🧠 神经科学

Curiosity shapes brain-like architectures and functions

本文表明，将婴儿般的好奇心与类脑的生物物理约束相结合，足以驱动人工神经网络中复杂神经架构和认知能力（如组合泛化能力）的涌现。

原作者： Poli, F., Fakhar, K., Mousley, A., Klein, C., Grosse Wiesmann, C., Astle, D.

发布于 2026-10-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Poli, F., Fakhar, K., Mousley, A., Klein, C., Grosse Wiesmann, C., Astle, D.

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

人类的心智是一个充满无限可能性的场所。从寥寥数个简单的构建模块出发，我们可以构建出无限的思想，规划遥远的未来，并理解一个永不停歇、不断变化的世界。一个多世纪以来，科学家们绘制了允许这一切发生的行为和大脑回路图谱，然而一个根本性的谜团依然存在：一个由简单部分组成的系统，是如何变成一个具备如此深邃复杂性的心智的？一种长期的观点认为，大脑并非预先布好了所有答案。相反，它可能是通过生物限制与随时间积累的经验之间的相互作用，进行自我组织并塑造自身。然而，在活体人类大脑中测试这一理论是不可能的；我们无法剥夺一个孩子的求知欲，也无法重新排列他们的大脑连线来观察会发生什么。为了解开这个谜题，研究人员转向了一种不同类型的实验室：计算机模拟。通过构建遵循特定规则的人工大脑，科学家可以观察到复杂性是如何从简单性中涌现出来的，从而为我们理解自身心智是如何成形的提供了一个窗口。

在一项新的研究中，研究人员试图探究两种特定的成分是否足以构建出一个类心智的机器。他们采用了一群人工神经网络——旨在模仿神经元连接方式的计算机程序——并赋予了它们两个类人特征。第一个是模仿婴儿探索世界的方式而设计的“好奇心”。第二个是一套物理约束，模拟了真实大脑面临的生物成本，例如构建连接大脑远端部分的远程连接所需的能量。研究人员想要知道，这两个因素协同作用，是否能促使人工网络发展出与人类大脑相同的复杂结构和能力。

为了捕捉好奇心的本质，团队首先研究了275名年龄在8到15个月之间的婴儿。他们观察婴儿注视屏幕上视觉模式的方式，并精确记录下他们决定移开视线的时刻。研究人员发现，婴儿的行为并非随机的。相反，他们的行为就像是在寻找食物的觅食者，只不过他们的“食物”是新信息。只要某种模式仍在教给他们新知识，婴儿就会保持专注。一旦模式不再提供新鲜的见解，且学习速度放缓，他们就会脱离并转向其他事物。这种行为符合生态学中的一个原则，即“边际价值定理”，该定理预测代理人在局部回报率低于环境中平均可用回报时应当离开资源。研究人员将这一规则转化为一种计算机算法，使他们的人工网络能够根据当前的学习效率来决定何时切换任务。

第二个成分涉及网络的物理布局。真实的大脑不仅仅是一袋神经元；它们被挤压在头骨内，在那里，长距离的连接在构建和维护方面成本极高。为了模拟这一点，研究人员将他们的人工网络置于一个与人类大脑实际几何形状相匹配的虚拟空间中。他们对创建远程连接的网络进行惩罚，迫使它们追求效率，正如进化过程强迫人类大脑所做的那样。随后，他们用二十种不同的认知任务训练这些网络，范围涵盖了从简单的匹配游戏到复杂的决策挑战。在受到物理布线成本的约束下，网络可以根据其好奇心算法来自主选择下一个练习的任务。

结果令人震惊。那些结合了好奇心与物理约束的网络不仅学会了这些任务，还发展出了看起来与人类大脑非常相似的内部结构。它们的连接自动组织成了不同的模块，就像人类大脑的专门区域一样，并且形成了一个高度连接的“富俱乐部”（rich club）中心，这是人类心智中实现高效通信的关键特征。这些网络还展现出了一条镜像人类成长的发育路径。正如人类大脑在幼儿时期经历连接的爆发式增长，随后进入持续到成年期的缓慢、精细的修剪阶段，这些人工网络也表现出了类似的连接密度上升与下降的过程。与人类大脑结构最匹配的网络，也展现出了最类人的认知表现模式：随着“年龄”增长而提高，然后逐渐下降，正如人类的能力在生命周期中表现出的那样。

或许最重要的一点是，这些类人网络展示了复杂人类思维的一个标志：重组已学知识的能力。研究人员通过冻结网络的内部连接，并要求它们解决包含旧任务混合的新问题来测试这一点。例如，如果一个网络学会了如何避免干扰，又学会了如何做决策，它能否立即解决一个需要两者结合的新任务？受好奇心和物理约束驱动的网络能迅速解决这些新组合的任务。它们不需要重新学习基础知识，只需重组已经构建好的内部工具即可。相比之下，那些在没有好奇心或没有物理约束的情况下进行学习的网络，则难以建立这些联系。

这项研究表明，好奇心不仅仅是拥有复杂大脑的副产品；它是一个驱动力，有助于构建这种复杂性。通过主动寻求新信息并在不再有用时停止，一个代理人可以塑造自身的内部架构。当这种好奇心与生物系统的物理限制相结合时，其结果便是一个能够进行灵活、类人思考的结构。这些发现为理解心智如何涌现提供了新的视角，表明通往复杂认知的路径不在于构建更大或更强大的系统，而在于允许简单的约束与主动的探索随时间推移而展开。这种方法提供了一个可测试的框架，用于理解生物学与经验之间的相互作用是如何创造出定义人类体验的无尽思想范畴的。

