基于脑启发时序发育机制的多认知功能持续学习研究

《National Science Review》：Continual Learning of Multiple Cognitive Functions with Brain-inspired Temporal Development Mechanism

本文针对人工智能网络依赖规模扩张实现认知功能提升的瓶颈，受大脑跨区域时序发育机制启发，提出了TD-MCL模型。该研究通过长距离模块间连接的时序演化促进知识迁移，并采用反馈引导的局部抑制/剪枝消除冗余，在PMI数据集和通用数据集上实现了无需正则化或回放策略的持续学习，显著降低能耗的同时获得优于直接学习的新任务精度，为生物可信的低能耗通用认知增强提供了新思路。

　　

当前人工智能系统在学习新任务时普遍面临"灾难性遗忘"的挑战，即网络在适应新任务过程中会覆盖已学习的知识。更关键的是，现有方法往往依赖网络规模的指数级增长或复杂的正则化策略来维持性能，这与人类大脑能以极低能耗持续学习数百种认知功能的能力形成鲜明对比。人脑的这种高效学习能力部分源于其跨脑区的时序发育机制——从基础区域到高级区域的连接逐步形成、重组和修剪，这一过程既促进知识迁移又避免网络冗余。受此启发，研究人员在《National Science Review》上发表论文，提出了一种基于脑启发时序发育机制的多认知功能持续学习方法（TD-MCL），探索生物可信的低能耗认知增强新路径。

本研究采用的核心技术方法包括：基于感知-运动-交互（PMI）任务的渐进式学习框架设计、受大脑发育启发的长距离模块间连接时序演化机制、反馈引导的局部抑制与剪枝算法，并在自建的跨领域PMI数据集和通用图像数据集（CIFAR100、ImageNet）上进行了系统验证。

研究结果主要体现在三个方面：首先，在模型架构方面，TD-MCL模拟大脑发育过程，实现了从简单到复杂的认知能力增强。通过控制模块间连接的顺序性生长，模型在PMI任务上表现出渐进式的性能提升。其次，在知识迁移机制上，研究发现长距离连接的时序演化有效促进了正向知识转移，新任务的学习精度甚至超过了直接学习的结果。最后，在资源优化方面，反馈引导的局部抑制和剪枝策略显著降低了网络复杂度和能耗，在不引入正则化、经验回放或参数冻结等传统策略的情况下，仍能有效缓解灾难性遗忘。

该研究的结论表明，基于脑时序发育机制的TD-MCL框架为多认知功能持续学习提供了新范式。通过模拟大脑的连接形成与优化过程，该模型在减少网络规模的同时实现了优于直接学习的新任务性能，证明了生物启发方法在探索低能耗通用人工智能方面的巨大潜力。这项工作不仅为持续学习研究开辟了新方向，也为理解大脑高效学习机制的计算原理提供了重要参考。