PsyBrain 脑心前沿 / 科研分析：认知神经科学前沿的结构化精读 / X · AI 与脑科学 / X032 · NatMachIntell神经科学赋能AI革新：从神经动

X032 Nat Mach Intell | 神经科学赋能AI革新：从神经动力学中寻找实时学习的新支点

来源：公众号 PSY-Brain_Frontier ｜发布：2026-03-11 ｜原文链接

一键关注，点亮星标 ⭐️ 前沿不走丢！

认知神经科学前沿文献分享

基本信息

Title:What neuroscience can tell AI about learning in continuously changing environments

发表时间：2025.11.28

发表期刊: Nature Machine Intelligence

影响因子：23.9

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

理论冲突与思想缘起

现代人工智能系统在静态任务中表现卓越，但当面对真实世界的非平稳性时，其底层的计算范式显露出了深刻的局限性。当前的主流模型，如大型语言模型，通常在海量数据集上进行一次性训练，随后以固定参数部署。其学习过程极其缓慢且成本高昂，依赖数十亿次的重复和细微的梯度调整。这种静态范式与生物智能形成了鲜明对比：动物必须在持续变化的物理和社会环境中生存，其行为策略和奖励预期往往会因为环境变迁或同类交互而发生剧烈波动。

作者指出，人工智能领域长期受困于稳定性与塑性的两难困境，即在吸收新知识的同时极易产生灾难性遗忘，抹除已习得的解决方案。尽管现有的机器学习尝试通过参数正则化、架构模块化或经验回放来缓解这一问题，但这些方法大多仍基于梯度下降，无法实现生物大脑那种几分钟甚至一次性即可完成的经验内化。这种理论僵局促使作者提出神经人工智能（NeuroAI）议程，试图利用神经科学中关于行为规则切换和神经元群体动态突然转变的研究成果，为人工智能构建一套能够实时、灵活重组的新型计算框架。

论证逻辑与理论架构

作者构建论点的逻辑基石在于区分两种适应机制：神经动力学机制与突触机制。在动力学层面，文章引入了动力系统理论（DST）作为连接大脑与人工智能的通用形式语言。Figure 3 形象地展示了流形吸引子如何作为一种资源高效的计算模板，在无需调整权重的状态下实现长程工作记忆。通过在循环神经网络（RNN）中引入此类动力学约束，系统可以表现出对多重时间尺度的灵活调整能力。

Fig. 3 | Dynamical mechanisms and their experimental support

在突触层面，作者重点解析了行为尺度可塑性（BTSP）这一前沿发现。Figure 4 详细阐述了 BTSP 如何通过特定的时间窗口，在短短几秒钟内实现对行为相关事件的一次性编码。这种机制不同于传统的赫布学习，它允许系统在不干扰现有记忆的情况下，快速形成高容量的内容寻址记忆，从而为人工智能的上下文学习（ICL）提供了生物学支撑。

Fig. 4 | Fast plasticity mechanisms supporting episodic memory

范式转型与领域启示

该观点如果被广泛采纳，将推动人工智能从被动的、增量式的刺激响应学习转变为主动的、组合式的世界模型构建。这种转型意味着智能体将不再仅仅依赖于权重的微调，而是利用神经动力学的拓扑特性，通过参数空间的分岔机制实现计算结构的爆发式重组。Figure 2 揭示的现象：动物在规则切换时的行为和神经表征往往会出现突然的飞跃，而非缓慢过渡，为这种基于分岔的快速自适应提供了有力的实证依据。

Fig. 2 | Sudden transitions in behaviour and neural population representations during rule learning

对于实验科学家而言，这一理论路线图提倡将神经科学的任务设计（如漂移的多臂土匪任务）引入人工智能基准测试，以评估系统在生态真实场景下的表现。Figure 5 展示的动力系统重构（DSR）技术，则提供了一种全新的工具，使我们能够直接从神经元记录和行为数据中推导出生成式代理模型，从而实现大脑计算原则向硅基系统的自动化移植。在未来五年内，这种深度整合可能催生出具备内在时间感和多尺度动态表征的新一代智能体，彻底解决当前系统在开放世界中无法实时演进的沉疴。

图10

Fig. 5 | Learning computational surrogate models from neuronal and behavioural data.

图11

省流总结

本文批判了现代人工智能基于静态参数与缓慢梯度下降的学习局限，提出了一种整合神经动力学吸引子与多尺度突触可塑性（如 BTSP）的新型 NeuroAI 框架。作者强调，通过利用分岔理论实现计算结构的瞬间重组，并借助动力系统重构技术直接从神经数据中继承机制，人工智能可以获得生物级别的灵活性与一次性学习能力。

分享人：天天

审核：PsyBrain 脑心前沿编辑部

💡 关于我们

👋 你好，这里是「PsyBrain 脑心前沿」

🧠 专注追踪全球认知神经科学的最尖端突破

🔍视野直击 Nature, Science, Cell 正刊及 Nat Neurosci, Nat Hum Behav, Neuron, Sci Adv 等核心子刊与顶级大刊

📄 每日速递「深度解读」与「前沿快讯」，为你打破信息差

科研是一场探索未知的长跑，但你无需独行。欢迎志同道合的你加入 PsyBrain 学术社群，和一群懂你的同行，共同丈量脑与心智的无垠前沿。

👇点击卡片进群，欢迎你的到来👇