導(dǎo)語

在自然進(jìn)化的長(zhǎng)期演化中，果蠅微小的嗅覺系統(tǒng)展現(xiàn)出驚人的智能——它能在嘈雜、多變的氣味環(huán)境中穩(wěn)定識(shí)別食物來源。研究發(fā)現(xiàn)，這種魯棒性并非源于單一機(jī)制，而是依靠看似“冗余”的神經(jīng)模塊間的動(dòng)態(tài)協(xié)作。天津大學(xué)教授、集智社區(qū)學(xué)者臧蘊(yùn)亮教授團(tuán)隊(duì)最新發(fā)表在NeurIPS的研究工作揭示，側(cè)抑制（LI）與脈沖頻率自適應(yīng)（SFA）在果蠅腦中以互補(bǔ)方式協(xié)同工作，使系統(tǒng)能根據(jù)環(huán)境噪聲靈活調(diào)節(jié)策略，為構(gòu)建高魯棒性人工智能提供了新的生物學(xué)啟示。

關(guān)鍵詞：果蠅嗅覺回路、冗余神經(jīng)機(jī)制、魯棒學(xué)習(xí)、側(cè)抑制（LI）、脈沖頻率自適應(yīng)（SFA）、神經(jīng)擬態(tài)計(jì)算、類腦智能

臧蘊(yùn)亮丨作者

趙思怡丨編輯

論文題目：Seemingly Redundant Modules Enhance Robust Odor Learning in Fruit Flies 論文地址：https://arxiv.org/abs/2510.21315 發(fā)表時(shí)間：2025年10月24日 論文來源：arxiv

一、生物學(xué)中的“冗余”之謎

生物神經(jīng)系統(tǒng)中，常存在不同模塊執(zhí)行相似功能的現(xiàn)象，即所謂“生物學(xué)冗余”。比如果蠅嗅覺回路中的側(cè)抑制 (Lateral inhibition, LI) 與脈沖頻率自適應(yīng) (Spike frequency adaptation, SFA)，兩者都被認(rèn)為能增強(qiáng)氣味模式的分離能力，幫助腦更好地區(qū)分不同氣味。

一個(gè)自然的疑問是：既然功能相似，為何進(jìn)化會(huì)同時(shí)保留它們？是簡(jiǎn)單的備份冗余，還是在復(fù)雜環(huán)境中，它們各有專攻、協(xié)同作戰(zhàn)？

二、互補(bǔ)，是比冗余更智慧的策略

為解開這一謎題，研究團(tuán)隊(duì)構(gòu)建了果蠅嗅覺環(huán)路的脈沖神經(jīng)網(wǎng)絡(luò)模型，并在不同噪聲環(huán)境下進(jìn)行系統(tǒng)性測(cè)試。

圖1. 果蠅嗅覺回路計(jì)算模型示意圖

結(jié)果清晰顯示：兩者并非重復(fù)備份，而是在不同噪聲條件下發(fā)揮專長(zhǎng)，形成功能互補(bǔ)：

• 側(cè)抑制：低噪聲下的“精準(zhǔn)調(diào)諧器”

在低至中等噪聲環(huán)境中，LI能顯著提升判別精度，作用突出；但在極高噪聲下，其優(yōu)勢(shì)逐漸減弱。

• 脈沖頻率自適應(yīng)：高噪聲下的“穩(wěn)定衛(wèi)士”

SFA在各種環(huán)境中均能穩(wěn)定提升性能，并在高噪聲下表現(xiàn)出卓越的魯棒性，成為系統(tǒng)在極端條件下的可靠保障。

三、動(dòng)態(tài)協(xié)調(diào)：隨環(huán)境而變的智能策略

當(dāng)LI與SFA共同工作時(shí)，它們的效益是可疊加的。在大多數(shù)噪聲環(huán)境下，“LI + SFA”組合均能實(shí)現(xiàn)最優(yōu)性能。只有在極端噪聲中，SFA的穩(wěn)定性優(yōu)勢(shì)才使其略微領(lǐng)先。

圖2. 不同噪聲強(qiáng)度下各機(jī)制的判別準(zhǔn)確率對(duì)比

這表明，果蠅腦采用的是一種噪聲依賴的動(dòng)態(tài)招募策略：根據(jù)環(huán)境狀況，靈活調(diào)配LI與SFA的參與程度，從而在多變世界中始終保持最佳的學(xué)習(xí)與判別能力。

從果蠅到AI：我們學(xué)到了什么？

這項(xiàng)研究不僅揭示了生物系統(tǒng)利用“功能重疊”機(jī)制實(shí)現(xiàn)環(huán)境自適應(yīng)性的精巧策略，更為構(gòu)建下一代高魯棒性AI系統(tǒng)提供了直接啟示：

· 可借鑒LI與SFA的協(xié)同機(jī)制，設(shè)計(jì)能根據(jù)輸入數(shù)據(jù)噪聲水平自適應(yīng)調(diào)整內(nèi)部處理策略的智能分類器；

