类脑计算

事件核心 长期以来，神经科学与人工智能领域一直试图寻找两者之间的交集。近日，一项针对学习规则与人类fMRI（功能性磁共振成像）对齐性的深度研究揭示了一个令人震惊的现象：虽然未经训练的卷积神经网络（CNN）在视觉处理初期（V1区域）与人类大脑具有高度相似性，但一旦开启反向传播（Backpropagation, BP）训练，这种对齐性会在仅仅一个训练周期（Epoch）内迅速瓦解。 该研究是追踪学习规则与大脑对齐系列研究的第三篇，通过表征相似性分析（RSA）技术，对比了包括反向传播（BP）、反馈对齐（FA）、预测编码（Predictive Coding）和脉冲时序依赖可塑性（STDP）在内的多种学习算法。实验结果明确指出，BP在优化任务性能的同时，正在使模型表征远离生物学的真实运作方式。 技术/商业细节 RSA对齐度测量：研究人员利用RSA技术量化了神经网络各层与人类V1皮层在处理相同视觉刺激时的表征相关性。这种方法能够跨越硅基与碳基的物理差异，直接对比信息编码的几何结构。 BP的“破坏力”：实验发现，BP在训练开始后的极短时间内（1 Epoch），其V1层的表征便发生了剧烈偏移。这意味着BP在追求全局损失函数最小化的过程中，极快地抛弃了生物演化形成的视觉处理逻辑。 算法对比：相比之下，预测编码和某些局部学习规则在维持大脑对齐性方面表现得更为稳健。这暗示了大脑可能并非通过全局梯度的精确反向传播来学习，而是采用了某种更具局部性或预测性的机制。 八卦分析：全球影响 这项研究戳中了当前大模型（LLM）和视觉模型（Vision Models）的一个痛点：性能与可解释性的极端对立。在硅谷，我们一直迷信“规模法则”（Scaling Laws）和BP算法的无坚不摧，但这项研究提醒我们，我们可能正在制造一种极其高效、却与人类认知逻辑完全背道而驰的“异类智能”。 从全球视角看，这不仅是学术争论，更关乎AI的未来路径。如果BP注定会破坏大脑对齐性，那么基于BP构建的AI系统在安全性、对齐（Alignment）以及与人类交互的直觉性上，可能存在天然的屏障。这为类脑计算（Neuromorphic Computing）和非BP学习算法（如Forward-Forward算法）提供了强有力的理论支撑——如果我们要追求真正的类人智能，或许必须放弃对BP的过度依赖。 战略建议 研发端：建议前沿实验室加大对“生物可解释学习规则”的投入。在追求SOTA性能的同时，引入RSA对齐度作为模型评估的新维度，以确保模型在深层逻辑上不与人类认知脱节。 投资端：关注那些致力于非BP架构、类脑芯片及预测编码算法的初创公司。随着BP算法在能效比和对齐性上的瓶颈显现，下一代AI范式可能隐藏在这些“非主流”路径中。 应用端：在涉及人机协作、脑机接口（BCI）等强交互领域，应优先考虑对齐度更高的模型架构，以降低沟通成本和潜在的认知冲突风险。

本项目通过结合预测编码（Predictive Coding）与分布式赫布可塑性（Hebbian Plasticity），在无需反向传播（Backprop-free）的情况下，于Pong游戏中实现了与主流强化学习算法PPO旗鼓相当的性能（57% vs 59%胜率）。▶ 算法范式转移：该实验成功证明了非梯度下降路径在复杂强化学习任务中的可行性，打破了深度学习对反向传播的绝对依赖。▶ 高能效比潜力：仅用约1500行底层代码实现，展示了预测编码在特征提取及分布式赫布机制在价值估计中的高效协同，为低功耗AI提供了新思路。八卦洞察长期以来，反向传播（BP）被视为现代AI的“唯一真理”，但其在生物学上的不透明性以及极高的算力成本，始终是类脑计算和边缘智能的瓶颈。本项目的核心意义在于：它不仅是一个技术Demo，更是对“后梯度时代”的一次有力预演。通过模拟大脑新皮层的预测机制（PC）和局部学习规则（Hebbian），开发者证明了局部误差信号足以支撑复杂的决策逻辑。这种“去中心化”的学习方式，预示着未来AI可能摆脱对昂贵GPU集群的过度依赖，向更接近生物本源的、实时且低能耗的方向进化。行动建议对于算法架构师，建议重新评估预测编码（Predictive Coding）在实时控制系统中的应用潜力，尤其是在对延迟敏感的机器人控制领域；对于硬件厂商，应加大对支持局部学习规则的类脑芯片（Neuromorphic Chips）的研发投入，这可能是实现边缘侧“持续学习”的关键路径。