 2019) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2019 | 稠密 | | 576 | MedBERT (Peng Cheng Laboratory, 2021) | \~1.7 × 10⁷ | | 2021 | 估算 | | 577 | LCNP NORB (, 2009) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2009 | 稠密 | | 578 | LF-MMI (Johns Hopkins University, 2016) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2016 | 稠密 | | 579 | AlphaFold (DeepMind, 2020) | \~1.6 × 10⁷ | | 2020 | 估算 | | 580 | GNoME for crystal discovery (Google DeepMind, 2023) | \~1.6 × 10⁷ | | 2023 | 估算 | | 581 | ReLU (University of Toronto, 2010) | \~1.6 × 10⁷ | | 2010 | 估算 | | 582 | ProteinBERT (Hebrew University of Jerusalem, 2022) | 1.6 × 10⁷ | 1.6 × 10⁷ | 2022 | 架构未说明 | | 583 | Eve (Harvard Medical School, 2021) | \~1.5 × 10⁷ | | 2021 | 估算 | | 584 | LCNP LabelMe (University of Bonn, 2009) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2009 | 稠密 | | 585 | BatchNorm (Google, 2015) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2015 | 稠密 | | 586 | Fold2Seq (IBM, 2021) | \~1.2 × 10⁷ | | 2021 | 估算 | | 587 | NPLM (University of Montreal / Université de Montréal, 2003) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2003 | 稠密 | | 588 | LCNP MNIST (, 2009) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2009 | 稠密 | | 589 | ISS (Duke University, 2017) | 1.1 × 10⁷ | 1.1 × 10⁷ | 2017 | 稠密 | | 590 | ResNet-1001 (Microsoft, 2016) | \~1 × 10⁷ | | 2016 | 估算 | | 591 | RNN+LDA+KN5+cache (Microsoft, 2012) | \~9 × 10⁶ | | 2012 | 估算 | | 592 | Gated HORNN (York University, 2016) | \~9 × 10⁶ | | 2016 | 估算 | | 593 | AlphaGo Fan (DeepMind, 2015) | \~8.2 × 10⁶ | | 2015 | 估算 | | 594 | genCNN + dyn eval (Chinese Academy of Sciences, 2015) | \~8 × 10⁶ | | 2015 | 估算 | | 595 | Once for All (MIT-IBM Watson AI Lab, 2020) | 7.7 × 10⁶ | 7.7 × 10⁶ | 2020 | 稠密 | | 596 | Multi-cell LSTM (University of Hyderabad, 2018) | \~7.2 × 10⁶ | | 2018 | 估算 | | 597 | Feedforward NN (University of Montreal / Université de Montréal, 2010) | 7.1 × 10⁶ | 7.1 × 10⁶ | 2010 | 稠密 | | 598 | True-Regularization+Finetune+Dynamic-Eval (Mobvoi, 2019) | 7 × 10⁶ | 7 × 10⁶ | 2019 | 稠密 | | 599 | Neural LM (University of Montreal / Université de Montréal, 2000) | 6.9 × 10⁶ | 6.9 × 10⁶ | 2000 | 稠密 | | 600 | GoogLeNet / InceptionV1 (Google, 2014) | 6.8 × 10⁶ | 6.8 × 10⁶ | 2014 | 稠密 | | 601 | HyenaDNA (Stanford University, 2023) | 6.6 × 10⁶ | 6.6 × 10⁶ | 2023 | 架构未说明 | | 602 | Dropout (University of Toronto, 2012) | 5.6 × 10⁶ | 5.6 × 10⁶ | 2012 | 稠密 | | 603 | SimpleNet (Sensifai, 2016) | 5.5 × 10⁶ | 5.5 × 10⁶ | 2016 | 稠密 | | 604 | AlphaX-1 (Facebook AI Research, 2019) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2019 | 稠密 | | 605 | 3DDFA (Chinese Academy of Sciences, 2015) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2015 | 稠密 | | 606 | Deep CNN + COTS (IEEE, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | 稠密 | | 607 | DCNN (University of Maryland, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | 稠密 | | 608 | NLP from scratch (NEC Laboratories, 2011) | \~5 × 10⁶ | | 2011 | 估算 | | 609 | SPN-4+KN5 (Singapore University of Technology & Design, 2014) | \~5 × 10⁶ | | 2014 | 估算 | | 610 | 6-Act Tether (Facebook AI Research, 2021) | 5 × 10⁶ | 5 × 10⁶ | 2021 | 架构未说明 | | 611 | High Performance CNN (IDSIA, 2011) | \~4.9 × 10⁶ | | 2011 | 估算 | | 612 | MobileNet (Google, 2017) | \~4.2 × 10⁶ | | 2017 | 估算 | | 613 | NPLM (University of Montreal / Université de Montréal, 2003) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2003 | 稠密 | | 614 | LMICA (, 2004) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2004 | 稠密 | | 615 | PoE MNIST (University College London (UCL), 2000) | 3.9 × 10⁶ | 3.9 × 10⁶ | 2000 | 稠密 | | 616 | Dimensionality Reduction (University of Toronto, 2006) | \~3.8 × 10⁶ | | 2006 | 估算 | | 617 | GOAT (DeepMind, 2021) | \~3.5 × 10⁶ | | 2021 | 估算 | | 618 | MobileNetV2 (Google, 2018) | \~3.4 × 10⁶ | | 2018 | 估算 | | 619 | Big-Little Net (IBM, 2018) | \~3.3 × 10⁶ | | 2018 | 估算 | | 620 | DLWP (University of Washington, 2021) | 2.7 × 10⁶ | 2.7 × 10⁶ | 2021 | 架构未说明 | | 621 | BIDAF (University of Washington, 2016) | 2.6 × 10⁶ | 2.6 × 10⁶ | 2016 | 稠密 | | 622 | DeepStack (University of Alberta, 2017) | \~2.5 × 10⁶ | | 2017 | 估算 | | 623 | KataGo (Jane Street, 2019) | \~2.5 × 10⁶ | | 2019 | 估算 | | 624 | ShuffleNet v1 (Megvii Inc, 2017) | \~2.4 × 10⁶ | | 2017 | 估算 | | 625 | ADAM (University of Amsterdam, 2014) | 2.4 × 10⁶ | 2.4 × 10⁶ | 2014 | 稠密 | | 626 | StyleGAN3-T (Nvidia, 2021) | 2.2 × 10⁶ | 2.2 × 10⁶ | 2021 | 架构未说明 | | 627 | LSTM+NeuralCache (KU Leuven, 2018) | \~2.1 × 10⁶ | | 2018 | 估算 | | 628 | HLBL (University of Toronto, 2008) | 1.8 × 10⁶ | 1.8 × 10⁶ | 2008 | 稠密 | | 629 | ResNet-110 (Microsoft, 2015) | \~1.7 × 10⁶ | | 2015 | 估算 | | 630 | Dueling DQN (Google DeepMind, 2016) | 1.7 × 10⁶ | 1.7 × 10⁶ | 2016 | 稠密 | | 631 | DQN-2015 (Google, 2015) | \~1.7 × 10⁶ | | 2015 | 估算 | | 632 | Rational DQN Average (TU Darmstadt, 2021) | \~1.7 × 10⁶ | | 2021 | 估算 | | 633 | IBM-5 (IBM, 1993) | \~1.7 × 10⁶ | | 1993 | 估算 | | 634 | Deep Belief Nets (University of Toronto, 2006) | \~1.6 × 10⁶ | | 2006 | 估算 | | 635 | IMPALA (DeepMind, 2018) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2018 | 稠密 | | 636 | StyleGAN3-R (Nvidia, 2021) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2021 | 架构未说明 | | 