Nat Neurosci：让机器学会随机应变！科学家揭示神经科学启发自适应AI机制

生物智能的一大特点就是“会变通”：动物能根据环境变化和经验不断调整自己的行为，比如避开危险、寻找食物、适应新规则。这种持续学习和灵活应变的能力，是生物智能的核心。但目前的人工智能大多缺乏这种真正的适应性，它们在固定数据上训练后，一旦面对新环境或意外情况，往往就“卡壳”了。如何让AI像动物一样，在真实世界中边做边学、实时调整，仍是人工智能领域的一大难题。

基于此，2025年12月30日，洛桑联邦理工学院Mackenzie Weygandt Mathis研究团队在nature neuroscience杂志发表了“Leveraging insights from neuroscience to build adaptive artificial intelligence”揭示了利用神经科学的洞见构建自适应人工智能。

当前人工智能的前沿目标，是发展“自适应智能”即让AI像动物一样，在运行中持续学习、快速适应新环境，并灵活应对未知挑战。这一思路深受神经科学启发：近年研究发现，动物能不断更新对世界的“内部模型”，从而高效应变。本文从行为和脑机制出发，梳理生物如何实现这种自适应能力，回顾AI在模拟这些能力上的进展并探讨如何借鉴大脑原理，设计更灵活、更智能的新一代算法。

图一 生物智能的自适应之道

近年来，神经科学正转向更贴近真实生活的实验方式：动物不再只是按按钮或走固定迷宫，而是在自由探索、动态环境甚至虚拟现实中学习和决策。配合无标记行为追踪和大规模神经记录技术，研究者能精细解析动物如何在单次实验中快速学习。

例如，小鼠在复杂迷宫中每小时可做2000次决策，仅需约10次尝试就能学会找水，比传统任务快上千倍；有些甚至能“举一反三”，首次面对新任务就成功推理目标顺序，展现出零样本学习能力。研究还发现，内侧前额叶皮层存在“任务结构记忆”神经元，可能像大脑的“内部导航图”，帮助动物理解任务逻辑。

这种智能不仅限于实验室小鼠。自然界中，乌鸦会造工具，蜜蜂用“舞蹈”传递空间信息，狗能理解人类情绪，这些能力甚至催生了“虚拟动物AI奥林匹克”，用动物认知启发人工智能。

在运动控制领域，“内部模型”（即大脑对身体与环境关系的预测）的快速更新是适应性的核心。比如，在视觉被旋转干扰的任务中，人或猴子能在几百次尝试内校正动作偏差。神经记录显示，运动皮层会提前编码所需力量，且这种调整会持久保留，证明内部模型已被改写。

脑声常谈建立了多个《动物模型构建与行为评估》交流群，群内分享各种经典和前沿的行为范式，共同交流解决动物实验中遇到的棘手问题，避坑少走弯路！有需要的老师可以扫码添加微信进入讨论群！

更直接的证据来自脑机接口（BMI）：动物通过调节特定神经元活动来控制光标。研究发现，并非所有神经元都同样“可训练”，例如，锥体束神经元比端脑内神经元更容易被调控，可能因其连接更直接、反馈更高效。

这些发现共同指向一个核心观点：生物智能的本质，是在复杂、动态环境中持续构建并更新“内部模型”的能力。而这一能力，正是当前人工智能亟需借鉴的方向。

图二 大脑分层架构如何驱动预测学习

大脑的分层结构（如皮层和小脑）并非偶然，而是支持高效学习的关键设计。越来越多证据表明：神经架构本身带有“先天偏向”，能引导信息处理更贴合特定功能需求。

例如，皮层通过不同细胞类型和层级协同计算预测误差即“预期”与“实际”之间的差距。研究发现，兴奋性神经元与多种抑制性中间神经元在各层中精密配合，实现基于预测误差的学习。这一机制延续了中脑“奖赏预测误差”的经典发现，并揭示GABA能神经元在门控奖赏信号中的关键作用。

最新工作正尝试统一不同类型的预测误差：在感觉皮层，奖赏相关线索会增强神经反应，降低预测误差；当规则突变时，眶额皮层发出“情境预测误差”信号，下调信心；这些自上而下的误差信号可动态调节感觉区域活动，形成跨脑区的预测学习网络。

此外，单纯依赖奖赏的学习效率有限，但若结合感觉预测误差，行为优化效果显著提升。这些发现提示：未来自适应AI或需借鉴大脑的分层架构与多模态预测误差整合机制，而不仅是堆叠数据驱动的模型。

图三 生物与人工系统中的记忆回放

持续学习旨在让人工智能像生物大脑一样，在不断学习新任务的同时保留旧知识，避免“灾难性遗忘”。

为此，研究者发展了多种策略：弹性权重巩固（EWC）通过约束关键参数减少任务干扰，可类比大脑中初级感觉区的稳定性与高级皮层的可塑性；突触智能则直接模拟生物突触的可塑机制，使每个连接在学习新任务时自动保护对旧任务重要的信息，支持高效在线学习；而记忆回放受海马体记忆重放机制启发，通过在训练中穿插旧样本巩固知识。

近年来，该思想已广泛应用于大模型如AmadeusGPT和MemGPT通过短时/长时记忆模块突破上下文长度限制，Voyager则在游戏中回放过往经验以迭代优化技能。这些进展表明，融合神经科学原理与计算创新，是构建真正自适应、可持续学习的人工智能系统的关键方向。

图四 基础模型与自适应智能体

当前人工智能主要依赖“基础模型”（如GPT、Gemini）实现跨任务泛化，但这类单一通用架构缺乏生物智能的核心特征：功能特化与模块协同。自然界中，大脑由高度专业化的神经回路组成（如视觉皮层处理边缘、运动皮层计算发力），不同物种也演化出专用感知系统（如鹰眼、蝙蝠声呐）。

受此启发，作者提出一种新型自适应智能体架构：系统由多个预训练的专用编码器（分别处理姿态、图像、神经信号等）组成，其输出在共享潜在空间中联合优化，形成更丰富、更类脑的联合表征；各编码器动态“锁定”稳健模块，仅在性能下降时触发局部更新（如通过持续学习或记忆回放），避免灾难性遗忘；

此外，该架构配备专属大语言模型，支持自然语言交互（如自动分析“基因敲除是否影响行为”并生成假说），提升可解释性。作者进一步强调，未来AI应借鉴大脑的细胞多样性，引入兴奋/抑制门控、生物时间延迟等机制，融合大模型能力、海量行为数据与类脑计算原理，构建真正自主、自适应且可进化的智能系统。

总结

构建真正自适应的智能系统，关键在于融合神经科学的两大核心洞见：基于预测误差更新的内部模型与类脑的模块化架构。前者使系统能通过“预期-现实”差异持续优化认知，后者则通过功能特化又协同的编码器模拟脑区分工。整合这些机制，有望显著提升智能体在动态环境中的鲁棒性与泛化能力。更重要的是，此类系统可具身于机器人，在真实感觉运动闭环中验证其性能，并反过来为神经科学提供探索心智机制的新理论框架与实验平台。

文章来源

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

脑声小店基于深度科研洞察，专注为动物实验提供"简器械·精实验"解决方案。我们突破高精设备局限，开发手工定制化仪器及配件，通过科研巧思将基础工具转化为创新实验方案。产品涵盖行为学装置、操作辅助工具等，使实验室在保持操作简效的同时，实现精细化数据采集，助力科研人员以创造性思维发掘简易仪器的潜在科研价值。