自约翰·冯·诺依曼和阿兰·图灵以来，计算系统与大脑之间的关系一直是理论先驱者的研究动机。均匀的、无标度的生物网络（如大脑）具有强大的特性，包括随时间推移的泛化能力，这是机器学习在通往通用推理模型道路上的主要障碍。我们介绍了"龙宝宝"（BDH），这是一种新的大型语言模型架构，基于一个由n个局部相互作用的神经元粒子组成的无标度生物启发网络。BDH结合了强大的理论基础和固有的可解释性，同时不牺牲类似Transformer的性能。BDH是一个实用的、高性能的、基于注意力的最先进状态空间序列学习架构。除了作为图模型外，BDH还支持GPU友好的实现。它表现出类似Transformer的缩放定律：经验表明，在相同参数数量（1000万到10亿）和相同训练数据的情况下，BDH在语言和翻译任务上的性能可与GPT2相媲美。BDH可以表示为脑模型。BDH在推理过程中的工作记忆完全依赖于使用脉冲神经元的Hebbian学习的突触可塑性。我们经验证实，在处理语言输入时，每当BDH听到或推理特定概念时，特定的单个突触会加强连接。BDH的神经元相互作用网络是一个具有重尾度分布的高模块化图。BDH模型在生物学上是合理的，解释了人类神经元可能用来实现言语的一种可能机制。BDH专为可解释性而设计。BDH的激活向量是稀疏且正的。我们在语言任务上证明了BDH的单义性。状态的可解释性（超越神经元和模型参数的可解释性）是BDH架构的固有特征。