637 | Deep Multitask NLP Network (NEC Laboratories, 2008) | \~1.5 × 10⁶ | | 2008 | 估算 | | 638 | Double DQN (Google DeepMind, 2016) | 1.5 × 10⁶ | 1.5 × 10⁶ | 2016 | 稠密 | | 639 | CNN committee (IDSIA, 2011) | \~1.4 × 10⁶ | | 2011 | 估算 | | 640 | SqueezeNet (DeepScale, 2016) | \~1.2 × 10⁶ | | 2016 | 估算 | | 641 | Neocognitron (NHK Broadcasting Science Research Laboratories, 1980) | 1.1 × 10⁶ | 1.1 × 10⁶ | 1980 | 稠密 | | 642 | CURL (University of California (UC) Berkeley, 2020) | \~9.1 × 10⁵ | | 2020 | 估算 | | 643 | DQN (DeepMind, 2013) | 8.4 × 10⁵ | 8.4 × 10⁵ | 2013 | 稠密 | | 644 | EnhanceNet (Max Planck Institute for Intelligent Systems, 2016) | 8.1 × 10⁵ | 8.1 × 10⁵ | 2016 | 稠密 | | 645 | Image generation (University of Amsterdam, 2013) | 7.8 × 10⁵ | 7.8 × 10⁵ | 2013 | 稠密 | | 646 | Hanabi 4 player (DeepMind, 2019) | 7.6 × 10⁵ | 7.6 × 10⁵ | 2019 | 稠密 | | 647 | TA-CNN (Chinese University of Hong Kong (CUHK), 2014) | \~7.1 × 10⁵ | | 2014 | 估算 | | 648 | Robot Parkour (Shanghai Qi Zhi institute, 2023) | 5 × 10⁵ | 5 × 10⁵ | 2023 | 架构未说明 | | 649 | LISSOM (University of Texas at Austin, 1995) | \~4.3 × 10⁵ | | 1995 | 估算 | | 650 | SPIDER2 (Griffith University, 2016) | \~4.1 × 10⁵ | | 2016 | 估算 | | 651 | Mixture of linear models (, 1994) | \~3.8 × 10⁵ | | 1994 | 估算 | | 652 | NPD (IEEE, 2014) | 3.1 × 10⁵ | 3.1 × 10⁵ | 2014 | 稠密 | | 653 | Pooling CNN (University of Bonn, 2010) | 2.9 × 10⁵ | 2.9 × 10⁵ | 2010 | 稠密 | | 654 | Pooling CNN (University of Bonn, 2010) | 2.7 × 10⁵ | 2.7 × 10⁵ | 2010 | 稠密 | | 655 | Two Stage Feature Extraction (New York University (NYU), 2009) | 2.6 × 10⁵ | 2.6 × 10⁵ | 2009 | 稠密 | | 656 | Vector Space Model (Stanford University, 2011) | 2.5 × 10⁵ | 2.5 × 10⁵ | 2011 | 稠密 | | 657 | HyperNEAT (University of Texas at Austin, 2014) | \~2.4 × 10⁵ | | 2014 | 估算 | | 658 | DNN EM segmentation (IDSIA, 2012) | 2.2 × 10⁵ | 2.2 × 10⁵ | 2012 | 稠密 | | 659 | Predictive Coding NN (Technical University of Munich, 1994) | 2.1 × 10⁵ | 2.1 × 10⁵ | 1994 | 稠密 | | 660 | Table Tennis Agent (Google DeepMind, 2024) | \~1.9 × 10⁵ | | 2024 | 估算 | | 661 | CNN Committee (IDSIA, 2011) | \~1.3 × 10⁵ | | 2011 | 估算 | | 662 | CNN Committee (IDSIA, 2011) | \~1.2 × 10⁵ | | 2011 | 估算 | | 663 | RECONTRA-uncategorized (, 1999) | \~1.1 × 10⁵ | | 1999 | 估算 | | 664 | BLSTM for handwriting (University of Bern, 2007) | \~1 × 10⁵ | | 2007 | 估算 | | 665 | SVM-CNN (New York University (NYU), 2006) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2006 | 稠密 | | 666 | Invariant CNN (New York University (NYU), 2004) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2004 | 稠密 | | 667 | SexNet compression (, 1990) | 7.3 × 10⁴ | 7.3 × 10⁴ | 1990 | 稠密 | | 668 | NeuroChess (, 1994) | \~7.2 × 10⁴ | | 1994 | 估算 | | 669 | RECONTRA-categorized (, 1999) | \~6.7 × 10⁴ | | 1999 | 估算 | | 670 | LeNet-5 (AT&T, 1998) | 6 × 10⁴ | 6 × 10⁴ | 1998 | 稠密 | | 671 | Swift (Intel Labs, 2023) | \~5.7 × 10⁴ | | 2023 | 估算 | | 672 | TCN (Carnegie Mellon University (CMU), 2018) | 4.2 × 10⁴ | 4.2 × 10⁴ | 2018 | 稠密 | | 673 | TRPO (University of California (UC) Berkeley, 2015) | 3.4 × 10⁴ | 3.4 × 10⁴ | 2015 | 稠密 | | 674 | SOM-CNN (, 1997) | 3.2 × 10⁴ | 3.2 × 10⁴ | 1997 | 稠密 | | 675 | NETtalk reimplementation (Oregon State University, 1990) | 2.7 × 10⁴ | 2.7 × 10⁴ | 1990 | 稠密 | | 676 | TD-Gammon (IBM, 1992) | \~2.5 × 10⁴ | | 1992 | 估算 | | 677 | Cognitron (Biological Cybernetics, 1975) | 2.2 × 10⁴ | 2.2 × 10⁴ | 1975 | 稠密 | | 678 | NetTalk (Princeton University, 1987) | 1.9 × 10⁴ | 1.9 × 10⁴ | 1987 | 稠密 | | 679 | CFSS (SenseTime, 2015) | \~1.7 × 10⁴ | | 2015 | 估算 | | 680 | MUSIC perceptron (, 1996) | 1.4 × 10⁴ | 1.4 × 10⁴ | 1996 | 稠密 | | 681 | AdaRNN (Beihang University, 2014) | 1.3 × 10⁴ | 1.3 × 10⁴ | 2014 | 稠密 | | 682 | Bidirectional RNN (Advanced Telecommunications Research Institute, 1997) | \~1.3 × 10⁴ | | 1997 | 估算 | | 683 | Decision tree (Mitsubishi Electric Research Labs, 2001) | \~1.2 × 10⁴ | | 2001 | 估算 | | 684 | LSTM (Technical University of Munich, 1997) | 1.1 × 10⁴ | 1.1 × 10⁴ | 1997 | 稠密 | | 685 | MLN-ASR (McGill University, 1988) | 1 × 10⁴ | 1 × 10⁴ | 1988 | 稠密 | | 686 | Hopfield network (California Institute of Technology, 1982) | \~9.9 × 10³ | | 1982 | 估算 | | 687 | Zip CNN (AT&T, 1989) | 9.8 × 10³ | 9.8 × 10³ | 1989 | 稠密 | | 688 | Hierarchical Cognitron (NHK Broadcasting Science Research Laboratories, 1984) | \~9.3 × 10³ | | 1984 | 估算 | | 689 | Weight Decay (, 1991) | 8.4 × 10³ | 8.4 × 10³ | 1991 | 稠密 | | 690 | Deep Blue (IBM, 1997) | \~8 × 10³ | | 1997 | 估算 | | 691 | 线虫（C. elegans） | 7 × 10³ | 7 × 10³ | | 突触 | | 692 | System 11 (Carnegie Mellon University (CMU), 1996) | 6.5 × 10³ | 6.5 × 10³ | 1996 | 稠密 | | 693 | ACF-WIDER (Chinese Academy of Sciences, 2014) | 6.1 × 10³ | 6.1 × 10³ | 2014 | 稠密 | | 694 | RankNet (Microsoft Research, 2005) | 5.7 × 10³ | 5.7 × 10³ | 2005 | 稠密 | | 695 | ANN Eye Tracker (, 1993) | 5.6 × 10³ | 5.6 × 10³ | 1993 | 稠密 | | 696 | JPMAX (, 1994) | \~4.4 × 10³ | | 1994 | 估算 | | 697 | Kohonen network (Helsinki University of Technology, 1981) | \~4.1 × 10³ | | 1981 | 估算 | | 698 | Speaker-independent vowel classification (University of Washington, 1989) | 3 × 10³ | 3 × 10³ | 1989 | 稠密 | | 699 | Pattern recognition and reading by machine (Sandia Corporation, 1959) | \~2.6 × 10³ | | 1959 | 估算 | | 700 | Handwritten digit recognition network (AT&T, 1989) | 2.6 × 10³ | 2.6 × 10³ | 1989 | 稠密 | | 701 | Boosting (Bell Laboratories, 1992) | \~2.6 × 10³ | | 1992 | 估算 | | 702 | Decision tree adaline (Tokyo Medical and Dental University, 1969) | 2.5 × 10³ | 2.5 × 10³ | 1969 | 稠密 | | 703 | LTE speaker verification system (IBM, 1966) | \~2.1 × 10³ | | 1966 | 估算 | | 704 | Ceramic-MLP (Sapienza Università di Roma, 1994) | \~1.9 × 10³ | | 1994 | 估算 | | 705 | SexNet classification (, 1990) | \~1.6 × 10³ | | 1990 | 估算 | | 706 | RAAM (, 1990) | 1.5 × 10³ | 1.5 × 10³ | 1990 | 稠密 | | 707 | Super-vector coding (University of Illinois Urbana-Champaign (UIUC), 2010) | \~1 × 10³ | | 2010 | 估算 | | 708 | Perceptron Mark I (Cornell Aeronautical Laboratory, 1957) | \~1 × 10³ | | 1957 | 估算 | | 709 | Perceptron (Cornell Aeronautical Laboratory, 1960) | \~1 × 10³ | | 1960 | 估算 | | 710 | Translation-invariant MLP (Carnegie Mellon University (CMU), 1987) | 8.2 × 10² | 8.2 × 10² | 1987 | 混合专家（活跃参数量未公布） | | 711 | Truck backer-upper (Stanford University, 1989) | 8.1 × 10² | 8.1 × 10² | 1989 | 稠密 | | 712 | Siamese-TDNN (Bell Laboratories, 1993) | \~7.4 × 10² | | 1993 | 估算 | | 713 | MLP with back-propagation (University of California San Diego, 1986) | 7.2 × 10² | 7.2 × 10² | 1986 | 稠密 | | 714 | Cancer drug mechanism prediction (National Cancer Institute, 1992) | \~5.9 × 10² | | 1992 | 估算 | | 715 | Distributed representation NN (Carnegie Mellon University (CMU), 1986) | 4.3 × 10² | 4.3 × 10² | 1986 | 稠密 | | 716 | Piecewise linear model (University of Kansas, 1973) | 3.6 × 10² | 3.6 × 10² | 1973 | 稠密 | | 717 | ASE+ACE (University of Massachusetts Amherst, 1983) | \~3.2 × 10² | | 1983 | 估算 | | 718 | LSTM with forget gates (IDSIA, 1999) | \~2.8 × 10² | | 1999 | 估算 | | 719 | Self Organizing System (Massachusetts Institute of Technology (MIT), 1955) | \~2.3 × 10² | | 1955 | 估算 | | 720 | Theseus (Bell Laboratories, 1950) | 4 × 10¹ | 4 × 10¹ | 1950 | 稠密 | | 721 | SNARC (Harvard University, 1952) | \~4 × 10¹ | | 1952 | 估算 | | 722 | Bankruptcy-NN (, 1990) | 3.6 × 10¹ | 3.6 × 10¹ | 1990 | 稠密 | | 723 | GNN (University of Siena, 2008) | 3 × 10¹ | 3 × 10¹ | 2008 | 稠密 | | 724 | ADALINE (Stanford University, 1960) | 1.7 × 10¹ | 1.7 × 10¹ | 1960 | 稠密 | | 725 | Samuel Neural Checkers (IBM, 1959) | \~1.6 × 10¹ | | 1959 | 估算 | ## 集体 这些图表用两种方式给动物社会、宗教、国家、政党和企业排名。一种按成员数。另一种按神经元当量，也就是按群体的指令支配每个成员清醒时间的比例，给每个成员加权。宗教戒律、法律、党章和岗位职责，算法都一样。它们都是一套套指令，所以我们用同一条规则来衡量。[有向时间是如何估算的](https://simulation-hypothesis.com/zh/entities/control)。 ## 动物社会：协同群体活动中的神经元 群体中的神经元 群体活动中 一个典型群体的成员数 × 每名成员皮层或端脑皮层中的神经元数（昆虫取全脑），对数刻度。斜线柱使用的是估计的群体规模或近缘物种的神经元数。 1. 黑猩猩群落▲1 7.4 × 10¹¹ 2. 切叶蚁群▼1 6.3 × 10¹¹ 3. 倭黑猩猩群落▲2 4.4 × 10¹¹ 4. 哈扎族营地（人类，作规模参照） 4.1 × 10¹¹ 5. 比格虎鲸群▼2 2.6 × 10¹¹ 6. 定居型虎鲸母系家族 2.4 × 10¹¹ 7. 狒狒群 8.6 × 10¹⁰ 8. 宽吻海豚联盟▲1 7.6 × 10¹⁰ 9. 抹香鲸社群单元▲1 6.4 × 10¹⁰ 10. 蜜蜂群体▼2 5.8 × 10¹⁰ 11. 象群家族 5.6 × 10¹⁰ 12. 矮松鸦群 5.3 × 10¹⁰ 13. 斑鬣狗氏族 2.2 × 10¹⁰ 14. 非洲野犬群 7.2 × 10⁹ 15. 狼群 4.2 × 10⁹ 16. 狐獴群 1.7 × 10⁹ 17. 裸鼹鼠群体 4.1 × 10⁸ 10^8 10^9 10^10 10^11 10^12 neurons 显示数字 | # | 分组 | 群体中的神经元 | 群体活动中 | 成员 | 受指令支配的占比 | 叫声类型 | | -- | --------------- | ---------- | ---------- | ------ | -------- | ---- | | 1 | 黑猩猩群落 | 7.4 × 10¹¹ | 2.5 × 10¹¹ | 100 | 34% | — | | 2 | 切叶蚁群 | 6.3 × 10¹¹ | 5 × 10¹¹ | 250万 | 80% | — | | 3 | 倭黑猩猩群落 | 4.4 × 10¹¹ | 1.9 × 10¹¹ | 59 | 43% | — | | 4 | 哈扎族营地（人类，作规模参照） | 4.1 × 10¹¹ | 2.1 × 10¹¹ | 25 | 53% | — | | 5 | 比格虎鲸群 | 2.6 × 10¹¹ | 2.4 × 10¹¹ | 6 | 91% | — | | 6 | 定居型虎鲸母系家族 | 2.4 × 10¹¹ | 1.7 × 10¹¹ | 6 | 70% | 11 | | 7 | 狒狒群 | 8.6 × 10¹⁰ | 5.2 × 10¹⁰ | 30 | 60% | 9 | | 8 | 宽吻海豚联盟 | 7.6 × 10¹⁰ | 4.2 × 10¹⁰ | 6 | 55% | — | | 9 | 抹香鲸社群单元 | 6.4 × 10¹⁰ | 4.1 × 10¹⁰ | 8 | 65% | — | | 10 | 蜜蜂群体 | 5.8 × 10¹⁰ | 4.9 × 10¹⁰ | 60,000 | 85% | — | | 11 | 象群家族 | 5.6 × 10¹⁰ | 3.2 × 10¹⁰ | 10 | 57% | — | | 12 | 矮松鸦群 | 5.3 × 10¹⁰ | 3.2 × 10¹⁰ | 100 | 60% | — | | 13 | 斑鬣狗氏族 | 2.2 × 10¹⁰ | 6.7 × 10⁹ | 45 | 30% | 11 | | 14 | 非洲野犬群 | 7.2 × 10⁹ | 4.8 × 10⁹ | 14 | 67% | 11 | | 15 | 狼群 | 4.2 × 10⁹ | 2.6 × 10⁹ | 8 | 63% | — | | 16 | 狐獴群 | 1.7 × 10⁹ | 1 × 10⁹ | 15 | 57% | 12 | | 17 | 裸鼹鼠群体 | 4.1 × 10⁸ | 2.9 × 10⁸ | 78 | 70% | — | [各个组别如何评分](https://simulation-hypothesis.com/zh/entities/control). ## 宗教：信徒，以及遵循其指令的神经元 成员 遵循其指令 整个宗教 教派和运动 信徒数，对数刻度。教派和运动与包含它们的宗教分开显示。实心柱是统计数，斜线柱是估算值。 1. 基督教▲1 22.69亿 2. 伊斯兰教▼1 20.23亿 3. 印度教 11.78亿 4. 民间宗教 4亿 5. 佛教 3.24亿 6. 非洲传统宗教▲1 9873.4万 7. 神道▲1 8792.41万 8. 锡克教▲1 2500万 9. 犹太教▼3 1478万 10. 道教▲1 800万 11. 巴哈伊教▲1 800万 12. 法轮功▲1 700万 13. 耆那教▼3 445.18万 14. 灵性主义 380万 15. 高台教 250万 16. 天理教 112.15万 17. 生主梵天库玛丽运动 100万 10^5 10^6 10^7 10^8 10^9 10^10 成员 显示数字 | # | 宗教 | 成员 | 遵循其指令 | 受指令支配的占比 | 每周小时数 | | -- | --------- | -------- | ---------- | ---------- | ----- | | 1 | 基督教 | 22.69亿 | 1.7 × 10¹⁸ | 0.88% | 0.9 h | | 2 | 伊斯兰教 | 20.23亿 | 8.9 × 10¹⁸ | 5.1% | 5.4 h | | 3 | 印度教 | 11.78亿 | 1.6 × 10¹⁸ | 1.6% | 1.6 h | | 4 | 民间宗教 | 4亿 | 2 × 10¹⁷ | 0.59%（代理值） | 0.6 h | | 5 | 佛教 | 3.24亿 | 7.5 × 10¹⁶ | 0.27% | 0.3 h | | 6 | 非洲传统宗教 | 9873.4万 | 5 × 10¹⁶ | 0.59%（代理值） | 0.6 h | | 7 | 神道 | 8792.41万 | 4.5 × 10¹⁶ | 0.59%（代理值） | 0.6 h | | 8 | 锡克教 | 2500万 | 3.7 × 10¹⁶ | 1.7% | 1.8 h | | 9 | 犹太教 | 1478万 | 5.3 × 10¹⁶ | 4.2% | 4.4 h | | 10 | 道教 | 800万 | 4.1 × 10¹⁵ | 0.59%（代理值） | 0.6 h | | 11 | 巴哈伊教 | 800万 | 4.1 × 10¹⁵ | 0.59%（代理值） | 0.6 h | | 12 | 法轮功 | 700万 | 3.6 × 10¹⁵ | 0.59%（代理值） | 0.6 h | | 13 | 耆那教 | 445.18万 | 1.8 × 10¹⁶ | 4.6% | 4.8 h | | 14 | 灵性主义 | 380万 | 1.9 × 10¹⁵ | 0.59%（代理值） | 0.6 h | | 15 | 高台教 | 250万 | 1.3 × 10¹⁵ | 0.59%（代理值） | 0.6 h | | 16 | 天理教 | 112.15万 | 5.7 × 10¹⁴ | 0.59%（代理值） | 0.6 h | | 17 | 生主梵天库玛丽运动 | 100万 | 5.1 × 10¹⁴ | 0.59%（代理值） | 0.6 h | [每一项做法、份额和出处](https://simulation-hypothesis.com/zh/entities/control). ## 国家：居民，以及遵循其指令的神经元 居民 遵循其指令 全部 东亚和太平洋地区 中东、北非、阿富汗和巴基斯坦 北美洲 南亚 拉丁美洲和加勒比地区 撒哈拉以南非洲 欧洲和中亚 人口，对数刻度。