Nat Neurosci | 借鑒神經(jīng)科學(xué)啟示，構(gòu)建新一代自適應(yīng)AI

PsyBrain 腦心前沿 | 公眾號(hào) PSY-Brain_Frontier

一鍵關(guān)注，點(diǎn)亮星標(biāo) ??

不錯(cuò)過每日前沿資訊

認(rèn)知神經(jīng)科學(xué)前沿文獻(xiàn)分享

基本信息：

Title:Leveraging insights from neuroscience to build adaptive artificial intelligenc

發(fā)表時(shí)間：2025.12.30

Journal:Nature Neuroscience

影響因子：20.0

獲取原文：

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

觀點(diǎn)背景

生物智能天生具有適應(yīng)性，能夠根據(jù)環(huán)境反饋不斷調(diào)整行動(dòng)，而創(chuàng)建具備這種能力的適應(yīng)性人工智能（AI）仍是一個(gè)重大挑戰(zhàn) 。傳統(tǒng)AI通常遵循“訓(xùn)練-測(cè)試-部署”的非適應(yīng)性周期，在面對(duì)不可預(yù)測(cè)、持續(xù)變化的環(huán)境時(shí)表現(xiàn)欠缺 。

作者試圖解決的關(guān)鍵科學(xué)問題是：如何利用大腦構(gòu)建“內(nèi)部模型”（World Models）以克服感知延遲并預(yù)測(cè)行為后果的機(jī)制，來構(gòu)建能夠在線學(xué)習(xí)、泛化并快速適應(yīng)環(huán)境變化的智能體 。這一研究的重要性在于，它指出了超越當(dāng)前大語言模型（LLM）和基礎(chǔ)模型，向更高效、更具韌性的“適應(yīng)性智能”跨越的路徑 。這篇文章不僅是在談?wù)摷夹g(shù)，更是在為下一代 AI 描繪一張向生物智慧取經(jīng)的路線圖。

核心觀點(diǎn)

從“靜態(tài)黑盒”進(jìn)化為“動(dòng)態(tài)世界模型”

目前的 AI 大多處于“訓(xùn)練-測(cè)試-部署”的固定循環(huán)中，缺乏靈活性 。真正的智能應(yīng)該是“自適應(yīng)”的，能夠像動(dòng)物一樣在復(fù)雜的現(xiàn)實(shí)世界中持續(xù)學(xué)習(xí)、快速糾錯(cuò)，并在環(huán)境變化時(shí)迅速調(diào)整自己的“內(nèi)部模型”

Fig. 1 | Rapid learning in animals—from few-shot to updating of internal modelbased learning。這張圖展示了生物智能如何通過構(gòu)建“內(nèi)部模型”實(shí)現(xiàn)遠(yuǎn)超當(dāng)前 AI 的學(xué)習(xí)效率，圖 a（迷宮探索）、圖 b（抽象結(jié)構(gòu)）、圖 c（運(yùn)動(dòng)自適應(yīng)）

模擬大腦的“預(yù)測(cè)-反饋”機(jī)制

生物大腦并非只是被動(dòng)接收數(shù)據(jù)，而是在腦中構(gòu)建“世界模型”來預(yù)測(cè)未來 。當(dāng)現(xiàn)實(shí)與預(yù)測(cè)不符時(shí)，大腦會(huì)產(chǎn)生“預(yù)測(cè)誤差”信號(hào)來更新模型 。未來的 AI 應(yīng)該引入這種機(jī)制，將其作為教學(xué)信號(hào)，讓系統(tǒng)具備自我進(jìn)化的能力

Fig. 2 | Neural computations: biological teaching signals 這張圖揭示了大腦如何通過特定的神經(jīng)環(huán)路計(jì)算“預(yù)測(cè)誤差”，并將其作為學(xué)習(xí)的驅(qū)動(dòng)力。圖 a（皮層環(huán)路）、圖 b（獎(jiǎng)勵(lì)預(yù)測(cè)誤差 RPE如何與GABA 神經(jīng)元如何協(xié)同工作）

拒絕“巨型單體”，擁抱“專家協(xié)作”

