為了早日實現通用人工智能AGI，行業一直在思考這個問題：如何讓AI像人類或其他動物一樣，在不斷變化的世界中持續學習、靈活適應？

7 月 4 日，arXiv熱門論文《What Neuroscience Can Teach AI About Learning in Continuously Changing Environments》站在神經科學與AI交叉的最前沿，提出了一個發人深省的問題：面對非靜態環境——無論是現實世界中的交通系統、在線互動、還是生物演化的復雜生態——AI能否汲取生物大腦億萬年來的生存智慧，突破訓練-部署的傳統模式，成為真正動態適應的智能體？

人類和動物的大腦，從來不是一成不變的規則執行器。我們在面對突如其來的挑戰（從躲避狩獵者到應對交通堵塞）時，并不會重新“訓練參數”，而是在瞬息之間調整策略。

相比之下，現代AI模型——尤其是大型語言模型（LLMs）或自動駕駛系統——往往只能在封閉訓練之后以固化的參數運行，缺乏對新情況的彈性。這種差異，是當前AI與生物智能的最大斷層。

AI的學習，大多是“冷啟動”的，通過梯度下降反復迭代在海量數據中尋找最優解，而缺乏針對突發情境的快速更新能力。一旦環境發生變化，要么重新訓練，要么性能迅速衰退。這與動物在面對危險或機會時往往只需“一次試錯”便完成策略切換的靈活性形成鮮明對照。

但大腦是如何做到的？這種近乎魔術的適應力背后，有哪些動力學與突觸機制在悄悄運作？我們能否將這些機制以某種形式“編譯”進AI模型之中？這正是我們所要探尋的方向。

這項研究來自一個高度跨學科的國際團隊——德國海德堡大學與美國國家精神衛生研究院（NIMH）的多位研究者通力合作而成。

核心作者 Daniel Durstewitz 是一位理論神經科學家，活躍于海德堡大學的心理健康中心、交叉科學計算中心，以及物理與天文學院。他致力于將動態系統理論應用于神經建模，是神經動力學領域的重要推動者。

Bruno Averbeck 來自美國NIMH，專注于學習與決策機制的神經計算模型，對強化學習與行為策略切換有深入研究。

而來自海德堡大學與Hector II 人工智能與精神病學研究所的Georgia Koppe，則聚焦于AI系統如何更有效地服務于精神健康診斷與干預，是連接理論研究與應用實踐的重要橋梁。

這支團隊融合了理論建模、計算實現與實際應用三位一體的視角，使得本研究不僅具有理論高度，也極具現實推動力?？梢哉f，這是一場關于AI未來進化路徑的深度對話，一次對“類腦智能”方向的大膽召喚。

1.AI在非平穩環境中的適應現狀

在當前AI系統所面臨的現實挑戰中，一個最為棘手的問題便是如何在一個不斷演化、不可預測、甚至潛藏突變的環境中持續適應？這不僅關乎模型的準確性，更關乎其實用性和生存能力。

傳統AI的范式困局

主流AI模型，大多出生在一個靜態的世界。它們習慣于“一次性地”吞噬海量數據，通過長時間的訓練、調參，緩慢地靠近最優解。這種以梯度下降為核心的機制，盡管使AI在靜態任務中脫穎而出，卻也在環境稍一“搖晃”時暴露出脆弱的一面。

正因其訓練代價高昂，模型通常在訓練完成后“被凍結”，參數不再調整。一旦部署，它們面對全新情境時幾乎無計可施。更糟糕的是，如果嘗試在舊模型上持續訓練新任務，常常會觸發“災難性遺忘”——原先習得的技能瞬間蕩然無存。這種對新舊知識之間平衡的無能，成為AI擴展現實任務的一大阻礙。

圖1：持續和情境學習。a）左：類內增量CIFAR，新圖像分類任務被不斷地添加到已經學習過的分類的先前曲目中。右：普通深度學習系統的性能穩步下降，低于從頭開始訓練的新網絡的性能分類任務不斷被引入。連續反向傳播是最近引入的一種訓練算法來修正這個問題。

持續學習的四種主打法

為突破上述瓶頸，研究者們嘗試引入“持續學習”（Continual Learning）的理念，讓AI像人類一樣具備連貫成長的能力。研究團隊梳理了目前主要的四種策略：

其一，參數正則化與貝葉斯限制。通過在目標函數中添加額外約束，防止模型的關鍵參數在學習新任務時偏離舊有最優解。這就像在新知識涌入時，一只無形的手在保護你不遺忘舊日所學。