实心柱是统计数，斜线柱是估算值。 1. 印度▲1 14.64亿 2. 中国▼1 14.07亿 3. 美国 3.42亿 4. 印度尼西亚 2.86亿 5. 巴基斯坦▲5 2.55亿 6. 尼日利亚▲1 2.38亿 7. 巴西▼2 2.13亿 8. 孟加拉国▲5 1.76亿 9. 俄罗斯▼3 1.44亿 10. 埃塞俄比亚▲7 1.35亿 11. 墨西哥▼2 1.32亿 12. 日本▲11 1.23亿 13. 埃及▼2 1.18亿 14. 菲律宾 1.17亿 15. 刚果民主共和国▼3 1.13亿 显示全部 196 项 10^4 10^6 10^8 10^10 居民 显示数字 | # | 国家 | 居民 | 遵循其指令 | 受指令支配的占比 | 每周小时数 | | --- | ---------- | -------- | ---------- | -------- | ------ | | 1 | 印度 | 14.64亿 | 2.5 × 10¹⁸ | 2% | 2.1 h | | 2 | 中国 | 14.07亿 | 5 × 10¹⁸ | 4.1% | 4.3 h | | 3 | 美国 | 3.42亿 | 1.6 × 10¹⁸ | 5.6% | 5.8 h | | 4 | 印度尼西亚 | 2.86亿 | 1 × 10¹⁸ | 4.2% | 4.4 h | | 5 | 巴基斯坦 | 2.55亿 | 5.7 × 10¹⁷ | 2.6% | 2.7 h | | 6 | 尼日利亚 | 2.38亿 | 6.6 × 10¹⁷ | 3.2% | 3.4 h | | 7 | 巴西 | 2.13亿 | 8.7 × 10¹⁷ | 4.8% | 5 h | | 8 | 孟加拉国 | 1.76亿 | 4.6 × 10¹⁷ | 3% | 3.1 h | | 9 | 俄罗斯 | 1.44亿 | 7.5 × 10¹⁷ | 6.1% | 6.4 h | | 10 | 埃塞俄比亚 | 1.35亿 | 3.9 × 10¹⁷ | 3.4% | 3.5 h | | 11 | 墨西哥 | 1.32亿 | 5.9 × 10¹⁷ | 5.2% | 5.5 h | | 12 | 日本 | 1.23亿 | 2.8 × 10¹⁷ | 2.7% | 2.8 h | | 13 | 埃及 | 1.18亿 | 5.5 × 10¹⁷ | 5.4% | 5.7 h | | 14 | 菲律宾 | 1.17亿 | 4.4 × 10¹⁷ | 4.4% | 4.6 h | | 15 | 刚果民主共和国 | 1.13亿 | 4.7 × 10¹⁷ | 4.8% | 5.1 h | | 16 | 越南 | 1.02亿 | 4.2 × 10¹⁷ | 4.8% | 5 h | | 17 | 伊朗 | 9241.77万 | 3.5 × 10¹⁷ | 4.3% | 4.6 h | | 18 | 土耳其 | 8587.86万 | 4.3 × 10¹⁷ | 5.8% | 6 h | | 19 | 德国 | 8349.12万 | 2.9 × 10¹⁷ | 4% | 4.2 h | | 20 | 泰国 | 7161.99万 | 2.4 × 10¹⁷ | 3.9% | 4.1 h | | 21 | 坦桑尼亚 | 7054.59万 | 2.2 × 10¹⁷ | 3.6% | 3.8 h | | 22 | 英国 | 6948.7万 | 2.8 × 10¹⁷ | 4.6% | 4.8 h | | 23 | 法国 | 6872.03万 | 3.1 × 10¹⁷ | 5.3% | 5.5 h | | 24 | 南非 | 6474.73万 | 2.9 × 10¹⁷ | 5.1% | 5.4 h | | 25 | 意大利 | 5891.57万 | 2.1 × 10¹⁷ | 4.2% | 4.4 h | | 26 | 肯尼亚 | 5753.25万 | 2.3 × 10¹⁷ | 4.7% | 5 h | | 27 | 缅甸 | 5485.06万 | 1.9 × 10¹⁷ | 4% | 4.2 h | | 28 | 哥伦比亚 | 5342.56万 | 1.7 × 10¹⁷ | 3.7% | 3.9 h | | 29 | 韩国 | 5168.46万 | 1.4 × 10¹⁷ | 3% | 3.2 h | | 30 | 苏丹 | 5166.21万 | 1.5 × 10¹⁷ | 3.4% | 3.6 h | | 31 | 乌干达 | 5138.49万 | 1.5 × 10¹⁷ | 3.4% | 3.6 h | | 32 | 西班牙 | 4935.51万 | 1.8 × 10¹⁷ | 4.2% | 4.3 h | | 33 | 阿尔及利亚 | 4743.53万 | 3.2 × 10¹⁷ | 7.9% | 8.3 h | | 34 | 伊拉克 | 4702.08万 | 1.1 × 10¹⁷ | 2.8% | 2.9 h | | 35 | 阿根廷 | 4585.14万 | 1.7 × 10¹⁷ | 4.4% | 4.6 h | | 36 | 阿富汗 | 4384.41万 | 1.8 × 10¹⁷ | 4.8% | 5 h | | 37 | 也门 | 4177.39万 | 1.3 × 10¹⁷ | 3.7% | 3.9 h | | 38 | 加拿大 | 4165.17万 | 2 × 10¹⁷ | 5.5% | 5.8 h | | 39 | 安哥拉 | 3904万 | 1.4 × 10¹⁷ | 4.2% | 4.4 h | | 40 | 乌克兰 | 3898.04万 | 2.1 × 10¹⁷ | 6.2% | 6.5 h | | 41 | 摩洛哥 | 3843.08万 | 1.5 × 10¹⁷ | 4.5% | 4.7 h | | 42 | 乌兹别克斯坦 | 3705.34万 | 2 × 10¹⁷ | 6.3% | 6.6 h | | 43 | 沙特阿拉伯 | 3697.36万 | 1.4 × 10¹⁷ | 4.3% | 4.6 h | | 44 | 波兰 | 3643.59万 | 2.1 × 10¹⁷ | 6.7% | 7 h | | 45 | 马来西亚 | 3597.78万 | 1.8 × 10¹⁷ | 5.8% | 6.1 h | | 46 | 莫桑比克 | 3563.17万 | 1.5 × 10¹⁷ | 4.8% | 5.1 h | | 47 | 加纳 | 3506.43万 | 1.2 × 10¹⁷ | 3.9% | 4.1 h | | 48 | 秘鲁 | 3457.67万 | 1.4 × 10¹⁷ | 4.8% | 5 h | | 49 | 马达加斯加 | 3274.07万 | 9.4 × 10¹⁶ | 3.3% | 3.5 h | | 50 | 科特迪瓦 | 3271.15万 | 9.5 × 10¹⁶ | 3.4% | 3.5 h | | 51 | 喀麦隆 | 2987.93万 | 9.8 × 10¹⁶ | 3.8% | 4 h | | 52 | 尼泊尔 | 2961.81万 | 1.1 × 10¹⁷ | 4.2% | 4.4 h | | 53 | 委内瑞拉 | 2851.69万 | 1.5 × 10¹⁷ | 6.1% | 6.4 h | | 54 | 尼日尔 | 2791.78万 | 6.4 × 10¹⁶ | 2.6% | 2.8 h | | 55 | 澳大利亚 | 2761.44万 | 1.1 × 10¹⁷ | 4.7% | 5 h | | 56 | 朝鲜 | 2657.1万 | 6.6 × 10¹⁷ | 29% | 30.1 h | | 57 | 叙利亚 | 2562.04万 | 9.8 × 10¹⁶ | 4.4% | 4.6 h | | 58 | 马里 | 2519.88万 | 4.9 × 10¹⁶ | 2.3% | 2.4 h | | 59 | 布基纳法索 | 2407.46万 | 5.7 × 10¹⁶ | 2.8% | 2.9 h | | 60 | 台湾 | 2330.61万 | 1 × 10¹⁷ | 5% | 5.3 h | | 61 | 马拉维 | 2221.61万 | 1 × 10¹⁷ | 5.4% | 5.6 h | | 62 | 赞比亚 | 2191.39万 | 10 × 10¹⁶ | 5.3% | 5.5 h | | 63 | 斯里兰卡 | 2175.6万 | 1.1 × 10¹⁷ | 6% | 6.3 h | | 64 | 乍得 | 2100.37万 | 4.9 × 10¹⁶ | 2.7% | 2.9 h | | 65 | 哈萨克斯坦 | 2084.38万 | 1.4 × 10¹⁷ | 7.6% | 7.9 h | | 66 | 智利 | 1985.99万 | 6.2 × 10¹⁶ | 3.6% | 3.8 h | | 67 | 索马里 | 1965.47万 | 1.5 × 10¹⁶ | 0.88% | 0.9 h | | 68 | 罗马尼亚 | 1902.03万 | 7.5 × 10¹⁶ | 4.6% | 4.8 h | | 69 | 塞内加尔 | 1893.2万 | 5.9 × 10¹⁶ | 3.6% | 3.8 h | | 70 | 危地马拉 | 1868.79万 | 6 × 10¹⁶ | 3.7% | 3.9 h | | 71 | 厄瓜多尔 | 1828.99万 | 6.6 × 10¹⁶ | 4.2% | 4.4 h | | 72 | 荷兰 | 1808.76万 | 7.6 × 10¹⁶ | 4.9% | 5.1 h | | 73 | 柬埔寨 | 1784.8万 | 7.4 × 10¹⁶ | 4.8% | 5.1 h | | 74 | 津巴布韦 | 1695.08万 | 6.1 × 10¹⁶ | 4.2% | 4.4 h | | 75 | 几内亚 | 1509.97万 | 3.1 × 10¹⁶ | 2.4% | 2.5 h | | 76 | 贝宁 | 1481.45万 | 4.4 × 10¹⁶ | 3.4% | 3.6 h | | 77 | 卢旺达 | 1456.93万 | 7 × 10¹⁶ | 5.6% | 5.8 h | | 78 | 布隆迪 | 1439万 | 5.2 × 10¹⁶ | 4.2% | 4.4 h | | 79 | 玻利维亚 | 1258.18万 | 5.8 × 10¹⁶ | 5.4% | 5.6 h | | 80 | 突尼斯 | 1234.86万 | 6.4 × 10¹⁶ | 6% | 6.3 h | | 81 | 南苏丹 | 1218.88万 | 4.4 × 10¹⁶ | 4.2% | 4.4 h | | 82 | 比利时 | 1194.18万 | 4.5 × 10¹⁶ | 4.3% | 4.5 h | | 83 | 海地 | 1190.61万 | 1.9 × 10¹⁶ | 1.8% | 1.9 h | | 84 | 约旦 | 1152.07万 | 4.9 × 10¹⁶ | 5% | 5.2 h | | 85 | 多米尼加共和国 | 1152.05万 | 4.9 × 10¹⁶ | 4.9% | 5.2 h | | 86 | 阿拉伯联合酋长国 | 1151.31万 | 3.1 × 10¹⁶ | 3.1% | 3.2 h | | 87 | 洪都拉斯 | 1100.59万 | 