受神經科學啟發的架構，用於構建真正自適應的AI 現代AI系統強大但脆弱。訓練一個模型，部署它，然後隨著世界的變化，觀察性能下降。對新數據進行再訓練，模型卻忘記了它所知道的東西。這個循環產生的系統在靜態基準上表現出色，但在持續適應方面卻掙扎——這是生物智能輕而易舉地處理的事情。 一隻老鼠可以在大約十次嘗試中學會在新迷宮中找到水，這一學習速度比傳統實驗室任務快1,000倍。然而，我們最複雜的神經網絡在被要求進行順序學習時卻遭遇了災難性的遺忘。 大腦提供了一種不同的架構。它不是作為一個單一的糾結網絡運作，而是作為智能互聯的專門模塊——視覺皮層處理邊緣，運動皮層在力空間中計算，前額葉區域跟踪任務結構化記憶。每個模塊通過預測誤差更新內部模型，當預期結果與現實發生偏差時。這些簽名教學信號現在已在感覺、運動和獎勵電路中被發現。 麥肯齊·韋根特·馬提斯將這些見解綜合成一個自適應代理AI的提案。她主張，與其追求越來越大的單一基礎模型，不如建立一套領域特定的編碼器系統，其輸出在共享潛在空間中共同優化。每個編碼器都受到預測誤差信號的監控——穩健的編碼器保持“鎖定”，而那些顯示性能下降的編碼器則被“解鎖”，以便通過記憶重播或突觸智能進行持續學習，而無需將整個系統下線。 更廣泛的原則是：通過圍繞受神經科學啟發的模塊化和基於預測誤差的更新來構建AI，而不是單一的規模，便可以超越靜態模型，朝著真正自適應的智能邁進——這些系統通過與世界的互動不斷完善其模型。 論文：