生物智能的一大特點就是“會變通”：動物能根據(jù)環(huán)境變化和經(jīng)驗不斷調整自己的行為，比如避開危險、尋找食物、適應新規(guī)則。這種持續(xù)學習和靈活應變的能力，是生物智能的核心。但目前的人工智能大多缺乏這種真正的適應性，它們在固定數(shù)據(jù)上訓練后，一旦面對新環(huán)境或意外情況，往往就“卡殼”了。如何讓AI像動物一樣，在真實世界中邊做邊學、實時調整，仍是人工智能領域的一大難題。

基于此，2025年12月30日，洛桑聯(lián)邦理工學院Mackenzie Weygandt Mathis研究團隊在nature neuroscience雜志發(fā)表了“Leveraging insights from neuroscience to build adaptive artificial intelligence”揭示了利用神經(jīng)科學的洞見構建自適應人工智能。

當前人工智能的前沿目標，是發(fā)展“自適應智能”即讓AI像動物一樣，在運行中持續(xù)學習、快速適應新環(huán)境，并靈活應對未知挑戰(zhàn)。這一思路深受神經(jīng)科學啟發(fā)：近年研究發(fā)現(xiàn)，動物能不斷更新對世界的“內(nèi)部模型”，從而高效應變。本文從行為和腦機制出發(fā)，梳理生物如何實現(xiàn)這種自適應能力，回顧AI在模擬這些能力上的進展并探討如何借鑒大腦原理，設計更靈活、更智能的新一代算法。

圖一 生物智能的自適應之道

近年來，神經(jīng)科學正轉向更貼近真實生活的實驗方式：動物不再只是按按鈕或走固定迷宮，而是在自由探索、動態(tài)環(huán)境甚至虛擬現(xiàn)實中學習和決策。配合無標記行為追蹤和大規(guī)模神經(jīng)記錄技術，研究者能精細解析動物如何在單次實驗中快速學習。

例如，小鼠在復雜迷宮中每小時可做2000次決策，僅需約10次嘗試就能學會找水，比傳統(tǒng)任務快上千倍；有些甚至能“舉一反三”，首次面對新任務就成功推理目標順序，展現(xiàn)出零樣本學習能力。研究還發(fā)現(xiàn)，內(nèi)側前額葉皮層存在“任務結構記憶”神經(jīng)元，可能像大腦的“內(nèi)部導航圖”，幫助動物理解任務邏輯。

這種智能不僅限于實驗室小鼠。自然界中，烏鴉會造工具，蜜蜂用“舞蹈”傳遞空間信息，狗能理解人類情緒，這些能力甚至催生了“虛擬動物AI奧林匹克”，用動物認知啟發(fā)人工智能。

在運動控制領域，“內(nèi)部模型”（即大腦對身體與環(huán)境關系的預測）的快速更新是適應性的核心。比如，在視覺被旋轉干擾的任務中，人或猴子能在幾百次嘗試內(nèi)校正動作偏差。神經(jīng)記錄顯示，運動皮層會提前編碼所需力量，且這種調整會持久保留，證明內(nèi)部模型已被改寫。

腦聲常談建立了多個《動物模型構建與行為評估》交流群，群內(nèi)分享各種經(jīng)典和前沿的行為范式，共同交流解決動物實驗中遇到的棘手問題，避坑少走彎路！有需要的老師可以掃碼添加微信進入討論群！

更直接的證據(jù)來自腦機接口（BMI）：動物通過調節(jié)特定神經(jīng)元活動來控制光標。研究發(fā)現(xiàn)，并非所有神經(jīng)元都同樣“可訓練”，例如，錐體束神經(jīng)元比端腦內(nèi)神經(jīng)元更容易被調控，可能因其連接更直接、反饋更高效。

這些發(fā)現(xiàn)共同指向一個核心觀點：生物智能的本質，是在復雜、動態(tài)環(huán)境中持續(xù)構建并更新“內(nèi)部模型”的能力。而這一能力，正是當前人工智能亟需借鑒的方向。

圖二 大腦分層架構如何驅動預測學習

大腦的分層結構（如皮層和小腦）并非偶然，而是支持高效學習的關鍵設計。越來越多證據(jù)表明：神經(jīng)架構本身帶有“先天偏向”，能引導信息處理更貼合特定功能需求。

例如，皮層通過不同細胞類型和層級協(xié)同計算預測誤差即“預期”與“實際”之間的差距。研究發(fā)現(xiàn)，興奮性神經(jīng)元與多種抑制性中間神經(jīng)元在各層中精密配合，實現(xiàn)基于預測誤差的學習。這一機制延續(xù)了中腦“獎賞預測誤差”的經(jīng)典發(fā)現(xiàn)，并揭示GABA能神經(jīng)元在門控獎賞信號中的關鍵作用。