3.2 × 10¹⁶ | 3.3% | 3.5 h | | 88 | 古巴 | 1093.72万 | 1.6 × 10¹⁷ | 17% | 17.4 h | | 89 | 捷克 | 1088.69万 | 5.8 × 10¹⁶ | 6.2% | 6.5 h | | 90 | 葡萄牙 | 1080.49万 | 5.1 × 10¹⁶ | 5.5% | 5.7 h | | 91 | 塔吉克斯坦 | 1078.67万 | 5.3 × 10¹⁶ | 5.7% | 6 h | | 92 | 巴布亚新几内亚 | 1076.28万 | 4.3 × 10¹⁶ | 4.6% | 4.8 h | | 93 | 瑞典 | 1059.66万 | 6.8 × 10¹⁶ | 7.5% | 7.8 h | | 94 | 希腊 | 1041.4万 | 4.9 × 10¹⁶ | 5.4% | 5.7 h | | 95 | 阿塞拜疆 | 1024.7万 | 6.2 × 10¹⁶ | 7% | 7.4 h | | 96 | 以色列 | 1012.28万 | 6.4 × 10¹⁶ | 7.3% | 7.7 h | | 97 | 匈牙利 | 951.43万 | 5.7 × 10¹⁶ | 6.9% | 7.3 h | | 98 | 奥地利 | 920.82万 | 2.5 × 10¹⁶ | 3.2% | 3.4 h | | 99 | 瑞士 | 909.24万 | 3.9 × 10¹⁶ | 5% | 5.3 h | | 100 | 白俄罗斯 | 908.6万 | 7.9 × 10¹⁶ | 10% | 10.6 h | | 101 | 塞拉利昂 | 881.98万 | 4.9 × 10¹⁶ | 6.5% | 6.8 h | | 102 | 多哥 | 859.16万 | 3 × 10¹⁶ | 4% | 4.2 h | | 103 | 老挝 | 787.3万 | 3.2 × 10¹⁶ | 4.8% | 5 h | | 104 | 土库曼斯坦 | 761.88万 | 4.2 × 10¹⁶ | 6.5% | 6.8 h | | 105 | 利比亚 | 745.86万 | 3.9 × 10¹⁶ | 6.1% | 6.4 h | | 106 | 吉尔吉斯斯坦 | 734.31万 | 4.1 × 10¹⁶ | 6.5% | 6.8 h | | 107 | 巴拉圭 | 701.31万 | 2.9 × 10¹⁶ | 4.8% | 5.1 h | | 108 | 尼加拉瓜 | 700.75万 | 2.8 × 10¹⁶ | 4.6% | 4.8 h | | 109 | 塞尔维亚 | 654.91万 | 4.1 × 10¹⁶ | 7.2% | 7.5 h | | 110 | 刚果共和国 | 648.44万 | 1.7 × 10¹⁶ | 3% | 3.1 h | | 111 | 保加利亚 | 643.33万 | 3.3 × 10¹⁶ | 5.9% | 6.2 h | | 112 | 萨尔瓦多 | 636.55万 | 3.2 × 10¹⁶ | 5.8% | 6.1 h | | 113 | 新加坡 | 611.12万 | 1.9 × 10¹⁶ | 3.6% | 3.7 h | | 114 | 丹麦 | 600.92万 | 3.9 × 10¹⁶ | 7.6% | 8 h | | 115 | 黎巴嫩 | 584.94万 | 1.5 × 10¹⁶ | 3% | 3.1 h | | 116 | 利比里亚 | 573.12万 | 1.5 × 10¹⁶ | 3.1% | 3.3 h | | 117 | 芬兰 | 564.64万 | 3.2 × 10¹⁶ | 6.6% | 6.9 h | | 118 | 挪威 | 561.09万 | 3.7 × 10¹⁶ | 7.6% | 8 h | | 119 | 中非共和国 | 551.33万 | 1.7 × 10¹⁶ | 3.5% | 3.7 h | | 120 | 阿曼 | 549.47万 | 2.9 × 10¹⁶ | 6.2% | 6.5 h | | 121 | 爱尔兰 | 548.44万 | 3.4 × 10¹⁶ | 7.2% | 7.6 h | | 122 | 斯洛伐克 | 541.38万 | 3.1 × 10¹⁶ | 6.7% | 7 h | | 123 | 巴勒斯坦 | 541.36万 | 2 × 10¹⁶ | 4.3% | 4.5 h | | 124 | 新西兰 | 532.47万 | 2.7 × 10¹⁶ | 5.9% | 6.2 h | | 125 | 毛里塔尼亚 | 531.51万 | 2 × 10¹⁶ | 4.3% | 4.5 h | | 126 | 哥斯达黎加 | 515.3万 | 2.6 × 10¹⁶ | 5.9% | 6.2 h | | 127 | 科威特 | 486.53万 | 2.7 × 10¹⁶ | 6.5% | 6.8 h | | 128 | 巴拿马 | 457.12万 | 2.3 × 10¹⁶ | 5.9% | 6.2 h | | 129 | 格鲁吉亚 | 393.58万 | 2.1 × 10¹⁶ | 6.1% | 6.4 h | | 130 | 克罗地亚 | 387.62万 | 2.2 × 10¹⁶ | 6.7% | 7 h | | 131 | 厄立特里亚 | 360.7万 | 1.5 × 10¹⁶ | 5% | 5.2 h | | 132 | 蒙古 | 356.9万 | 2.2 × 10¹⁶ | 7% | 7.3 h | | 133 | 乌拉圭 | 338.47万 | 1.7 × 10¹⁶ | 5.9% | 6.2 h | | 134 | 波斯尼亚和黑塞哥维那 | 314.01万 | 1.6 × 10¹⁶ | 5.9% | 6.2 h | | 135 | 纳米比亚 | 309.28万 | 1.8 × 10¹⁶ | 6.9% | 7.2 h | | 136 | 亚美尼亚 | 308.67万 | 1.7 × 10¹⁶ | 6.5% | 6.8 h | | 137 | 卡塔尔 | 297.22万 | 9.6 × 10¹⁵ | 3.8% | 3.9 h | | 138 | 立陶宛 | 288.88万 | 1.8 × 10¹⁶ | 7.4% | 7.7 h | | 139 | 牙买加 | 283.71万 | 1.2 × 10¹⁶ | 5% | 5.2 h | | 140 | 冈比亚 | 282.21万 | 1.1 × 10¹⁶ | 4.5% | 4.7 h | | 141 | 加蓬 | 259.31万 | 9.9 × 10¹⁵ | 4.4% | 4.6 h | | 142 | 博茨瓦纳 | 256.21万 | 1.3 × 10¹⁶ | 5.7% | 6 h | | 143 | 莱索托 | 236.33万 | 9.5 × 10¹⁵ | 4.7% | 4.9 h | | 144 | 摩尔多瓦 | 236.05万 | 1.5 × 10¹⁶ | 7.3% | 7.6 h | | 145 | 阿尔巴尼亚 | 234.96万 | 1.2 × 10¹⁶ | 5.7% | 6 h | | 146 | 几内亚比绍 | 224.95万 | 5.7 × 10¹⁵ | 2.9% | 3.1 h | | 147 | 斯洛文尼亚 | 213.1万 | 1.2 × 10¹⁶ | 6.6% | 6.9 h | | 148 | 赤道几内亚 | 193.84万 | 4 × 10¹⁵ | 2.4% | 2.5 h | | 149 | 拉脱维亚 | 184.78万 | 1.2 × 10¹⁶ | 7.6% | 7.9 h | | 150 | 北马其顿 | 182.09万 | 9.2 × 10¹⁵ | 5.9% | 6.2 h | | 151 | 巴林 | 160.04万 | 5.9 × 10¹⁵ | 4.3% | 4.5 h | | 152 | 科索沃 | 157.69万 | 8 × 10¹⁵ | 5.9% | 6.2 h | | 153 | 东帝汶 | 141.85万 | 8 × 10¹⁵ | 6.6% | 6.9 h | | 154 | 塞浦路斯 | 137.08万 | 5.5 × 10¹⁵ | 4.7% | 4.9 h | | 155 | 特立尼达和多巴哥 | 136.78万 | 9.3 × 10¹⁵ | 7.9% | 8.2 h | | 156 | 爱沙尼亚 | 136.65万 | 8.3 × 10¹⁵ | 7% | 7.4 h | | 157 | 斯威士兰 | 125.62万 | 7.5 × 10¹⁵ | 6.9% | 7.2 h | | 158 | 毛里求斯 | 124.37万 | 5.1 × 10¹⁵ | 4.8% | 5 h | | 159 | 吉布提 | 118.41万 | 4.6 × 10¹⁵ | 4.5% | 4.8 h | | 160 | 斐济 | 933,154 | 5.6 × 10¹⁵ | 7% | 7.4 h | | 161 | 科摩罗 | 882,847 | 3.5 × 10¹⁵ | 4.6% | 4.8 h | | 162 | 所罗门群岛 | 838,645 | 3.2 × 10¹⁵ | 4.4% | 4.6 h | | 163 | 圭亚那 | 835,986 | 4.6 × 10¹⁵ | 6.4% | 6.7 h | | 164 | 不丹 | 796,682 | 5.8 × 10¹⁵ | 8.5% | 8.9 h | | 165 | 卢森堡 | 686,970 | 2.4 × 10¹⁵ | 4% | 4.2 h | | 166 | 苏里南 | 639,850 | 3.7 × 10¹⁵ | 6.7% | 7.1 h | | 167 | 黑山 | 623,129 | 4.3 × 10¹⁵ | 8.1% | 8.5 h | | 168 | Malta | 579,704 | 3.1 × 10¹⁵ | 6.2% | 6.5 h | | 169 | 马尔代夫 | 529,676 | 4.7 × 10¹⁵ | 10% | 10.8 h | | 170 | 佛得角 | 527,326 | 3.3 × 10¹⁵ | 7.2% | 7.6 h | | 171 | 文莱 | 466,330 | 3.6 × 10¹⁵ | 8.9% | 9.3 h | | 172 | 伯利兹 | 422,924 | 1.1 × 10¹⁵ | 2.9% | 3.1 h | | 173 | 巴哈马 | 403,033 | 2.2 × 10¹⁵ | 6.4% | 6.7 h | | 174 | 冰岛 | 392,404 | 2.5 × 10¹⁵ | 7.4% | 7.7 h | | 175 | 瓦努阿图 | 335,169 | 2 × 10¹⁵ | 6.9% | 7.3 h | | 176 | 巴巴多斯 | 282,623 | 1.5 × 10¹⁵ | 6% | 6.3 h | | 177 | 圣多美和普林西比 | 240,254 | 1.1 × 10¹⁵ | 5.4% | 5.7 h | | 178 | 萨摩亚 | 219,306 | 1.1 × 10¹⁵ | 5.7% | 5.9 h | | 179 | 圣卢西亚 | 180,149 | 9.3 × 10¹⁴ | 6% | 6.3 h | | 180 | 基里巴斯 | 136,488 | 7.6 × 10¹⁴ | 6.4% | 6.7 h | | 181 | 塞舌尔 | 122,730 | 8.9 × 10¹⁴ | 8.4% | 8.8 h | | 182 | 格林纳达 | 117,303 | 7.3 × 10¹⁴ | 7.2% | 7.5 h | | 183 | 密克罗尼西亚 | 113,683 | 5.7 × 10¹⁴ | 5.8% | 6.1 h | | 184 | 汤加 | 103,742 | 5.9 × 10¹⁴ | 6.6% | 6.9 h | | 185 | 圣文森特和格林纳丁斯 | 99,924 | 4.9 × 10¹⁴ | 5.7% | 5.9 h | | 186 | 安提瓜和巴布达 | 94,209 | 6.5 × 10¹⁴ | 8% | 8.3 h | | 187 | 安道尔 | 82,904 | 3.9 × 10¹⁴ | 5.5% | 5.8 h | | 188 | 多米尼克 | 65,871 | 2.3 × 10¹⁴ | 4.1% | 4.3 h | | 189 | 圣基茨和尼维斯 | 46,922 | 2.1 × 10¹⁴ | 5.2% | 5.5 h | | 190 | 列支敦士登 | 41,024 | 2 × 10¹⁴ | 5.7% | 5.9 h | | 191 | 摩纳哥 | 38,341 | 2.3 × 10¹⁴ | 6.9% | 7.3 h | | 192 | 马绍尔群岛 | 36,282 | 3.3 × 10¹⁴ | 10% | 10.9 h | | 193 | 圣马力诺 | 34,109 | 1.3 × 10¹⁴ | 4.6% | 4.8 h | | 194 | 帕劳 | 17,663 | 1.6 × 10¹⁴ | 10% | 11 h | | 195 | 瑙鲁 | 12,025 | 9.3 × 10¹³ | 9% | 9.4 h | | 196 | 图瓦卢 | 9,492 | 8 × 10¹³ | 9.8% | 10.2 h | [算什么，不算什么](https://simulation-hypothesis.com/zh/entities/control). ## 政党：党员，以及遵循其指令的神经元 成员 遵循其指令 政党自己报告的党员数，对数刻度。