其二，模塊凍結與低秩適配（LoRA）。這一策略靈感來源于大腦“結構穩定，邊緣更新”的特性。在模型微調階段，只允許網絡的部分區域（如最后幾層）進行學習，或者通過LoRA技術將參數矩陣分解，僅調整可訓練子空間，從而實現“低開銷、高遷移”的效果。

其三，經驗回放機制。這是借助神經科學中的“海馬回放”現象——動物在睡眠或清醒時回溯行為經歷——AI模型也通過重新學習舊任務樣本與新任務數據混合輸入，緩解遺忘。

其四，部分網絡重置策略。此方法識別出在新舊任務中“貢獻不大”的網絡單元，將其權重隨機重置，相當于為網絡注入“新鮮血液”，維持其學習活性與結構多樣性。

盡管這些方法在某種程度上取得了顯著進展，但它們仍逃不開一個根本現實：它們幾乎都依賴于緩慢的梯度迭代，對時間和算力消耗巨大。這離動物們“一試成記”的學習效率，仍有天壤之別。

上下文學習，另一條通向適應力的路徑？

除參數更新之外，還有一種更具想象力的機制悄然崛起，那便是“上下文內學習”（In-Context Learning, ICL）。它以大型語言模型為代表，試圖在不改變任何參數的前提下，僅通過輸入一串新樣本，就能實現快速的任務遷移和泛化。

ICL的魅力，在于其“即插即用”特性：不需再去調模型，僅提供數個示例，甚至只憑指令（Zero-Shot），就能讓模型展現“懂得舉一反三”的能力。它就像把前面展示的例子記在心中，用于推斷新的未知。

“Chain-of-Thought”推理模式更將ICL提升至類人思維的維度，它利用分步推理、連鎖邏輯，展現出超出常規提示能力的驚人表現。

然而，ICL的魔法背后仍藏著未解之謎。它真的實現了在線推理嗎？還是僅在調用龐大預訓練語料庫中隱含的記憶？目前主流觀點認為，ICL并未進行真正意義上的“學習”，而更像是在已有知識空間中進行組合與重構。

更重要的是，它也面臨現實局限：上下文窗口受限、推理效率低下、大數據訓練依賴強，且對分布外任務（OOD）泛化仍存不足。它是一種令人驚艷的能力，但尚不足以獨自承擔AI通向智能體的未來。

2.動物大腦應對非平穩環境的行為與神經特征

在神經科學研究的實驗室中，一些設計精巧的行為任務正悄悄揭示動物大腦應對不確定世界的秘密。這些“智力測驗”看似簡單，卻在每一個刺激與反應之間，映射出生物智能那令人嘆服的靈活與效率。

圖2：規則學習過程中行為和神經群體表示的突然轉變。一動物首先接受“視覺”操作性條件反射規則的訓練，然后在不知不覺中被切換到不同的規則，其中需要忽略前一個線索，而將位置（杠桿位置）視為相關為了獲得獎勵（即任務偶然性發生變化，動物必須通過反復試驗來推斷）。b）在某些情況下在實驗規則切換后，單個動物的表現突然從接近完美表現的機會水平（文獻中常見的漸進學習曲線是在許多這樣的跳躍中平均的“偽影”69）。c）這些行為轉變伴隨著神經群體活動的突然轉變。d）觀察到這些快速轉變的試驗可以通過變化點分析和神經活動中觀察到的變化點進行統計推斷行為表現密切相關。

規則切換任務，動物也懂“時過境遷”

進行這樣一個實驗：起初，動物只需根據視覺線索選擇一個杠桿，就能獲得獎勵。正當它掌握了這個規則后，研究者突然不再根據視覺給予獎勵，而改為“左邊”或“右邊”這個位置信號為依據。這種“規則切換”是經典的非平穩任務范式，逼迫動物在一頭霧水中重新建立信號與反饋的聯系。

令人驚訝的是，動物們并不需要成百上千次地試錯。往往在經歷短暫的混亂和探索后，它們的行為會突然躍升，迅速掌握新的規則。這是一種策略的突變，而非漸進式爬升。正如研究團隊所指出，許多看似“平滑”的學習曲線，其實只是多個行為躍遷點平均后的假象。

漂移臂老虎機，決策中的流動概率戰場

在另一類任務中，動物面對的不是明確的規則切換，而是選擇的不確定性本身。例如在“n臂老虎機”實驗中，每個選項背后隱藏的獎勵概率會悄然變化。有時是高概率小獎勵，有時是低概率但高回報，而動物并不被告知任何改變。

這里，大腦需要做的是持續權衡“探索”與“利用”之間的張力：是堅持已知？還是冒險嘗試？正是在這種靜水深流的環境中，動物展現了令人瞠目的人機差異——它們能在沒有明確信號的前提下，持續調整策略，動態塑造行為。

