PsyBrain 脑心前沿 / AI 与脑科学：顶刊文献解读专题 / A · 文献解读 / A040 · NatNeurosci借鉴神经科学启示，构建新一代自适应

A040 Nat Neurosci | 借鉴神经科学启示，构建新一代自适应AI

来源：公众号 PSY-Brain_Frontier ｜发布：2026-01-04 ｜原文链接

PsyBrain 脑心前沿 | 公众号 PSY-Brain_Frontier

一键关注，点亮星标 ⭐️

不错过每日前沿资讯

认知神经科学前沿文献分享

基本信息：

Title:Leveraging insights from neuroscience to build adaptive artificial intelligenc

发表时间：2025.12.30

Journal:Nature Neuroscience

影响因子： 20.0

获取原文：

*添加小助手:*PSY-Brain-Frontier即可获取PDF版本
点击页面底部“阅读原文”即可跳转论文原网页

观点背景

生物智能天生具有适应性，能够根据环境反馈不断调整行动，而创建具备这种能力的适应性人工智能（AI）仍是一个重大挑战。传统AI通常遵循“训练-测试-部署”的非适应性周期，在面对不可预测、持续变化的环境时表现欠缺。

作者试图解决的关键科学问题是：如何利用大脑构建“内部模型”（World Models）以克服感知延迟并预测行为后果的机制，来构建能够在线学习、泛化并快速适应环境变化的智能体。这一研究的重要性在于，它指出了超越当前大语言模型（LLM）和基础模型，向更高效、更具韧性的“适应性智能”跨越的路径。这篇文章不仅是在谈论技术，更是在为下一代 AI 描绘一张向生物智慧取经的路线图。

核心观点

从“静态黑盒”进化为“动态世界模型”

目前的 AI 大多处于“训练-测试-部署”的固定循环中，缺乏灵活性。真正的智能应该是“自适应”的，能够像动物一样在复杂的现实世界中持续学习、快速纠错，并在环境变化时迅速调整自己的“内部模型”

Fig. 1 | Rapid learning in animals—from few-shot to updating of internal modelbased learning。这张图展示了生物智能如何通过构建“内部模型”实现远超当前 AI 的学习效率，图 a（迷宫探索）、图 b（抽象结构）、图 c（运动自适应）

模拟大脑的“预测-反馈”机制

生物大脑并非只是被动接收数据，而是在脑中构建“世界模型”来预测未来。当现实与预测不符时，大脑会产生“预测误差”信号来更新模型。未来的 AI 应该引入这种机制，将其作为教学信号，让系统具备自我进化的能力

Fig. 2 | Neural computations: biological teaching signals 这张图揭示了大脑如何通过特定的神经环路计算“预测误差”，并将其作为学习的驱动力。图 a（皮层环路）、图 b（奖励预测误差 RPE如何与GABA 神经元如何协同工作）

拒绝“巨型单体”，拥抱“专家协作”

大脑不是一团乱麻，而是由功能高度专业化（如视觉、运动控制）但架构通用的模块组成的。作者建议 AI 架构应由大语言模型（LLM）充当“大脑管家”，指挥一群专业化的“子模型专家”，通过跨领域的联合优化来解决复杂问题。

Fig. 3 | Memory replay in biological and artificial systems 这张图对比了大脑和 AI 处理“防止遗忘”的不同方式。图 a（生物系统）：神经元在小鼠睡眠期间会以极快的速度“重放”白天跑动的序列。这种尖波涟漪（Sharp wave ripples）活动被认为是对知识的巩固；图 b（人工系统）：在 AI 的持续学习中，可以建立“重放缓冲区”（Replay Buffer）。通过使用高置信度的伪标签（Pseudo-labeling）来保留旧知识，即使原始训练数据已不可用，也能在学习新技能时防止“灾难性遗忘” 。

“动态开关”学习模式

为了解决 AI 容易出现的“灾难性遗忘”问题，可以效仿大脑的习惯形成机制。当某个专业子模型表现稳定时，将其“锁定”以保持效率；只有当监测到预测误差升高、表现下降时，才将其“解锁”并利用“记忆重放”等技术进行在线更新。

Fig. 4 | Foundation models and adaptive agents 这里提出了一个全新的 AI 组织范式！图 a/b（现状）：展示了当前通过自监督学习训练的基础模型（如 Flamingo），它们能处理文本、视频等多模态数据；图 c（VAVA 框架）：作者建议建立一个由 LLM 驱动的代理系统（Core agent API），动态调度多个专业编码器（如基因、神经、动作专家）

省流总结

本文基于“生物智能本质上是适应性的”这一核心观点，综述了动物如何通过建立内部模型和利用预测误差进行快速在线学习的神经机制。针对当前AI模型在动态环境中容易出现灾难性遗忘且缺乏实时适应性的问题，作者提出了将大脑的层级专门化架构、预测误差驱动的更新机制以及记忆重放等生物学特性整合进AI代理系统的构想。其意义在于为开发更高效、具备自主学习与纠错能力的下一代适应性人工智能提供了明确的仿生路径

图10