大腦不是一團(tuán)亂麻，而是由功能高度專業(yè)化（如視覺、運(yùn)動(dòng)控制）但架構(gòu)通用的模塊組成的 。作者建議 AI 架構(gòu)應(yīng)由大語言模型（LLM）充當(dāng)“大腦管家”，指揮一群專業(yè)化的“子模型專家”，通過跨領(lǐng)域的聯(lián)合優(yōu)化來解決復(fù)雜問題 。

Fig. 3 | Memory replay in biological and artificial systems 這張圖對(duì)比了大腦和 AI 處理“防止遺忘”的不同方式。圖 a（生物系統(tǒng)）： 神經(jīng)元在小鼠睡眠期間會(huì)以極快的速度“重放”白天跑動(dòng)的序列 。這種尖波漣漪（Sharp wave ripples）活動(dòng)被認(rèn)為是對(duì)知識(shí)的鞏固；圖 b（人工系統(tǒng)）： 在 AI 的持續(xù)學(xué)習(xí)中，可以建立“重放緩沖區(qū)”（Replay Buffer） 。通過使用高置信度的偽標(biāo)簽（Pseudo-labeling）來保留舊知識(shí)，即使原始訓(xùn)練數(shù)據(jù)已不可用，也能在學(xué)習(xí)新技能時(shí)防止“災(zāi)難性遺忘” 。

“動(dòng)態(tài)開關(guān)”學(xué)習(xí)模式

為了解決 AI 容易出現(xiàn)的“災(zāi)難性遺忘”問題，可以效仿大腦的習(xí)慣形成機(jī)制 。當(dāng)某個(gè)專業(yè)子模型表現(xiàn)穩(wěn)定時(shí)，將其“鎖定”以保持效率；只有當(dāng)監(jiān)測(cè)到預(yù)測(cè)誤差升高、表現(xiàn)下降時(shí)，才將其“解鎖”并利用“記憶重放”等技術(shù)進(jìn)行在線更新 。

Fig. 4 | Foundation models and adaptive agents 這里提出了一個(gè)全新的 AI 組織范式！圖 a/b（現(xiàn)狀）： 展示了當(dāng)前通過自監(jiān)督學(xué)習(xí)訓(xùn)練的基礎(chǔ)模型（如 Flamingo），它們能處理文本、視頻等多模態(tài)數(shù)據(jù)；圖 c（VAVA 框架）： 作者建議建立一個(gè)由 LLM 驅(qū)動(dòng)的代理系統(tǒng)（Core agent API），動(dòng)態(tài)調(diào)度多個(gè)專業(yè)編碼器（如基因、神經(jīng)、動(dòng)作專家）

省流總結(jié)

本文基于“生物智能本質(zhì)上是適應(yīng)性的”這一核心觀點(diǎn)，綜述了動(dòng)物如何通過建立內(nèi)部模型和利用預(yù)測(cè)誤差進(jìn)行快速在線學(xué)習(xí)的神經(jīng)機(jī)制 。針對(duì)當(dāng)前AI模型在動(dòng)態(tài)環(huán)境中容易出現(xiàn)災(zāi)難性遺忘且缺乏實(shí)時(shí)適應(yīng)性的問題，作者提出了將大腦的層級(jí)專門化架構(gòu)、預(yù)測(cè)誤差驅(qū)動(dòng)的更新機(jī)制以及記憶重放等生物學(xué)特性整合進(jìn)AI代理系統(tǒng)的構(gòu)想 。其意義在于為開發(fā)更高效、具備自主學(xué)習(xí)與糾錯(cuò)能力的下一代適應(yīng)性人工智能提供了明確的仿生路徑

請(qǐng)打分

這篇?jiǎng)倓偟巧?strong>Nature Neuroscience的研究，是否實(shí)至名歸？我們邀請(qǐng)您作為“云審稿人”，一同品鑒。精讀全文后，歡迎在匿名投票中打分，并在評(píng)論區(qū)分享您的深度見解。

前沿交流|歡迎加入認(rèn)知神經(jīng)科學(xué)前沿交流群！

核心圖表、方法細(xì)節(jié)、統(tǒng)計(jì)結(jié)果與討論見原文及其拓展數(shù)據(jù)。

分享人：天天

審核：PsyBrain 腦心前沿編輯部