技术摘要：好奇心塑造类脑架构与功能

问题陈述
本文旨在解决的核心问题是：复杂的认知是如何从更简单的底层过程中涌现出来的。虽然发展理论长期以来一直提出，认知是通过生物约束随时间相互作用而自组织的，但这一假设一直难以被直接测试。在生物系统中，不可能在发育过程中系统地消减和重组生物约束，以观察由此产生的认知结果。本研究旨在确定复杂神经架构和认知能力涌现的最小需求，具体测试一个拥有简单组成部分的系统是否能够在没有预设认知结构的情况下，自组织成一个能够进行复杂认知的智能体。

方法论
作者采用了一种神经连接主义方法，使用人工循环神经网络（RNN）作为一种易于处理的实验系统。该方法包含两个主要阶段：

婴儿好奇心的经验特征化：
- 数据收集： 从 275 名婴儿（8–15 个月大）中收集了眼动追踪数据，这些婴儿正在执行一项涉及概率序列的视觉学习任务。
- 建模： 婴儿的注视行为被建模为觅食决策，其中“奖励”是内在的学习进度。作者使用 KL 散度（信息增益）来量化学习进度，并测试了婴儿决定脱离（移开视线）的行为是否遵循边际价值定理（MVT）。MVT 认为，当代理当前的局部回报低于全局平均回报时，应当放弃当前的资源。
- 结果： MVT 模型对婴儿行为的拟合程度显著优于其他替代理论（例如纯粹的学习进度模型或“金发姑娘”式惊喜模型），从而建立了婴儿式好奇心的计算形式化描述。
RNN 实现与训练：
- 架构： 构建了具有最小通用架构的 RNN 群体：一个输入层（编码任务身份、注视和感官刺激）、一个包含 100 个单元的单一循环隐藏层，以及一个输出层。
- 好奇心驱动的探索： 为这些 RNN 配备了源自婴儿数据的 MVT 控制器。在针对一系列 20 个认知任务的训练过程中，网络根据其当前学习进度相对于运行中的全局平均值的水平，决定何时切换任务。温度参数 ( $\tau$ ) 调节了决策的随机性，使作者能够改变好奇心驱动的探索程度（低 $\tau$ ）与随机探索（高 $\tau$ ）之间的比例。
- 生物物理约束： 为了模拟大脑的约束，RNN 单元被嵌入到由人类大脑 Schaefer-100 分区定义的 3D 解剖空间中。在训练期间应用了基于距离的正规化惩罚，该惩罚与单元间的物理距离成正比，从而模拟了长程轴突的代谢成本。对照组使用了标准的 L1 正规化，未进行空间嵌入。
- 评估： 最终对生成的网络进行了三个维度的评估：
  - 网络拓扑结构： 将连接组属性（模块化、全局效率、富俱乐部组织）与人类连接组计划（HCP-YA）数据集进行比较。
  - 发育轨迹： 追踪训练步骤中的权重密度，并将其映射到人类终生的突触密度轨迹，以推断“拟合年龄”。
  - 认知功能： 测试**组合泛化（compositional generalization）**能力。将网络冻结，引入一个新的任务身份，并与隐藏层建立新的连接。测试网络在快速解决既有任务（重新提示）以及通过重组已学习原语构建的新任务（留存任务）方面的能力。

核心贡献与结果

验证了婴儿好奇心模型： 研究证实了边际价值定理能准确捕捉婴儿的脱离行为，提供了一种稳健的计算机制来描述“婴儿式好奇心”，这种好奇心依赖于内在的学习进度而非外部奖励。
涌现出类脑拓扑结构： 经过好奇心驱动探索（低 $\tau$ ）和强距离正规化训练的 RNN，其发育出的连接组在拓扑结构上与人类大脑显著相似，优于通过随机探索或 L1 正规化训练的网络。具体而言，好奇心驱动的网络表现出更高的模块化和富俱乐部组织，这些都是生物大脑的关键特征。
涌现出发育动力学： 在这些约束下训练的网络展示了与人类突触发育相吻合的权重密度轨迹（即经历了一段突触发生期，随后是修剪期）。最具类人特征的网络之“拟合年龄”与其性能相关：准确率随年龄上升，在 20 岁左右达到顶峰，随后下降，从而复制了人类寿命的认知曲线。
涌现出组合泛化能力： 最关键的发现是，产生类脑结构和发育过程的相同约束（好奇心 + 生物物理约束）同时也产生了组合泛化能力。类人网络能够通过重组熟悉的原语，在无需重新训练内部动力学的情况下，快速解决新任务。相比之下，对照组网络（随机探索或弱正规化）未能展现出这种能力。

意义与主张
本文声称，好奇心驱动的探索和类脑生物物理约束足以驱动复杂神经架构和认知能力的涌现。

因果关系： 研究表明，好奇心不仅仅是复杂大脑的下游结果，它还是复杂性的主动驱动力。系统采样其训练经验的方式（通过好奇心）决定了其最终的架构。
结构与功能的耦合： 结果支持了这样一种观点：类脑拓扑、类脑发育动力学和复杂认知功能（特别是组合泛化）并非独立的成就，而是同一底层约束下的耦合产物。
对 AI 和发育理论的启示： 研究结果表明，类人认知源于在简单约束下复杂性的逐渐展开，而非仅仅通过扩大模型规模。这支持了神经建构主义的发展观，并为创造更高效、更具可解释性且更像人类的人工系统提供了新路径。作者指出，尽管其模型是简化的（单隐藏层、有限任务），但它成功分离出了通用的基本原理，为在受控设置下测试关于遗传、生物和环境因素的假设提供了一个框架。

技术摘要：好奇心塑造类脑架构与功能

类似论文