最新工作正嘗試統(tǒng)一不同類型的預測誤差：在感覺皮層，獎賞相關線索會增強神經(jīng)反應，降低預測誤差；當規(guī)則突變時，眶額皮層發(fā)出“情境預測誤差”信號，下調信心；這些自上而下的誤差信號可動態(tài)調節(jié)感覺區(qū)域活動，形成跨腦區(qū)的預測學習網(wǎng)絡。

此外，單純依賴獎賞的學習效率有限，但若結合感覺預測誤差，行為優(yōu)化效果顯著提升。這些發(fā)現(xiàn)提示：未來自適應AI或需借鑒大腦的分層架構與多模態(tài)預測誤差整合機制，而不僅是堆疊數(shù)據(jù)驅動的模型。

圖三 生物與人工系統(tǒng)中的記憶回放

持續(xù)學習旨在讓人工智能像生物大腦一樣，在不斷學習新任務的同時保留舊知識，避免“災難性遺忘”。

為此，研究者發(fā)展了多種策略：彈性權重鞏固（EWC）通過約束關鍵參數(shù)減少任務干擾，可類比大腦中初級感覺區(qū)的穩(wěn)定性與高級皮層的可塑性；突觸智能則直接模擬生物突觸的可塑機制，使每個連接在學習新任務時自動保護對舊任務重要的信息，支持高效在線學習；而記憶回放受海馬體記憶重放機制啟發(fā)，通過在訓練中穿插舊樣本鞏固知識。

近年來，該思想已廣泛應用于大模型如AmadeusGPT和MemGPT通過短時/長時記憶模塊突破上下文長度限制，Voyager則在游戲中回放過往經(jīng)驗以迭代優(yōu)化技能。這些進展表明，融合神經(jīng)科學原理與計算創(chuàng)新，是構建真正自適應、可持續(xù)學習的人工智能系統(tǒng)的關鍵方向。

圖四 基礎模型與自適應智能體

當前人工智能主要依賴“基礎模型”（如GPT、Gemini）實現(xiàn)跨任務泛化，但這類單一通用架構缺乏生物智能的核心特征：功能特化與模塊協(xié)同。自然界中，大腦由高度專業(yè)化的神經(jīng)回路組成（如視覺皮層處理邊緣、運動皮層計算發(fā)力），不同物種也演化出專用感知系統(tǒng)（如鷹眼、蝙蝠聲吶）。

受此啟發(fā)，作者提出一種新型自適應智能體架構：系統(tǒng)由多個預訓練的專用編碼器（分別處理姿態(tài)、圖像、神經(jīng)信號等）組成，其輸出在共享潛在空間中聯(lián)合優(yōu)化，形成更豐富、更類腦的聯(lián)合表征；各編碼器動態(tài)“鎖定”穩(wěn)健模塊，僅在性能下降時觸發(fā)局部更新（如通過持續(xù)學習或記憶回放），避免災難性遺忘；

此外，該架構配備專屬大語言模型，支持自然語言交互（如自動分析“基因敲除是否影響行為”并生成假說），提升可解釋性。作者進一步強調，未來AI應借鑒大腦的細胞多樣性，引入興奮/抑制門控、生物時間延遲等機制，融合大模型能力、海量行為數(shù)據(jù)與類腦計算原理，構建真正自主、自適應且可進化的智能系統(tǒng)。

總結

構建真正自適應的智能系統(tǒng)，關鍵在于融合神經(jīng)科學的兩大核心洞見：基于預測誤差更新的內(nèi)部模型與類腦的模塊化架構。前者使系統(tǒng)能通過“預期-現(xiàn)實”差異持續(xù)優(yōu)化認知，后者則通過功能特化又協(xié)同的編碼器模擬腦區(qū)分工。整合這些機制，有望顯著提升智能體在動態(tài)環(huán)境中的魯棒性與泛化能力。更重要的是，此類系統(tǒng)可具身于機器人，在真實感覺運動閉環(huán)中驗證其性能，并反過來為神經(jīng)科學提供探索心智機制的新理論框架與實驗平臺。

文章來源

https://doi.org/10.1038/s41593-025-02169-w

腦聲小店基于深度科研洞察，專注為動物實驗提供"簡器械·精實驗"解決方案。我們突破高精設備局限，開發(fā)手工定制化儀器及配件，通過科研巧思將基礎工具轉化為創(chuàng)新實驗方案。產(chǎn)品涵蓋行為學裝置、操作輔助工具等，使實驗室在保持操作簡效的同時，實現(xiàn)精細化數(shù)據(jù)采集，助力科研人員以創(chuàng)造性思維發(fā)掘簡易儀器的潛在科研價值。