Nat Neurosci | 借鑒神經科學啟示，構建新一代自適應AI

PsyBrain 腦心前沿 | 公眾號 PSY-Brain_Frontier

一鍵關注，點亮星標 ??

不錯過每日前沿資訊

認知神經科學前沿文獻分享

基本信息：

Title:Leveraging insights from neuroscience to build adaptive artificial intelligenc

發表時間：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

觀點背景

生物智能天生具有適應性，能夠根據環境反饋不斷調整行動，而創建具備這種能力的適應性人工智能（AI）仍是一個重大挑戰 。傳統AI通常遵循“訓練-測試-部署”的非適應性周期，在面對不可預測、持續變化的環境時表現欠缺 。

作者試圖解決的關鍵科學問題是：如何利用大腦構建“內部模型”（World Models）以克服感知延遲并預測行為后果的機制，來構建能夠在線學習、泛化并快速適應環境變化的智能體 。這一研究的重要性在于，它指出了超越當前大語言模型（LLM）和基礎模型，向更高效、更具韌性的“適應性智能”跨越的路徑 。這篇文章不僅是在談論技術，更是在為下一代 AI 描繪一張向生物智慧取經的路線圖。

核心觀點

從“靜態黑盒”進化為“動態世界模型”

目前的 AI 大多處于“訓練-測試-部署”的固定循環中，缺乏靈活性 。真正的智能應該是“自適應”的，能夠像動物一樣在復雜的現實世界中持續學習、快速糾錯，并在環境變化時迅速調整自己的“內部模型”

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建“內部模型”實現遠超當前 AI 的學習效率，圖 a（迷宮探索）、圖 b（抽象結構）、圖 c（運動自適應）

模擬大腦的“預測-反饋”機制

生物大腦并非只是被動接收數據，而是在腦中構建“世界模型”來預測未來 。當現實與預測不符時，大腦會產生“預測誤差”信號來更新模型 。未來的 AI 應該引入這種機制，將其作為教學信號，讓系統具備自我進化的能力

Fig. 2 | Neural computations: biological teaching signals 這張圖揭示了大腦如何通過特定的神經環路計算“預測誤差”，并將其作為學習的驅動力。圖 a（皮層環路）、圖 b（獎勵預測誤差 RPE如何與GABA 神經元如何協同工作）

拒絕“巨型單體”，擁抱“專家協作”

大腦不是一團亂麻，而是由功能高度專業化（如視覺、運動控制）但架構通用的模塊組成的 。作者建議 AI 架構應由大語言模型（LLM）充當“大腦管家”，指揮一群專業化的“子模型專家”，通過跨領域的聯合優化來解決復雜問題 。

Fig. 3 | Memory replay in biological and artificial systems 這張圖對比了大腦和 AI 處理“防止遺忘”的不同方式。圖 a（生物系統）： 神經元在小鼠睡眠期間會以極快的速度“重放”白天跑動的序列 。這種尖波漣漪（Sharp wave ripples）活動被認為是對知識的鞏固；圖 b（人工系統）： 在 AI 的持續學習中，可以建立“重放緩沖區”（Replay Buffer） 。通過使用高置信度的偽標簽（Pseudo-labeling）來保留舊知識，即使原始訓練數據已不可用，也能在學習新技能時防止“災難性遺忘” 。

“動態開關”學習模式

為了解決 AI 容易出現的“災難性遺忘”問題，可以效仿大腦的習慣形成機制 。當某個專業子模型表現穩定時，將其“鎖定”以保持效率；只有當監測到預測誤差升高、表現下降時，才將其“解鎖”并利用“記憶重放”等技術進行在線更新 。

Fig. 4 | Foundation models and adaptive agents 這里提出了一個全新的 AI 組織范式！圖 a/b（現狀）： 展示了當前通過自監督學習訓練的基礎模型（如 Flamingo），它們能處理文本、視頻等多模態數據；圖 c（VAVA 框架）： 作者建議建立一個由 LLM 驅動的代理系統（Core agent API），動態調度多個專業編碼器（如基因、神經、動作專家）

省流總結

本文基于“生物智能本質上是適應性的”這一核心觀點，綜述了動物如何通過建立內部模型和利用預測誤差進行快速在線學習的神經機制 。針對當前AI模型在動態環境中容易出現災難性遺忘且缺乏實時適應性的問題，作者提出了將大腦的層級專門化架構、預測誤差驅動的更新機制以及記憶重放等生物學特性整合進AI代理系統的構想 。其意義在于為開發更高效、具備自主學習與糾錯能力的下一代適應性人工智能提供了明確的仿生路徑

請打分

這篇剛剛登上Nature Neuroscience的研究，是否實至名歸？我們邀請您作為“云審稿人”，一同品鑒。精讀全文后，歡迎在匿名投票中打分，并在評論區分享您的深度見解。

前沿交流|歡迎加入認知神經科學前沿交流群！

核心圖表、方法細節、統計結果與討論見原文及其拓展數據。

分享人：天天

審核：PsyBrain 腦心前沿編輯部