神经网络不是“学”出来的，而是出生前就被“调好”的：Nature重新理解智能起源

最近，Nature 发表了一篇非常有意思的文章——《A critical initialization for biological neural networks》。这篇文章讨论的并不是传统意义上的“学习算法”，而是在追问一个更根本的问题：为什么生物大脑能够如此高效地学习？为什么动物在出生后几乎不需要大量训练，就能迅速适应环境、形成行为甚至掌握复杂认知能力？

过去几十年，无论是神经科学还是人工智能领域，一个默认前提都是：智能主要来源于后天学习。但这篇文章提出，真正关键的可能并不是后天训练，而是神经网络在出生时是否已经被初始化到一种“适合学习”的状态。换句话说，大脑真正厉害的地方，可能并不是学习本身，而是它在开始学习之前，就已经拥有了一个高度优化的结构基础。

论文概要

项目

内容

论文标题

A critical initialization for biological neural networks

发表期刊

Nature

核心观点

生物神经网络存在“关键初始化”

研究方向

神经科学 × AI × 发育生物学

主要思想

学习效率来源于先天网络结构，而不仅是后天训练

AI启发

当前AI可能忽略了最重要的问题——初始化

这篇文章实际上是在重新定义“学习”本身。作者认为，生物神经系统并不是像当前人工神经网络一样，从随机参数开始慢慢训练。相反，大脑在出生之前，就已经通过发育和演化，被组织成一种非常适合学习的状态，因此后续经验更多是在已有结构上的微调，而不是从零开始构建能力。

为什么动物学习速度远超AI？

文章一开始提出了一个很经典但经常被忽略的问题：为什么很多动物几乎不需要训练，就能迅速形成复杂行为？比如小鹿出生后几个小时就能站立，婴儿天然偏好人脸，幼鸟能够快速识别危险，而当前人工智能模型往往需要海量数据和长时间训练，才能完成类似任务。

作者认为，这种差异背后的关键，并不在于学习规则，而在于初始网络结构是否正确。当前AI大多采用随机初始化，再通过数据不断优化参数；而生物神经网络则可能在出生前，就已经形成了特定的连接拓扑、兴奋与抑制平衡、动态传播特征以及稳定的信息处理模式。因此，生物学习并不是“从无到有”，而是在一个已经高度组织化的网络中快速适应环境。

文章真正核心：临界状态（criticality）

这篇文章最重要的理论核心，其实是“criticality（临界性）”。这是复杂系统科学中的经典概念，简单来说，就是系统既不能过于稳定，也不能过于混乱，而是需要位于秩序与随机之间的边界状态。

作者认为，大脑在出生时就已经被初始化到了这种“临界状态”。在这种状态下，神经网络的信息传播效率最高，对外界刺激最敏感，同时又能保持整体稳定，因此既具备高可塑性，又不会陷入噪声失控。

文章认为，很多生物智能的本质，都可能来源于这种临界动态结构。因为在过度稳定的网络中，信息很难传播，学习能力会下降；而在过度混乱的网络中，信号又会被噪声淹没，无法形成稳定记忆。只有位于临界点附近，系统才同时具备复杂行为生成能力与快速学习能力。

演化真正优化的，可能不是行为，而是初始化

文章里一个非常高级的观点是：演化真正优化的，也许并不是具体行为，而是神经网络的初始结构。

传统观点通常认为，动物依赖后天经验形成行为；但作者提出，从更长时间尺度来看，真正“学习”的其实是物种演化本身。数亿年的自然选择，并不是直接编码某种行为，而是在不断优化神经网络的初始拓扑和动态特性，使每个个体出生时，就已经拥有一个“适合学习”的大脑。

这其实和当前AI的发展方向非常像。因为现在大模型最重要的部分，并不是后续微调，而是大规模预训练形成的基础模型。作者甚至认为，生物大脑本质上也是一种经过长期演化“预训练”的系统。

为什么这对AI特别重要？

文章对人工智能最大的冲击在于，它暗示当前AI的发展方向可能存在一个根本问题：大家都在关注更大的模型、更长的训练、更高的算力，但真正被忽略的，可能是初始化本身。

当前深度学习模型通常从随机权重开始训练，因此需要巨量数据和极高能耗；而生物神经网络由于已经被演化优化到接近“临界状态”，所以只需要少量经验，就能迅速形成复杂能力。

因此，作者提出未来AI可能需要一种新的方向：developmental initialization（发育式初始化）。也就是说，AI不应该直接从随机参数开始，而应该先经历类似神经发育的阶段，逐渐形成适合学习的网络结构，然后再进入真正的学习过程。

发育生物学可能比学习本身更重要

文章还把这个理论进一步连接到了发育生物学。作者认为，胚胎时期的大脑发育过程，其实不仅是在“长出大脑”，更是在完成神经网络的初始化。

包括神经元迁移、轴突导向、突触修剪、兴奋与抑制平衡形成，以及睡眠相关活动等过程，都可能是在把神经网络推向一种适合学习的临界状态。因此，很多所谓“关键发育窗口”，本质上可能是在完成网络动态结构的建立，而不仅仅是简单的生长。

这也能解释为什么儿童时期的大脑具有极高学习能力。因为相比成年人，儿童大脑更加接近临界状态，网络更敏感、更动态、更容易形成新连接，因此语言学习、认知形成和环境适应速度都远高于成年后。

这篇文章为什么值得关注？

这篇 Nature 最吸引人的地方在于，它并不是单纯讨论“神经网络如何学习”，而是在重新思考：为什么神经网络能够学习。

它把神经科学、复杂系统、发育生物学和人工智能连接到了一起，并提出了一个非常重要的思想：

智能可能并不是训练出来的，而是“初始化”出来的。

真正决定系统是否能够高效学习的，也许不是后天经验本身，而是系统在开始学习之前，是否已经被组织到了正确的状态。

而生物演化，可能早已替大脑完成了数亿年的“预训练”。