· 為神經(jīng)擬態(tài)計(jì)算 硬件與算法設(shè)計(jì)提供了可驗(yàn)證的生物學(xué)原理支持；

· 推動(dòng)AI在復(fù)雜現(xiàn)實(shí)場(chǎng)景中，實(shí)現(xiàn)更高水平的環(huán)境適應(yīng)性、能效與穩(wěn)健性。

此外，受果蠅嗅覺神經(jīng)回路機(jī)制的啟發(fā)，清華大學(xué)季向陽團(tuán)隊(duì)提出全新人工智能方法——FlyLoRA，將隱式的按秩混合專家（MoE）機(jī)制引入LoRA架構(gòu)，發(fā)表在2025年的NeurIPS，臧蘊(yùn)亮教授也以共同作者參與。該方法無需顯式路由器參數(shù)，僅通過固定稀疏隨機(jī)矩陣實(shí)現(xiàn)隱式路由與任務(wù)解耦，在多項(xiàng)任務(wù)中性能顯著優(yōu)于現(xiàn)有方法，同時(shí)具備優(yōu)秀的模型合并魯棒性[1]。

參考文獻(xiàn)

[1]Zou, Heming, et al. "FlyLoRA: Boosting Task Decoupling and Parameter Efficiency via Implicit Rank-Wise Mixture-of-Experts." arXiv preprint arXiv:2510.08396 (2025).

作者簡(jiǎn)介：

臧蘊(yùn)亮，天津大學(xué)英才教授，國(guó)家重點(diǎn)研發(fā)計(jì)劃首席科學(xué)家，先后在日本沖繩科學(xué)技術(shù)研究院大學(xué)(OIST)和美國(guó)布蘭迪斯大學(xué)(Brandeis University)從事博士后研究，研究方向?yàn)橛?jì)算神經(jīng)科學(xué)和類腦人工智能。2023年放棄美國(guó)“公里常春藤”康涅狄格大學(xué)(University of Connecticut)教職，入職天津大學(xué)。目前主持國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目和國(guó)家自然科學(xué)基金面上項(xiàng)目。類腦計(jì)算方面代表性工作發(fā)表在PNAS、Current Biology、Cell Reports、eLife等領(lǐng)域內(nèi)專業(yè)期刊，類腦智能方面代表性工作發(fā)表在人工智能頂會(huì)NeurIPS。本文的第一作者為天津大學(xué)2024級(jí)生物醫(yī)學(xué)工程專業(yè)碩士研究生厲海洋同學(xué)，北京航空航天大學(xué)2022級(jí)應(yīng)用數(shù)學(xué)專業(yè)博士研究生余廖為共同一作，天津大學(xué)智算學(xué)部的于強(qiáng)教授為共同通訊作者。

博士后招募

天津大學(xué)醫(yī)學(xué)院臧蘊(yùn)亮教授和李曉紅教授聯(lián)合招聘博士后

歡迎計(jì)算機(jī)、自動(dòng)化、物理學(xué)、應(yīng)用數(shù)學(xué)、生物醫(yī)學(xué)工程等相關(guān)背景，要求具有數(shù)據(jù)科學(xué)、神經(jīng)計(jì)算或者人工智能方向的研究基礎(chǔ)，曾發(fā)表過高水平科研論文，待遇優(yōu)厚，有感興趣者請(qǐng)聯(lián)系yunliangzang@tju.edu.cn或xhli18@tju.edu.cn。

臧蘊(yùn)亮老師主頁

https://mstu.tju.edu.cn/info/1193/3273.htm

李曉紅老師主頁

https://mstu.tju.edu.cn/info/1215/2371.htm

計(jì)算神經(jīng)科學(xué)第三季讀書會(huì)

從單個(gè)神經(jīng)元的放電到全腦范圍的意識(shí)涌現(xiàn)，理解智能的本質(zhì)與演化始終是一個(gè)關(guān)于尺度的問題。更值得深思的是，無論是微觀的突觸可塑性、介觀的皮層模塊自組織，還是宏觀的全局信息廣播，不同尺度的動(dòng)力學(xué)過程都在共同塑造著認(rèn)知與意識(shí)。這說明，對(duì)心智的研究從最初就必須直面一個(gè)核心挑戰(zhàn)：局部的神經(jīng)活動(dòng)如何整合為統(tǒng)一的體驗(yàn)？局域的網(wǎng)絡(luò)連接又如何支撐靈活的智能行為？

繼「」與「」讀書會(huì)后，集智俱樂部聯(lián)合來自數(shù)學(xué)、物理學(xué)、生物學(xué)、神經(jīng)科學(xué)和計(jì)算機(jī)的一線研究者共同發(fā)起，跨越微觀、介觀與宏觀的視角，探索意識(shí)與智能的跨尺度計(jì)算、演化與涌現(xiàn)。重點(diǎn)探討物理規(guī)律與人工智能如何幫助我們認(rèn)識(shí)神經(jīng)動(dòng)力學(xué)，以及神經(jīng)活動(dòng)跨尺度的計(jì)算與演化如何構(gòu)建微觀與宏觀、結(jié)構(gòu)與功能之間的橋梁。

詳情請(qǐng)見：

1.

2.

3.

4.

5.

6.