让AI像大脑一样成长：时序发育机制实现跨领域持续学习 | NSR

儿童大脑以极低功耗不断学习，而人工神经网络的提升伴随着模型扩张，如何引入大脑发育机制以实现高效持续学习仍不清楚。现在，中国科学院自动化研究所曾毅研究员团队在《国家科学评论》提出了一种跨脑区时序发育启发的持续学习框架 TD-MCL，实现网络规模降低的同时跨领域持续学习。

人工智能是如何不断提升自身能力的？长期以来，扩大模型规模被认为是提升人工神经网络性能的重要方式，但也带来了能耗和计算成本不断上升的现实挑战。与此不同，人类大脑在发育过程中并非持续增加连接密度，而是在不断“修剪”的同时，仍能持续获得新的认知能力。

受此启发，研究团队提出了一种时序发育启发的脉冲神经网络持续学习框架 TD-MCL。通过不同区域连接的时序建立和重组，该方法在网络规模不断减小的同时，实现了感知—运动—交互等多任务场景下由简入繁的持续学习，为构建低能耗、可持续演化的通用认知智能提供了新的思路。

大脑时序发育机制启发的多认知功能持续学习算法

A）儿童认知功能发展与大脑结构发育的对应关系B）多认知功能持续学习数据集范式C）高效持续多认知功能学习算法流程概述D）融合生物突触可塑性与知识泛化的局部连接抑制与剪枝E）基于进化算法的长程连接生长

时序发育启发的持续学习机制

研究表明，大脑发育遵循清晰的时序规律：连接先增长后精简，跨脑区长程连接逐步增强、局部连接被选择性修剪；基础脑区先成熟并支撑高级认知，而高级认知的反馈又反向优化低级脑区结构。与此相伴，婴幼儿由简入繁持续学习多种认知功能。基于此，时序发育启发的持续学习方法被提出。

该方法允许脉冲神经网络中的认知模块随着感知、运动和交互任务的学习顺序逐步生长，并通过跨区域长程连接的演化，促进已有知识在新任务中的复用。同时，研究人员引入反馈机制，对早期任务中冗余的局部连接进行抑制与修剪，使网络结构在演化过程中不断精简。

低能耗跨领域持续学习

研究团队发现，该方法在感知、运动和交互等多类认知任务中均表现出稳定而优异的持续学习能力，并在多个通用持续学习基准数据集上取得领先性能。实验结果显示，模型能够沿着“由简入繁”的路径逐步学习复杂任务，且优于直接训练或直接剪枝的学习方式。即便在网络规模不断缩小的情况下，模型仍能有效保持对已学任务的记忆，显著缓解灾难性遗忘，并在此基础上持续获得新的认知能力。

进一步分析表明，这一性能提升源于网络内部呈现出的类脑动态变化：随着学习推进，局部连接先快速增长、随后被选择性抑制与修剪，从而减少对新任务无关或干扰性的旧知识；而跨脑区的长程连接则持续增强，用于支持对具有共享结构和语义的已有知识进行选择性复用。更重要的是，这一过程无需依赖正则化、经验重放或权重冻结等传统连续学习策略。研究人员指出，这一类脑发育机制以高效、低能耗的方式提升记忆与学习，揭示了大脑发展规律在推动新一代人工智能中的潜在作用。