「誒！這個 AI 怎么看不懂我要什么啊？」

日常里使用 AI 時常會發(fā)出這樣的感嘆，畢竟 AI 神經(jīng)網(wǎng)絡(luò)跟人類的神經(jīng)元不同，突觸之間的聯(lián)系沒有那么靈活，模型更容易落入被欺騙乃至遺忘的困境中。

不過，德國最近的一項研究帶來了轉(zhuǎn)機：伊爾梅瑙工業(yè)大學(xué)（Technische Universit?t Ilmenau）與哥廷根大學(xué)（University G?ttingen）的研究人員成功給 AI 神經(jīng)元裝上了三個「生物啟發(fā)模塊」，讓 AI 不僅學(xué)更快、記得更牢，還能抵御數(shù)據(jù)攻擊。

該研究以「Concept transfer of synaptic diversity from biological to artificial neural networks」為題，于 2025 年 6 月 2 日刊登于《Nature Communications》。

論文鏈接：https://www.nature.com/articles/s41467-025-60078-9

biomod

研究團隊提出了一種生物修飾的人工神經(jīng)網(wǎng)絡(luò) （biomod），用于研究引入常見 ANN 架構(gòu)時的突觸多樣性。

圖 1：檢查的突觸多樣性機制及其各自的人工模型的可視化。

該團隊通過分析生物突觸的動態(tài)特性（如樹突棘的存活概率與突觸強度正相關(guān)、多突觸連接的信息存儲能力），設(shè)計了三種輕量化計算模塊：

• 模糊學(xué)習(xí)率（FL）：為每個突觸分配隨機初始化的學(xué)習(xí)率因子，模擬生物突觸對刺激的差異化響應(yīng)；
• 權(quán)重更新（WR）：基于突觸權(quán)重大小隨機重新初始化連接，模仿棘突的自發(fā)重塑與修剪；
• 權(quán)重拆分（WS）：在神經(jīng)元間建立多突觸連接，增強信號傳遞的冗余性與穩(wěn)定性。

圖 2：在 MNIST、CIFAR10 和 CIFAR100 數(shù)據(jù)集中進行生物啟發(fā)修飾的綜合性能評估。

在 MNIST、CIFAR10/100 等基準(zhǔn)數(shù)據(jù)集上，融合三種機制的 biomod 在默認參數(shù)下展現(xiàn)出顯著優(yōu)勢：

在 AlexNet 架構(gòu)的 CIFAR10 任務(wù)中，錯誤率從基線模型的 19.4% 降至 6.38%，絕對提升 13.02%；ResNet56 在 CIFAR100 的錯誤率從 32.28% 降至 17.86%，提升 44.66%。

達到峰值準(zhǔn)確率的訓(xùn)練輪次平均減少 9% ~ 47%。例如，MLP 在 MNIST 任務(wù)中僅需 25 輪次（基線需 32 輪次），AlexNet 在 CIFAR10 任務(wù)中輪次從 100 輪降至 53 輪。

安全防護

在聯(lián)邦學(xué)習(xí)場景中，黑客可能通過梯度信息竊取訓(xùn)練數(shù)據(jù)。但 biomod 的模塊就像防線一般：FL 模塊讓每個突觸的更新速度隨機變化，使黑客難以還原原始數(shù)據(jù)；WS 模塊使信號通過多條連接傳遞，梯度被分流到多個權(quán)重。

實驗顯示，傳統(tǒng)模型的重構(gòu)圖像還能看出輪廓，而 biomod 的重構(gòu)圖像完全由噪點構(gòu)成，重構(gòu)誤差暴增了 56 倍。

圖 3：通過梯度反轉(zhuǎn)阻力增強隱私保護的視覺演示。

小結(jié)

biomod 兼容性強，額外計算開銷不到 5%，在 GPU 上訓(xùn)練還能加速 30%。團隊還開發(fā)了 PyTorch 工具包，只需一行代碼就能給現(xiàn)有模型裝上補丁。

研究通過跨物種神經(jīng)數(shù)據(jù)驗證機制普適性：從嚙齒類皮層突觸動態(tài)到靈長類多突觸連接模式，biomod 的設(shè)計均與生物實驗結(jié)果吻合。

隨著腦科學(xué)數(shù)據(jù)的持續(xù)積累，這種「神經(jīng)啟發(fā)計算」或?qū)⑼苿油ㄓ萌斯ぶ悄芟蛏镏悄艿慕Ｉ疃妊葸M，為自動駕駛、醫(yī)療影像等關(guān)鍵領(lǐng)域提供更具生物合理性的算法基礎(chǔ)。