想象一个这样的世界：计算机不再仅仅是坐在书桌上的设备，而是被直接构建在我们的设备中，成为微小的、类似大脑的芯片。这些芯片使用被称为**忆阻器（memristors）**的特殊组件来存储和处理信息，就像你大脑中的突触一样。这个领域被称为神经形态计算（neuromorphic computing），它有望让人工智能变得更快、更节能。然而，就像真实的神经元一样，这些微小的电子元件也会随着时间的推移而受损。当它们损坏时，往往会“卡”在一种状态——要么完全关闭，要么永久性地达到最大值。这是一个巨大的问题，因为一旦一个权重（记忆的一个组成部分）被卡住，计算机就无法通过标准方法学习并摆脱这种错误。这就像试图通过把同一首歌唱得更大声来修理一台坏掉的钢琴；坏掉的琴键根本无法移动。科学家们一直在寻找一种方法，帮助这些芯片在不需要人类更换零件或使用占用过多空间的庞大备份系统的情况下实现自我修复。

这就是名为 STAR 的新想法发挥作用的地方。由宾夕法尼亚州立大学的 Yusuf Ahmed Khan 及其同事领导的研究团队，从自然界中寻找到了解决方案。他们从**星形胶质细胞（astrocytes）**中获得了灵感，这是人类大脑中一种能够帮助神经元进行通信并自我修复的支持细胞。在大脑中，当一个连接断裂时，星形胶质细胞并不仅仅修复那根断掉的电线；它们会向整个健康神经元的“邻里”发送一个温柔的信号，鼓励它们调整行为以补偿这种损失。该团队将这种生物学技巧转化为了计算机算法。与其试图找出究竟是哪个电子元件坏了（这在微小的芯片上很难做到），STAR 教会了网络的健康部分去“记住”整个系统在生病之前的样子。通过引导健康的权重去重建那些旧的、健康的模式，计算机即使在有大量损坏部件的情况下也能恢复其性能。

问题所在：当芯片“卡住”时

把忆阻器芯片想象成一个巨大的网格，由无数微小的开关控制着信息的流动。在健康的芯片中，这些开关可以被调节以精细调整计算机的学习过程。但随着这些芯片的老化，一些开关会发生卡顿。它们可能会卡在“关闭”位置（SA-0）或者卡在“开启”的最大位置（SA-high）。一旦开关卡住，计算机的记忆就会损坏。标准的学习方法通常尝试通过计算网络中的路径向后回溯来修复错误，但在这种情况下会失效，因为无论计算机如何尝试推动，卡住的开关都不会移动。

以往解决这一问题的尝试就像是为房子里的每一个灯泡都建造一个备用发电机。它们依赖于硬件冗余（hardware redundancy），即添加额外的备用组件，以便在某个组件损坏时接管工作。虽然这行得通，但成本高昂、重量大且耗电量高。其他方法则试图绘制出哪些开关损坏了精确地图，并绕过它们重新路由流量，但这需要复杂的、持续的扫描，对于一个微小的、自给自足的芯片来说并不现实。

解决方案：星形胶质细胞的“轻推”

发表在 2026 年 7 月 16 日预印本上的论文作者们提出了一种不同的方法，其灵感来源于大脑自身的修复团队：星形胶质细胞。在人类大脑中，星形胶质细胞是包裹在神经元周围的胶质细胞。它们并不只是静止在那里；它们积极监测着神经网络的活动。如果一个突触（神经元之间的连接）失效，星形胶质细胞并不会尝试修复那个特定的连接。相反，它会释放化学信号来调整附近的其他健康连接，帮助这组神经元共同协作，以维持相同的整体活动水平。

研究人员在计算机模型中模拟了这个过程。他们发现，当他们在网络中引入永久性故障时，“星形胶质细胞”机制是通过调节存活的突触来起作用的：

• 如果一个连接卡在“关闭”状态（SA-0），星形胶质细胞信号会告诉健康的连接要更加努力（增加其强度），以弥补缺失的部分。
• 如果一个连接卡在“开启”状态（SA-high），信号则告诉健康的连接要放松（降低其强度），因为卡住的连接已经做得太多了。

至关重要的是，这发生在群体层面（population level）。系统不需要知道具体是哪根电线坏了；它只需要知道这一组的总活动量发生了变化，并且需要被纠正。

STAR 在计算机中是如何工作的

团队将这一生物学洞察转化为一种名为 STAR（态增益修复，STate-Augmented Repair）的算法。以下是用通俗易懂的语言解释其运作方式：

1. “之前”的快照： 在芯片发生任何损坏之前，计算机运行一次训练阶段，并拍摄一张健康神经元在正确执行任务时的“快照”。它保存了这些“激活目标”（基本上是一份关于每个神经元在特定任务中应该做什么的清单）。
2. 损坏： 然后，芯片遭受故障，模拟随着时间推移开关被卡住的过程。
3. 修复轻推： 计算机尝试重新训练自己。但它不仅仅是尝试得到正确答案（比如“这是一只猫”），它还会得到第二次、温柔的轻推。这个轻推在说：“嘿，记得你健康时的样子吗？试着让你的神经元回到那种模式。”
4. 结果： 健康的权重会自我调整以匹配“健康的快照”，从而有效地补偿损坏的部分，而无需识别哪些部分损坏了。

该方法使用了一种称为**平衡传播（Equilibrium Propagation, EP）**的学习规则。与传统的 AI 训练（反向传播）不同，反向传播需要存储海量数据来计算误差回传，而 EP 更具局部性和高效性，非常适合这些微小的、节能型的芯片。

实验结果显示了什么

研究人员在两种类型的计算机网络上测试了 STAR：简单的网络（MLP）和更复杂的图像识别网络（CNN）。他们模拟了具有大量损坏部件的芯片——在简单网络中，损坏连接比例高达 90%；在复杂的图像识别网络中，损坏比例高达 13%。

• 没有 STAR 时： 当芯片拥有如此多的损坏部件时，标准的再训练方法惨败。准确率降至接近零，或者结果根据损坏的具体部位而产生剧烈波动。
• 有了 STAR 后： 恢复效果非常显著。对于简单网络，与损坏后的基准相比，STAR 将准确率提高了多达 52.41%。对于复杂的图像识别网络（基于 CIFAR-10 数据集的 VGG-5），STAR 将准确率稳定在 69.97% 至 75.86% 的范围内，而标准方法往往会彻底崩溃。

最令人印象深刻的发现之一是存储开销（storage overhead）。为了实现这一点，计算机只需要存储“健康的快照”（激活目标）。论文指出，对于一个复杂的卷积神经网络（CNN），完整模型可能为 45,053 KB，但修复目标仅需 2,262 KB。这是 20 倍的缩减。对于更简单的网络，节省程度更为惊人，最高可达 191 倍。这意味着该修复机制非常轻量级，不需要庞大的额外内存。

这为什么重要

作者认为，STAR 是一个重要的进步，因为它是首个在监督式局部学习规则（如 EP）下工作，并能扩展到卷积网络（用于图像识别的那种）的此类修复机制。以往受星形胶质细胞启发的算法大多局限于小型、无监督的网络。

这项研究表明，通过模仿大脑通过群体层面调整而非精准修复来进行自我疗愈的能力，我们可以构建出韧性更强的 AI 硬件。这暗示着未来的芯片即使最初并不完美，或者在老化并积累损坏时，也能继续有效工作，而无需昂贵的备份系统或复杂的修复地图。研究人员指出，虽然这是一个强大的模拟，但下一步是在实际的物理硬件上测试它，看看它在现实世界中表现如何。