🐯虎嗅•較早收集於 22m
大腦「認知樂高」揭示人類學習效率之謎
#neuroscience#cognitive-science#neural-architecturecognitive-lego-(neuroscience-research)princeton universitynature
💡了解大腦的「認知樂高」機制如何解決 AI 的災難性遺忘並提升學習效率。
⚡ 30-Second TL;DR
有什麼變化
大腦在不同任務中重複使用特定的神經活動模式（認知樂高）。
為什麼重要
這項研究表明，未來的 AI 架構應優先考慮模組化、隔離的存儲子空間，以實現類似人類的認知靈活性並防止災難性遺忘。
下一步行動
探索模組化神經網絡架構或「適配器」（adapter）層，將任務特定的權重隔離，以減輕模型中的災難性遺忘。
誰應關注：Researchers & Academics
關鍵要點
- •大腦在不同任務中重複使用特定的神經活動模式（認知樂高）。
- •前額葉皮層充當調度員，動態地激活或抑制認知模組。
- •AI 的災難性遺忘可能源於存儲架構不佳，而非容量不足。
- •模組化、獨立的神經子空間使大腦能在不覆蓋舊知識的情況下學習新技能。
🧠 深度解析
Web-grounded analysis with 12 cited sources.
🔑 增強重點摘要
- •普林斯頓大學的研究透過訓練恆河猴進行視覺分類任務，觀察其前額葉皮層的神經活動模式，從而揭示了「認知樂高」的運作機制。
- •「認知樂高」的概念表明，大腦能夠重複使用現有的心理組成部分並將其重新組合以應對新任務，避免從頭開始學習，這是當前大多數AI系統所缺乏的策略。
- •這項關於大腦模組化學習機制的研究成果於2025年11月26日發表在頂尖學術期刊《自然》（Nature）上。
- •除了對AI發展的啟示，這項研究的見解也可能對神經和精神疾病的臨床治療產生影響，特別是那些涉及認知適應性受損的疾病。
- •「災難性遺忘」現象最初是由Michael McCloskey和Neal J. Cohen於1989年在人類記憶研究中觀察到的，隨後被引入到人工神經網路領域。
📊 競品分析▸ Show
| 特徵/方法 | 核心機制 | 解決災難性遺忘的方式 |
|---|---|---|
| 普林斯頓「認知樂高」啟發的AI | 模組化神經模式、共享神經子空間 | 重複使用和重新組合現有知識模組，避免覆蓋舊知識 |
| Google Nested Learning | 多時間尺度學習系統（快、中、慢層） | 將模型架構與優化器融合，實現多層次自我優化，鞏固長期記憶 |
| 彈性權重整合 (EWC) | 正則化方法 | 懲罰對舊任務重要的模型權重變化，限制其更新 |
| 記憶增強神經網路 (MANN) | 外部記憶模組、注意力機制 | 儲存和回憶過去經驗，為新任務提供資訊並保留舊知識 |
| 經驗重播 (Replay) | 數據回放 | 在新任務訓練中重新引入舊任務數據，以鞏固舊知識 |
🛠️ 技術深入
- 普林斯頓大學的研究訓練恆河猴執行視覺分類任務，例如區分「兔子」或「T」形狀，以及「紅色」或「綠色」的斑點。
- 研究發現，前額葉皮層（PFC）包含用於共同目標（如顏色辨別）的可重複使用的神經元活動模式，這些模式被稱為「認知樂高」。
- 這些「認知積木」被比喻為電腦程式中的函數，可以靈活地組合以創建新的行為。
- 該研究利用單神經元活動圖譜技術，以前所未有的精確度揭示了PFC精細而複雜的功能組織，識別出負責編碼目標、維持工作記憶和抑制干擾的不同類型神經元。
- 「共享神經子空間」是核心概念，指大腦儲存任務相關資訊並能靈活組合這些資訊的機制。
- 借鑒此機制，AI系統的目標是建立具備組合性能力的架構，使其能夠在不抹除舊技能的情況下學習新技能。
- 作為對比，Google的Nested Learning提出了一種多層次學習系統，包含快速、中速和慢速學習層，並將模型架構與優化器統一為嵌套的學習過程。
- Nested Learning的技術細節包括「上下文流」（Context Flow），用於定義每層處理資訊的範圍和學習時間跨度，以及「自我修改泰坦」（Self-Modifying Titans），旨在賦予模型動態調整投影矩陣的能力。
🔮 前景展望AI analysis grounded in cited sources
AI系統將實現類似人類的認知靈活性和持續學習能力，有效解決災難性遺忘問題。
普林斯頓大學提出的「認知樂高」生物學藍圖為設計能夠重複使用和重新組合知識的AI架構提供了新途徑，有望克服當前AI在學習新任務時遺忘舊知識的限制。
神經和精神疾病的治療將出現新的突破。
深入理解大腦如何重新組合認知積木的機制，可能為精神分裂症、強迫症等涉及認知適應性受損的疾病提供新的治療方法。
AI的發展將更傾向於生物啟發式、多時間尺度學習的架構。
Google的Nested Learning等方法已開始模仿大腦的多時間尺度可塑性，這預示著未來AI將朝向更複雜、更具生物學啟發性的模型發展，以實現更接近人工通用智能（AGI）的能力。
⏳ 時間線
1989-XX
Michael McCloskey和Neal J. Cohen首次提出「災難性遺忘」概念，最初用於描述人類記憶。
2021-07-15
高天明教授團隊發現前額葉皮層的不同下行神經迴路在調節焦慮和恐懼中發揮相反作用，揭示PFC功能複雜性。
2025-11-09
Google Research發表Nested Learning（嵌套學習）研究，提出解決AI災難性遺忘問題的新方法。
2025-11-26
普林斯頓大學研究人員在《自然》雜誌發表關於大腦「認知樂高」的研究，揭示大腦如何透過模組化神經模式學習。
2025-11-27
GeneOnline News報導普林斯頓大學的「認知樂高」理論，提供大腦建構複雜行為的新視角。
2025-12-15
利創智能圖靈學院科楠老師撰文解釋普林斯頓大學的「共享神經子空間」研究，並將其與AI模組化思考聯繫起來。
📎 來源 (12)
Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 虎嗅 ↗