实心柱是统计数，斜线柱是估算值或自称的数字。 1. 印度人民党（印度）▲1 1.4亿 2. 中国共产党▼1 1.01亿 3. 民主党（美国）▲13 4490万 4. 共和党（美国）▲16 3800万 5. 印度国民大会党▼2 2600万 6. 全印度安娜德拉维达进步联盟（印度）▼2 2004.44万 7. 德拉维达进步联盟（印度）▼2 2000万 8. 繁荣党（埃塞俄比亚）▼1 1570万 9. 泰米尔胜利党（印度）▼1 1500万 10. 革命党（坦桑尼亚）▼1 1300.07万 11. 全体进步大会党（尼日利亚）▼1 1290万 12. 正义与发展党（土耳其）▼1 1170.99万 13. 国家复兴运动（墨西哥）▼1 1162.95万 14. 泰卢固之乡党（印度）▼1 1005.26万 15. 柬埔寨人民党▼1 700万 显示全部 59 项 10^4 10^5 10^6 10^7 10^8 10^9 成员 显示数字 | # | 政党 | 成员 | 遵循其指令 | 受指令支配的占比 | 每周小时数 | | -- | --------------------- | -------- | ---------- | ---------- | ----- | | 1 | 印度人民党（印度） | 1.4亿 | 6.3 × 10¹⁶ | 0.52%（代理值） | 0.6 h | | 2 | 中国共产党 | 1.01亿 | 8.2 × 10¹⁶ | 0.94% | 1 h | | 3 | 民主党（美国） | 4490万 | 2.3 × 10¹⁵ | 0.06% | 0.1 h | | 4 | 共和党（美国） | 3800万 | 2 × 10¹⁵ | 0.06% | 0.1 h | | 5 | 印度国民大会党 | 2600万 | 1.2 × 10¹⁶ | 0.52%（代理值） | 0.6 h | | 6 | 全印度安娜德拉维达进步联盟（印度） | 2004.44万 | 9 × 10¹⁵ | 0.52%（代理值） | 0.6 h | | 7 | 德拉维达进步联盟（印度） | 2000万 | 9 × 10¹⁵ | 0.52%（代理值） | 0.6 h | | 8 | 繁荣党（埃塞俄比亚） | 1570万 | 7 × 10¹⁵ | 0.52%（代理值） | 0.6 h | | 9 | 泰米尔胜利党（印度） | 1500万 | 6.7 × 10¹⁵ | 0.52%（代理值） | 0.6 h | | 10 | 革命党（坦桑尼亚） | 1300.07万 | 5.8 × 10¹⁵ | 0.52%（代理值） | 0.6 h | | 11 | 全体进步大会党（尼日利亚） | 1290万 | 5.8 × 10¹⁵ | 0.52%（代理值） | 0.6 h | | 12 | 正义与发展党（土耳其） | 1170.99万 | 5.2 × 10¹⁵ | 0.52%（代理值） | 0.6 h | | 13 | 国家复兴运动（墨西哥） | 1162.95万 | 5.2 × 10¹⁵ | 0.52%（代理值） | 0.6 h | | 14 | 泰卢固之乡党（印度） | 1005.26万 | 4.5 × 10¹⁵ | 0.52%（代理值） | 0.6 h | | 15 | 柬埔寨人民党 | 700万 | 3.1 × 10¹⁵ | 0.52%（代理值） | 0.6 h | | 16 | 朝鲜劳动党 | 617.5万 | 7.6 × 10¹⁵ | 1.4% | 1.5 h | | 17 | 莫桑比克解放阵线（莫桑比克） | 600万 | 2.7 × 10¹⁵ | 0.52%（代理值） | 0.6 h | | 18 | 越南共产党 | 560万 | 2.1 × 10¹⁵ | 0.44% | 0.5 h | | 19 | 共同民主党（韩国） | 499.58万 | 2.2 × 10¹⁵ | 0.52%（代理值） | 0.6 h | | 20 | 国民力量党（韩国） | 443.98万 | 2 × 10¹⁵ | 0.52%（代理值） | 0.6 h | | 21 | 委内瑞拉统一社会主义党（委内瑞拉） | 424万 | 1.9 × 10¹⁵ | 0.52%（代理值） | 0.6 h | | 22 | 津巴布韦非洲民族联盟—爱国阵线（津巴布韦） | 405.84万 | 1.8 × 10¹⁵ | 0.52%（代理值） | 0.6 h | | 23 | 巫统（马来西亚） | 325.15万 | 1.5 × 10¹⁵ | 0.52%（代理值） | 0.6 h | | 24 | 正义党（阿根廷） | 310.23万 | 1.4 × 10¹⁵ | 0.52%（代理值） | 0.6 h | | 25 | 科罗拉多党（巴拉圭） | 300万 | 1.3 × 10¹⁵ | 0.52%（代理值） | 0.6 h | | 26 | 统一俄罗斯党 | 260万 | 1.2 × 10¹⁵ | 0.52%（代理值） | 0.6 h | | 27 | 乌兹别克斯坦自由民主党（乌兹别克斯坦） | 230.76万 | 1 × 10¹⁵ | 0.52%（代理值） | 0.6 h | | 28 | 多米尼加解放党（多米尼加共和国） | 217.7万 | 9.7 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 29 | 巴西民主运动（巴西） | 201.85万 | 9 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 30 | 共和人民党（土耳其） | 188万 | 8.4 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 31 | 激进公民联盟（阿根廷） | 179.37万 | 8 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 32 | 劳工党，PT（巴西） | 166.57万 | 7.5 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 33 | 现代革命党（多米尼加共和国） | 155.17万 | 6.9 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 34 | 真正激进自由党（巴拉圭） | 154.8万 | 6.9 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 35 | 菲律宾联邦党 | 150万 | 6.7 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 36 | 伊斯兰党（马来西亚） | 130万 | 5.8 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 37 | 民主复兴党（巴西） | 129.25万 | 5.8 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 38 | 进步党（巴西） | 128.57万 | 5.8 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 39 | 巴西社会民主党（巴西） | 126.1万 | 5.6 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 40 | 人民公正党（马来西亚） | 115.32万 | 5.2 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 41 | 经济自由斗士（南非） | 108.58万 | 4.9 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 42 | 民主工党（巴西） | 107.33万 | 4.8 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 43 | 巴西联盟党 | 106.7万 | 4.8 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 44 | 印度共产党（马克思主义）（印度） | 101.9万 | 4.6 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 45 | 自由民主党（日本） | 100.33万 | 4.5 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 46 | 民族解放阵线（阿尔及利亚） | 100万 | 4.5 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 47 | 自由党，PL（巴西） | 952,881 | 4.3 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 48 | 古巴共产党 | 700,000 | 2.7 × 10¹⁴ | 0.44% | 0.5 h | | 49 | 非洲人国民大会 | 688,454 | 3.1 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 50 | 加拿大保守党 | 678,708 | 2.7 × 10¹⁴ | 0.46% | 0.5 h | | 51 | 基民盟（德国） | 364,202 | 1.6 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 52 | 社民党（德国） | 357,116 | 1.6 × 10¹⁴ | 0.52%（代理值） | 0.6 h | | 53 | 工党（英国） | 333,235 | 1.6 × 10¹⁴ | 0.55% | 0.6 h | | 54 | 加拿大自由党 | 163,836 | 6.5 × 10¹³ | 0.46% | 0.5 h | | 55 | 绿党（德国） | 155,296 | 7 × 10¹³ | 0.52%（代理值） | 0.6 h | | 56 | 基社盟（德国） | 125,153 | 5.6 × 10¹³ | 0.52%（代理值） | 0.6 h | | 57 | 保守党（英国） | 123,000 | 3.7 × 10¹³ | 0.35% | 0.4 h | | 58 | 新民主党（加拿大） | 100,542 | 4 × 10¹³ | 0.46% | 0.5 h | | 59 | 德国选择党（德国） | 51,335 | 2.3 × 10¹³ | 0.52%（代理值） | 0.6 h | [会议、调查与出处](https://simulation-hypothesis.com/zh/entities/control). ## 企业：员工，以及遵循其指令的神经元 员工 遵循其指令 最新年报或名单中的员工数，线性刻度。 