AI新突破 新型神经元网络模型增强环境感知更类人脑

先说一个核心判断：虽然AI现在的表现确实让人眼前一亮，但要说它已经像人脑一样聪明，还为时过早。

这几年，以ChatGPT为代表的大模型正在加速发展，背后的关键技术支撑就是神经网络。这项技术从1940年代就开始萌芽了——当时科学家受大脑神经元启发，提出了人工神经网络模型，目的是让计算机模仿大脑的结构和功能，学会做决策。

最近OpenAI发布的GPT-4o更是把用户体验推到一个新高度，它的音频响应速度已经能做到和人类对话几乎一样快。你问完一句，它几乎不给你等的感觉就接上了。看这节奏，是不是觉得AI马上就要跟人类大脑平起平坐了？

别急。来自Flatiron Institute和印第安纳大学的研究团队最近发文指出：人工神经网络虽然能在一定程度上模仿人脑的信息处理方式，但它和真实神经元之间的差距，比想象中大得多。他们的核心观点是——现有的人工神经网络并没有真正捕捉到神经元的全部计算能力，而这一点，可能会限制AI下一步的进化。相关论文已发表在《Proceedings of the National Academy of Sciences》上，标题为“The neuron as a direct data-driven controller”。

研究团队在论文里提出了一种新型模型，叫DD-DC，也就是直接数据驱动控制（direct data-driven control）神经元网络模型。他们用这个模型证明了一件事：单个神经元对周围环境的控制力其实比我们以前以为的要强得多。

说得直白一点，过去我们理解的神经元模型其实是简化版，甚至可以说是简陋版。通讯作者Dmitri Chklovskii用词更直接：“过去60年里神经科学有长足的进步，但以前的神经元模型太粗糙了。真实神经元比我们想象的要复杂、要聪明得多。”

神经元网络新突破

那么，现有的人工神经网络到底哪里不对？简单来说，传统的人工神经网络是层层连接的一套系统：一个神经元收到来自上一层的信息，只有在总量超过某个阈值时才会把它传给下一层。而且，信息是单向流动的——下游神经元没法反馈影响上游的输入。

这种架构虽然已经帮助AI在无数领域取得了突破，但它受限于一个根本问题：我们没法精确量化真实生物神经元的可变性参数。结果就是，想建一个能推广的大脑功能模型，至今仍是神经科学的一道硬骨头。

之前，科学家们提出过效率编码、预测信息理论等思路，他们的想法是把神经元看成是“优化工具”，目标是在信息处理中做更高效的编码。但问题是，这些理论对很多神经元的生理属性解释不了。

DD-DC模型走的是一条不同的路。它把神经元看成一个反馈控制器——更接近现实中的恒温器。这个模型不试图把整个大脑的状态算清楚，也不去显式建模复杂的动态系统，而是直接从观测数据映射到控制信号。你做什么、你需要什么，神经元直接响应，不走中间环节。

有意思的是，这个模型从一个简单的假设出发，就能同时解释多种之前看起来互不相关的神经生理现象。单个解释可能只是巧合，但多种现象都能对得上，就很有说服力了。

图 | 一组开关 DD-DC 控制的开关线性系统（ 左图：使用多个开关 DD-DC 控制非线性动态系统的示意图。右图：描绘了一个深度网络模型，其中每个神经元对其周围环境实施控制，从而促进整个大脑对外部环境实施更广泛的控制。 ）

Chklovskii认为，这种更逼真的神经元控制器模型，可能会对提高机器学习应用的性能和效率起到关键作用。不过他也坦言：“虽然AI的成绩很亮眼，问题也不少。现在的模型有时候给出错误答案，有时候会‘胡编乱造’，而且训练成本高得吓人。”

DD-DC模型的独特之处在于，它采用了先进的数据驱动控制框架，把生物神经元作为有效的反馈控制器来建模，并证明了一点：神经元不仅能预测未来输入，还能通过自己的输出去主动影响未来的输入。也就是说，它不像过去那样只是被动的信号中转站，而是一个主动的调控者。

研究人员表示，这个新模型将帮助人们更深入地理解大脑本身，也可能启发下一代强化生物学导向的人工神经网络。

将神经元视为微型控制器

这个思路最碘伏的地方，在于它打破了传统认知中信息单向流动的铁律。以前我们认为神经网络就是“输入-处理-输出”的单行道。但DD-DC模型揭示，在真实的神经回路里，后面处理环节的神经元是可以反馈影响前面环节的——和恒温器维持室温一个道理，大脑神经网络也需要自我稳定，否则身体系统很容易被持续的活动压垮。

更有意思的是随机性。研究发现，在神经元和神经元连接的突触部位，电信号的传递不是百分百可靠的，偶尔会出现“信号发出但下游没收到”的情况。这种随机性以前常被看作是一种“噪声”，甚至被认为是生物系统不完美的产物。但研究团队的建模发现，这类噪声实际上是有用的——它能帮助神经元适应不断变化的环境，提升性能。

所以，把神经元看作一个微型控制器，不是随便说的。它能解释很多之前解释不了的生物学现象。比如，大脑中为何一直存在大量噪声？这个问题争论了几十年。现在模型给出的答案是：某些噪声不是累赘，而是增强性能的机制。

研究人员指出：“人们通常会把大脑看作一个整体，或者至少是一个大的功能区域，但很少有人想到单个神经元也能做到这种级别的控制。”因为控制是一项计算密集型任务，过去觉得一个小小的神经元很难拥有足够的计算资源。但DD-DC模型给了相反的结论：它不仅能，而且还会利用噪声。这种随机性在复制真实神经元的功能时，似乎非常重要。

不过，也要说清楚一个现状：新模型虽然表现了优越性，但计算需求也更高。尤其是在大规模网络里跑起来，对运算资源的要求比较“重”。所以研究团队建议，先在特定领域做精深的场景化应用，比如研究视觉环境下单个神经元的行为。

接下来的研究方向很清晰：一是继续探索不同类型神经元的行为；二是将DD-DC模型跟对抗性训练、强化学习等技术结合起来，进一步提升AI的可靠性和准确性。同时，他们也计划反过来分析哪些神经元可能不适合这个新模型——比如视网膜里的神经元，它们直接接收的是来自视觉环境的输入，很可能不像大脑深层神经元那样能控制自己的输入，但也许会用上某些相同的底层原理。

Chklovskii一句话总结得很到位：“控制和预测其实是一回事。如果你没法预测你的行为会对世界产生什么影响，那你根本没法做有效的控制。”