首页 排行榜文章正文

AI能像大脑一样学习和进化吗?神经科学启发AI革命

排行榜 2025年10月16日 00:04 1 cc
AI能像大脑一样学习和进化吗?神经科学启发AI革命

信息来源:https://www.forbes.com/sites/victordey/2025/10/08/can-ai-learn-and-evolve-like-a-brain-pathways-bold-research-thinks-so/

人工智能发展的下一个重大突破可能来自对人脑工作机制的深度模仿。总部位于帕洛阿尔托的AI初创公司Pathway推出了名为"幼龙孵化体"(Baby Dragon Hatchling, BDH)的革命性人工智能架构,该系统能够像人类大脑一样持续学习和进化。与当前主流的大语言模型在训练完成后保持静态不同,BDH采用基于赫布学习原理的动态架构,使AI系统能够在处理信息的同时不断发展和完善自身的理解能力。这一技术突破有望解决现代AI系统的核心悖论:随着模型变得越来越复杂,它们却越来越偏离了启发其设计的人类大脑的基本特征。

Pathway公司由复杂性科学家Zuzanna Stamirowska领导,其研发团队汇集了神经科学、机器学习和复杂系统领域的顶尖专家。公司最近完成了由TQ Ventures领投的1000万美元种子轮融资,投资方包括Transformer原始论文合著者Lukasz Kaiser等知名技术专家。该技术已经在实际应用中展现价值,北约组织使用其系统分析实时社交和运营数据,法国邮政服务则利用该技术优化物流配送路线。

生物学原理在AI中的数学实现

BDH系统的核心创新在于将神经科学中的赫布学习原理转化为可操作的算法架构。赫布学习通常被概括为"一起激活的神经元会建立连接",这一原理描述了人脑中神经元如何通过重复的共同激活来强化彼此之间的连接,从而将简单的神经活动转化为复杂的思维、记忆和行为模式。

在BDH架构中,每个人工神经元都独立运作,但与周围神经元保持局部连接。当特定的连接路径反复被激活时,这些连接会得到强化,逐渐形成代表所学概念的稳定神经通路。这种机制使得系统能够自发组织成无标度网络结构,即使在不断增长或处理新数据时也能保持系统的稳定性和效率。

Pathway首席技术官Jan Chorowski曾与被誉为"AI教父"的杰弗里·辛顿合作,参与了Google Brain语音注意力机制的开创性工作。他解释说:"BDH回归了神经网络背后的第一性原理——一个由简单智能体组成的分布式复杂系统如何通过应用无需外部同步的局部规则来实现学习。"

这种方法的数学基础建立在复杂系统理论之上,类似于物理学中粒子相互作用产生全局结构的机制。系统中每个神经元的行为遵循简单的局部规则,但整体涌现出类似人脑的智能行为模式。这种设计既提高了大规模智能系统行为的可预测性,也为训练和评估AI性能开辟了新的方法论。

突破传统AI系统的根本限制

AI能像大脑一样学习和进化吗?神经科学启发AI革命

大众图片/环球图片集团来自盖蒂图片社

Pathway 声称已经发现了智能的数学蓝图,并构建了一种名为 Baby Dragon Hatchling (BDH) 的人工智能,它像人脑一样进化。(照片来源:Sergi Reboredo/VW Pics/Universal Images Group via Getty Images)

当前主流AI系统面临的最大挑战是训练完成后的静态特性。首席执行官Stamirowska形象地将现有大语言模型比作电影《土拨鼠之日》中的主角,"每天醒来时都保持相同的记忆状态,无法进行任何形式的持续学习"。这种限制使得AI系统无法像人类那样从经验中不断改进和适应。

BDH系统的设计从根本上解决了这一问题。系统拥有与长期知识存储相当的"记忆空间",能够在工作过程中逐步解决问题并持续改进。这种能力使得AI系统可以真正做到在实践中学习,随着处理更多数据和面对新挑战而不断进化。

首席科学官Adrian Kosowski指出了当前企业AI部署中的核心矛盾:"工程系统和数据库具备摄取新数据的能力,但大语言模型无法以获得洞察力或经验的方式处理这些数据。"传统解决方案通常结合静态AI模型和外部数据库检索,但这种架构无法实现真正的学习和适应。

BDH的架构变革体现在其处理上下文信息的全新方式上。系统能够将新信息整合到现有知识结构中,不仅仅是简单的存储和检索,而是通过强化学习机制不断优化对信息的理解和应用能力。这种特性在企业级应用中尤为重要,能够实现真正的上下文化推理。

可解释性与安全性的技术优势

BDH系统的另一个重要突破在于其稀疏激活特性和高度的可解释性。与传统深度学习模型的"黑箱"特性不同,BDH系统的神经元激活模式相对稀疏,研究人员能够清楚观察到哪些神经元代表特定概念。Pathway将这一特性称为"单义性",为AI系统的透明度和可审计性提供了技术基础。

这种透明度对于AI系统的安全部署和监管合规具有重要意义。随着AI技术在关键领域的广泛应用,监管机构越来越重视AI系统决策过程的可解释性。BDH的架构设计天然支持这种需求,使得系统的推理过程可以被追踪和验证。

可解释性还带来了调试和优化的便利。开发者能够直观地理解系统在特定情况下的表现,识别潜在的偏差或错误,并进行针对性的改进。这种能力在传统深度学习模型中往往需要复杂的解释性技术才能实现。

系统的稀疏激活特性还带来了计算效率的提升。相比于传统模型需要激活大部分参数来处理输入,BDH系统只激活处理特定任务所需的神经元子集,显著降低了计算资源消耗。这种效率优势在大规模部署时尤为重要。

产业应用与未来发展前景

BDH技术已经在多个实际应用场景中展现了其价值。北约组织采用该技术分析复杂的实时社交媒体数据和运营情报,系统能够从不断变化的信息环境中提取有价值的洞察并持续改进分析能力。法国邮政服务则利用该技术优化全国范围的物流网络,系统能够根据实时交通、天气和需求变化动态调整配送路线。

这些应用案例证明了BDH技术在处理动态、复杂环境中的独特优势。与传统AI系统需要定期重新训练不同,BDH系统能够在实际运行中持续学习和适应,保持最优性能。

Pathway团队的学术背景为技术发展提供了坚实基础。CEO Stamirowska在《美国科学院院刊》发表了关于全球贸易网络预测模型的重要研究,首席科学官Kosowski在计算机科学、物理学和生物学领域都有重要贡献。这种跨学科的专业背景使得团队能够从不同角度理解和解决AI系统的根本问题。

投资者的认可也反映了市场对这一技术方向的信心。种子轮融资的成功完成为公司进一步扩大研发团队和加速技术商业化提供了资金支持。Transformer原始论文合著者Lukasz Kaiser的参与投资,更是对技术创新价值的有力背书。

未来发展方向包括扩大BDH架构的应用范围,从当前的特定领域扩展到更广泛的通用人工智能任务。团队正在研究如何将该架构与现有的大语言模型技术结合,创造出既具有强大语言理解能力又能持续学习的混合系统。

长期愿景是建立真正类似人脑的人工智能系统,能够在复杂多变的环境中自主学习、适应和进化。这种系统不仅能够处理静态数据,还能从动态交互中获得深度洞察,最终实现与人类智能更加接近的认知能力。

发表评论

德业号 网站地图 Copyright © 2013-2024 德业号. All Rights Reserved.