1. 沃尔玛 210万 2. 亚马逊▲1 157.6万 3. 国家电网▼1 136.14万 4. 中国石油天然气集团 102.63万 5. 京东 951,420 6. 比亚迪▲1 869,622 7. 埃森哲▼1 779,000 8. Allied Universal▲3 770,000 9. 中国邮政集团▼1 719,448 10. 俄罗斯铁路公司（RZD）▲2 677,363 11. 大众集团▲6 662,942 12. 富士康（鸿海）▼2 633,167 13. 施瓦茨集团▲16 604,000 14. 金巴斯集团▲18 590,000 15. 塔塔咨询服务公司▼6 584,510 显示全部 71 项 0 0.5M 1M 1.5M 2M 2.5M employees 显示数字 | # | 企业 | 员工 | 遵循其指令 | 每周小时数 | 受指令支配的占比 | | -- | ------------------------------------------ | ------- | ---------- | --------------- | -------- | | 1 | 沃尔玛 | 210万 | 6.3 × 10¹⁶ | 36.3 h (美国) | 35% | | 2 | 亚马逊 | 157.6万 | 4.7 × 10¹⁶ | 36.3 h (美国) | 35% | | 3 | 国家电网 | 136.14万 | 5.5 × 10¹⁶ | 49 h (中国) | 47% | | 4 | 中国石油天然气集团 | 102.63万 | 4.1 × 10¹⁶ | 49 h (中国) | 47% | | 5 | 京东 | 951,420 | 3.8 × 10¹⁶ | 49 h (中国) | 47% | | 6 | 比亚迪 | 869,622 | 3.5 × 10¹⁶ | 49 h (中国) | 47% | | 7 | 埃森哲 | 779,000 | 3.7 × 10¹⁶ | 57.58 h (印度) | 55% | | 8 | Allied Universal | 770,000 | 2.3 × 10¹⁶ | 36.52 h (美国) | 35% | | 9 | 中国邮政集团 | 719,448 | 2.9 × 10¹⁶ | 49 h (中国) | 47% | | 10 | 俄罗斯铁路公司（RZD） | 677,363 | 2.2 × 10¹⁶ | 39.96 h (俄罗斯) | 38% | | 11 | 大众集团 | 662,942 | 2 × 10¹⁶ | 35.95 h (德国) | 34% | | 12 | 富士康（鸿海） | 633,167 | 2.5 × 10¹⁶ | 49 h (中国) | 47% | | 13 | 施瓦茨集团 | 604,000 | 1.6 × 10¹⁶ | 31.49 h (德国) | 30% | | 14 | 金巴斯集团 | 590,000 | 1.5 × 10¹⁶ | 31.7 h (美国) | 30% | | 15 | 塔塔咨询服务公司 | 584,510 | 2.8 × 10¹⁶ | 58.23 h (印度) | 56% | | 16 | DHL 集团 | 583,998 | 1.7 × 10¹⁶ | 35.81 h (德国) | 34% | | 17 | 中国石化 | 513,434 | 2.1 × 10¹⁶ | 49 h (中国) | 47% | | 18 | 俄罗斯天然气工业股份公司 | 501,000 | 1.7 × 10¹⁶ | 40.47 h (俄罗斯) | 39% | | 19 | FedEx | 474,200 | 1.6 × 10¹⁶ | 39.98 h (美国) | 38% | | 20 | 家得宝 | 470,000 | 1.4 × 10¹⁶ | 36.3 h (美国) | 35% | | 21 | 中国移动 | 468,496 | 1.9 × 10¹⁶ | 49 h (中国) | 47% | | 22 | UPS | 460,000 | 1.5 × 10¹⁶ | 39.98 h (美国) | 38% | | 23 | 中国农业银行 | 457,835 | 1.8 × 10¹⁶ | 49 h (中国) | 47% | | 24 | 康赛科 | 455,000 | 1.7 × 10¹⁶ | 46.71 h (菲律宾) | 45% | | 25 | Teleperformance | 446,716 | 2.2 × 10¹⁶ | 58.89 h (印度) | 56% | | 26 | 怡和集团 | 443,000 | 1.5 × 10¹⁶ | 41.93 h (印度尼西亚) | 40% | | 27 | 索迪斯 | 426,464 | 1.1 × 10¹⁶ | 31.7 h (美国) | 30% | | 28 | 凯捷 | 423,400 | 2 × 10¹⁶ | 58.23 h (印度) | 56% | | 29 | 信实工业 | 419,911 | 2.1 × 10¹⁶ | 59.57 h (印度) | 57% | | 30 | Edeka | 417,500 | 1.1 × 10¹⁶ | 31.49 h (德国) | 30% | | 31 | 立讯精密 | 416,197 | 1.7 × 10¹⁶ | 49 h (中国) | 47% | | 32 | 塔吉特 | 415,000 | 1.2 × 10¹⁶ | 36.3 h (美国) | 35% | | 33 | 万豪国际 | 414,000 | 1.1 × 10¹⁶ | 31.7 h (美国) | 30% | | 34 | 博世 | 412,400 | 1.2 × 10¹⁶ | 35.95 h (德国) | 34% | | 35 | 中国工商银行 | 409,758 | 1.6 × 10¹⁶ | 49 h (中国) | 47% | | 36 | 克罗格 | 403,000 | 1.2 × 10¹⁶ | 36.3 h (美国) | 35% | | 37 | 华润集团 | 397,398 | 1.6 × 10¹⁶ | 49 h (中国) | 47% | | 38 | Magnit | 394,000 | 1.3 × 10¹⁶ | 39.69 h (俄罗斯) | 38% | | 39 | 丰田 | 390,927 | 1.3 × 10¹⁶ | 39.6 h (日本) | 38% | | 40 | 联合健康集团 | 390,000 | 1.2 × 10¹⁶ | 36.87 h (美国) | 35% | | 41 | X5 集团 | 389,000 | 1.3 × 10¹⁶ | 39.69 h (俄罗斯) | 38% | | 42 | 伯克希尔·哈撒韦 | 387,800 | 1.2 × 10¹⁶ | 37.75 h (美国) | 36% | | 43 | AVIC | 384,000 | 1.5 × 10¹⁶ | 49 h (中国) | 47% | | 44 | 阿霍德德尔海兹 | 384,000 | 1.1 × 10¹⁶ | 36.3 h (美国) | 35% | | 45 | 中国电信 | 381,436 | 1.5 × 10¹⁶ | 49 h (中国) | 47% | | 46 | 星巴克 | 381,000 | 9.9 × 10¹⁵ | 31.7 h (美国) | 30% | | 47 | 雷韦集团 | 380,000 | 9.8 × 10¹⁵ | 31.49 h (德国) | 30% | | 48 | 中国建设银行 | 378,344 | 1.5 × 10¹⁶ | 49 h (中国) | 47% | | 49 | TJX 公司 | 377,000 | 1.1 × 10¹⁶ | 36.3 h (美国) | 35% | | 50 | 中国建筑（China State Construction Engineering） | 370,272 | 1.5 × 10¹⁶ | 49 h (中国) | 47% | | 51 | FEMSA | 368,776 | 1.4 × 10¹⁶ | 47.09 h (墨西哥) | 45% | | 52 | 日本邮政控股 | 360,000 | 1.2 × 10¹⁶ | 41.6 h (日本) | 40% | | 53 | 乐购 | 354,744 | 9.3 × 10¹⁵ | 31.81 h (英国) | 30% | | 54 | 高知特 | 351,600 | 1.7 × 10¹⁶ | 58.23 h (印度) | 56% | | 55 | NTT | 344,196 | 1.1 × 10¹⁶ | 40.2 h (日本) | 38% | | 56 | 开市客 | 341,000 | 1 × 10¹⁶ | 36.3 h (美国) | 35% | | 57 | 印孚瑟斯 | 328,594 | 1.6 × 10¹⁶ | 58.23 h (印度) | 56% | | 58 | ISS | 325,000 | 1.6 × 10¹⁶ | 58.89 h (印度) | 56% | | 59 | Securitas | 322,000 | 9.7 × 10¹⁵ | 36.52 h (美国) | 35% | | 60 | HCA Healthcare | 320,000 | 9.7 × 10¹⁵ | 36.87 h (美国) | 35% | | 61 | 俄罗斯石油公司 | 320,000 | 1.1 × 10¹⁶ | 40.47 h (俄罗斯) | 39% | | 62 | 摩根大通 | 318,512 | 1.1 × 10¹⁶ | 40.14 h (美国) | 38% | | 63 | 西门子 | 318,000 | 9.4 × 10¹⁵ | 35.95 h (德国) | 34% | | 64 | 中国银行 | 313,746 | 1.3 × 10¹⁶ | 49 h (中国) | 47% | | 65 | 沃尔格林–联合博姿 | 312,000 | 9.3 × 10¹⁵ | 36.3 h (美国) | 35% | | 66 | 百事公司 | 306,000 | 1 × 10¹⁶ | 40.7 h (美国) | 39% | | 67 | 中国铁建（CRCC） | 304,927 | 1.2 × 10¹⁶ | 49 h (中国) | 47% | | 68 | 国家能源集团（CHN Energy） | 303,418 | 1.2 × 10¹⁶ | 49 h (中国) | 47% | | 69 | 中国中铁（CREC） | 302,527 | 1.2 × 10¹⁶ | 49 h (中国) | 47% | | 70 | 长江和记实业 | 300,000 | 8.6 × 10¹⁵ | 35.08 h (英国) | 33% | | 71 | CVS Health | 300,000 | 8.9 × 10¹⁵ | 36.3 h (美国) | 35% | [时长与出处](https://simulation-hypothesis.com/zh/entities/control). ## 动物和其他生物 从没有神经元的单细胞，到人类大脑。凡有神经元数的，都是实测值。 ### 无神经元 * [大肠杆菌（Escherichia coli）](https://simulation-hypothesis.com/zh/entities/ecoli)大肠杆菌（Escherichia coli） 0 实测 一个没有神经元的单细胞。它会朝食物的方向移动，并拥有持续几秒钟的化学记忆。 * [黏菌](https://simulation-hypothesis.com/zh/entities/physarum)Physarum polycephalum 0 实测 一个没有神经元的巨型单细胞。它能走迷宫，还能长出高效的运输网络。 * [含羞草](https://simulation-hypothesis.com/zh/entities/mimosa)Mimosa pudica 0 实测 一种叶子被触碰就会合拢的植物。有一项研究报告说它学会了忽略无害的触碰。后来的重新分析对此提出了质疑。 * [海绵](https://simulation-hypothesis.com/zh/entities/sponge)Porifera (e.g. Amphimedon queenslandica) 0 实测 一种没有神经元，也没有突触，却仍能协调地收缩整个身体的动物。 ### 神经网，无大脑 * [水螅](https://simulation-hypothesis.com/zh/entities/hydra)Hydra vulgaris 约 3000 至 5000 估算 一种小型淡水刺胞动物。它由弥散的神经网控制，没有大脑。 * [箱水母](https://simulation-hypothesis.com/zh/entities/jellyfish)Tripedalia cystophora 没有已发表的计数 箱水母没有中央大脑，却表现出了联想学习。 ### 有大脑的无脊椎动物 * [线虫](https://simulation-hypothesis.com/zh/entities/celegans)Caenorhabditis elegans 302 实测 一种约一毫米长的蠕虫，恰好有 302 个神经元。它是第一种完整布线图被绘制出来的动物。 * [果蝇](https://simulation-hypothesis.com/zh/entities/drosophila)Drosophila melanogaster 139,255 实测 迄今绘制的最大的完整大脑布线图，涵盖约 139,000 个神经元。 * [蜜蜂](https://simulation-hypothesis.com/zh/entities/honeybee)Apis mellifera 约 100万 估算 约 100万个神经元，而蜜蜂能学会“相同”和“不同”这样的抽象概念。 * [蚂蚁（Camponotus / Formica）](https://simulation-hypothesis.com/zh/entities/ant)Camponotus spp. 没有已发表的计数 一个靠数步数（路径积分）和记住地标来完成长距离导航的小脑袋。 * [波氏跳蛛](https://simulation-hypothesis.com/zh/entities/portia)Portia fimbriata / labiata 没有已发表的计数 一种会规划绕路的跳蛛。它会选择远离猎物、并脱离视线的路线。 * [岸蟹 / 小龙虾](https://simulation-hypothesis.com/zh/entities/decapod)Carcinus maenas; Procambarus / Astacus spp. 没有已发表的计数 螃蟹和小龙虾。2021 年一份政府评估发现，有强有力的证据表明真蟹具有感知能力。 * [普通章鱼](https://simulation-hypothesis.com/zh/entities/octopus)Octopus vulgaris 5亿 估算 它的大部分神经元在腕足里。2021 年的一份评估发现，有非常强有力的证据表明它具有感知能力。 ### 鱼类和两栖动物 * [斑马鱼](https://simulation-hypothesis.com/zh/entities/zebrafish)Danio rerio 没有已发表的计数 一种在神经科学中被广泛使用的小型鱼类。它的神经元还没有被完整统计过。成体大脑约有 1000万 个细胞。 * [裂唇鱼](https://simulation-hypothesis.com/zh/entities/wrasse)Labroides dimidiatus 没有已发表的计数 一种通过了某个版本镜子标记测试的珊瑚礁鱼。对这说明了什么，人们意见不一。 * [青蛙](https://simulation-hypothesis.com/zh/entities/frog)Anura (e.g. Xenopus / Rana) 没有已发表的计数 2024 年的《纽约宣言》指出，两栖动物具有意识体验是一种现实的可能。 ### 鸟类 * [原鸽](https://simulation-hypothesis.com/zh/entities/pigeon)Columba livia 3.1亿 实测 一个小脑袋里有几亿个神经元。鸽子能把复杂的图像分成不同的类别。 * [渡鸦](https://simulation-hypothesis.com/zh/entities/raven)Corvus corax 21.7亿 实测 超过二十亿个神经元，排列得很密。渡鸦会记住各个竞争者。 * [新喀里多尼亚乌鸦](https://simulation-hypothesis.com/zh/entities/nccrow)Corvus moneduloides 没有已发表的计数 它用树枝和金属丝做出带钩的工具。它的神经元还没有被统计过。 * [非洲灰鹦鹉](https://simulation-hypothesis.com/zh/entities/greyparrot)Psittacus erithacus 15.7亿 实测 约 16亿个神经元。实验室里对数量感和分类已经研究了几十年。 ### Mammals * [小鼠](https://simulation-hypothesis.com/zh/entities/mouse)Mus musculus 7090万 实测 约 7100万个神经元。小鼠会露出可以测量的疼痛面部表情。 * [大鼠](https://simulation-hypothesis.com/zh/entities/rat)Rattus norvegicus 2亿 实测 约 2亿个神经元。大鼠会把被困的笼友放出来。 * [家猫](https://simulation-hypothesis.com/zh/entities/cat)Felis catus 12.2亿 实测 大脑皮层中约有 2.5亿个神经元。 * [家犬](https://simulation-hypothesis.com/zh/entities/dog)Canis familiaris 18亿至26亿，取决于是哪只狗 实测 皮层神经元最多约 6亿，取决于是哪只狗。这比猫多。 * [家猪](https://simulation-hypothesis.com/zh/entities/pig)Sus scrofa domesticus 22.2亿 实测 猪能学会镜子里显示的是什么，并用它来找食物。 * [宽吻海豚](https://simulation-hypothesis.com/zh/entities/dolphin)Tursiops truncatus 没有已发表的计数 能通过镜子自我识别测试。宽吻海豚没有实测的神经元数。 * [非洲象](https://simulation-hypothesis.com/zh/entities/elephant)Loxodonta africana 2570亿 实测 2570亿个神经元，是人类的三倍，几乎全在小脑。 * [黑猩猩](https://simulation-hypothesis.com/zh/entities/chimp)Pan troglodytes 约 280亿（由标度规律预测，不是统计得来） 估算 我们现存的两个最近亲之一（另一个是倭黑猩猩）。它能通过镜子测试。 * [人类](https://simulation-hypothesis.com/zh/entities/human)Homo sapiens 861亿 实测 860亿个神经元，其中 160亿 在大脑皮层。我们是唯一能对自己的体验作出口头报告的物种。 ## 集体系统 能做出任何单个成员都无法独自做出的决策的群体。它们被当作集体智能来研究，而不是当作心智。 * [蚁群](https://simulation-hypothesis.com/zh/entities/c-ants)蚁群之所以能选出更好的巢，是因为每只蚂蚁都遵循一个法定人数阈值。没有哪只蚂蚁会对各个地点做整体比较。 * [蜜蜂分蜂群](https://simulation-hypothesis.com/zh/entities/c-bees)蜂群通过侦察蜂之间的竞争和法定人数来选出最好的洞穴。停止信号提供交叉抑制，从而打破僵局。 * [椋鸟群](https://simulation-hypothesis.com/zh/entities/c-starlings)每只鸟追踪固定数量的邻居（约 6–7 只），而不是固定距离内的每一只鸟。这称为拓扑相互作用，而非度量相互作用。 * [鱼群](https://simulation-hypothesis.com/zh/entities/c-fish)鱼群用法定人数规则来做决定。大群体能感知到任何一条鱼都感知不到的环境梯度。 ## 人工系统 按工作方式分类的各种机器智能。目前没有任何系统被认为是意识的有力候选者。 * [基于规则的专家系统](https://simulation-hypothesis.com/zh/entities/ai-expert)把领域专家的知识编码成明确的“如果……就……”规则的程序。推理引擎依次应用这些规则得出结论，通常还会附上它的推理解释。 * [博弈树搜索引擎（国际象棋）](https://simulation-hypothesis.com/zh/entities/ai-chess)把可能的走法序列枚举到固定深度，并用手工构建的评估函数给所得局面打分的程序。它们会剪掉不会改变选择的分支（带 alpha-beta 剪枝的极小极大算法）。 * [深度强化学习智能体](https://simulation-hypothesis.com/zh/entities/ai-drl)通过试错训练、以最大化奖励信号的神经网络。它们通过与环境互动来学习策略或价值函数，这个环境往往是游戏之类的模拟环境。 * [大语言模型](https://simulation-hypothesis.com/zh/entities/ai-llm)在非常大的文本语料上训练、用来预测下一个词元的 Transformer 神经网络，之后往往还要根据人类反馈做调整。 * [具身机器人](https://simulation-hypothesis.com/zh/entities/ai-robots)带有传感器和执行器、在物理世界中行动的机器。它们常常使用分层的反应式控制，而不是中央世界模型，所以行为产生于身体与环境之间的回路。 * [神经形态硬件](https://simulation-hypothesis.com/zh/entities/ai-neuromorphic)电路模仿脉冲神经元和突触的芯片。它们由事件驱动，耗电很少，不同于传统的处理器加存储器设计。 ## 假想心智 科学文献和哲学文献中提出的心智。还没有人观察到过。 * [全脑仿真](https://simulation-hypothesis.com/zh/entities/h-wbe)未观察到 对大脑做精细扫描，并运行它的软件模型。 * [祖先模拟中被模拟的心灵](https://simulation-hypothesis.com/zh/entities/h-ancestor)未观察到 博斯特罗姆的三难困境：要么几乎没有文明能到达后人类阶段，要么几乎没有文明运行祖先模拟，要么我们几乎肯定生活在其中一个模拟里。 * [玻尔兹曼大脑](https://simulation-hypothesis.com/zh/entities/h-boltzmann)未观察到 从罕见的热涨落或量子涨落中冒出来的、类似大脑的观察者。 * [通过逐步替换实现心智上传](https://simulation-hypothesis.com/zh/entities/h-uploading)未观察到 用功能完全相同的人工部件把神经元一个一个替换掉。 * [超级智能](https://simulation-hypothesis.com/zh/entities/h-superintelligence)未观察到 一种在各个领域几乎都大大超过人类表现的假想智能。博斯特罗姆的书分析了通向它的路径（全脑仿真、生物认知、AI）、它的形态，以及控制问题。 数据版本 2.0.0。[下载（JSON）](https://simulation-hypothesis.com/entities/minds.json)。