行為智慧背后的五大神經特征

從這些實驗中，研究者總結出五個關鍵行為與神經表征特征，它們共同構筑了大腦在非平穩環境中的適應性基礎。

首先是快速學習的能力。在面對全新規則時，動物往往只需幾次成功/失敗的反饋就能做出正確歸納。這種“少樣本學習”遠遠優于當前AI系統所需的大量數據積累。

其次，是持續探索的傾向。即便環境暫時穩定，動物仍保持一定程度的隨機性和嘗試性。這種本能的探索策略，是對世界潛在變化的預設響應。

第三，動物的學習并非從零開始。在掌握新任務時，它們往往調用已有的規則、自然偏好和概念模板。這種“任務遷移”讓它們少走很多彎路，也讓我們重新思考AI如何構建可復用的行為模塊。

而最令人著迷的是行為與神經活動的突變式躍遷。在認知系統如前額葉皮層中，研究者發現神經元群體活動模式的切換與行為“跳躍”同步發生。這種“神經相變”表明大腦可能運作在一個動態系統的臨界狀態，在某個閾值被越過時，系統全局突然轉換。

最后，我們不得不提及“消退學習”的另一面。當先前獲得獎勵的行為失效時，動物往往不會遺忘，而是“壓抑”那種響應。一旦獎勵再次出現，舊行為很快復蘇。這是一種非破壞性的記憶機制，為快速策略恢復提供了神經基礎。

3.神經動力學機制，大腦的時序計算框架

在認知的迷宮里，大腦并非依賴清晰筆直的道路前行，而是以一種充滿彈性與動力的方式穿梭在復雜的狀態空間中。這背后，是一套優雅的數學邏輯——動態系統理論（Dynamic Systems Theory, DST）。研究團隊帶領我們穿越“神經動力學”這一鮮為AI工程關注的領域，深挖大腦如何在時間流中計算、記憶和決策。

讓智能“動”起來，動態系統理論的腦中旅行

要理解大腦的計算本質，得先跳脫傳統“輸入-輸出”函數的框架。大腦不是一次次靜態判斷的堆砌體，而是一個始終處于變化中的動力系統。每一時刻的神經狀態，都是上一個瞬間決定的結果，又是下一個瞬間的原因。這種狀態的連續演化，就構成了所謂的“軌跡”。

這些軌跡并非無序游走，它們常常收斂于某些“吸引子”結構——比如固定點、周期軌（極限環）、或更復雜的混沌結構。這些吸引子就像神經計算的“勢能谷”，大腦的活動流動其間，形成穩定但靈活的處理模式。

圖3：動力學機制及其實驗支持。a）流形吸引子（左），這里在由動態變量跨越的二維狀態空間中示出 Z1和Z2,是連續的邊際集合穩定的固定點，如系統矢量場所示，水流從四面八方流向該點灰色（它給出了狀態空間中每個點的變化方向和幅度，由系統的微分方程）。形式上，固定（或平衡）點是狀態空間中的點所有狀態變量的流動消失，即速度矢量變為零，由重疊的藍色表示以及紅線（所謂的零點線）。來自不同初始條件（正方形）的軌跡（綠色）收斂從而存儲初始條件的記憶。

儲存記憶的“神經山谷”，流形吸引子

在浩瀚的狀態空間中，最引人注目的莫過于“流形吸引子”（manifold attractor）。想象它是一個連續、光滑的“神經山谷”，神經狀態從四面八方緩緩匯聚至其表面。這種結構，正是實現工作記憶的理想神經基礎。

研究團隊指出，大腦可以通過這種流形來儲存信息，并在不改變參數的情況下保持其可提取性。外部輸入會把神經狀態“推”向流形上的一個新點，而系統本身可以維持這個狀態，直到新的干擾發生。這就像你記住一個電話號碼時，暫時“搭建”出一個神經平臺專門存放它。

在人工神經網絡中，尤其是RNN中，我們也可以通過在訓練時引入特定的正則化策略來誘導這種流形結構，從而提升模型在長時序任務中的表現。

幽靈鏈條與突發決策，大腦的序列魔法

如果說流形吸引子是大腦的“記憶擱板”，那么“幽靈吸引子鏈”（ghost attractor chain）則是大腦生成行為序列與策略切換的發動機。這些結構可能不再是穩定吸引子，但它們的“幽影”仍對神經狀態具有吸引力，使軌跡在靠近時顯著減速。

這種“慢化現象”在時間任務和復雜決策中尤為明顯。例如，在多個項目的工作記憶實驗中，神經活動在決策點顯著減緩，仿佛大腦在“駐足思考”，為即將做出的選擇賦予了更多計算時間。

此外，還有被稱為“異宿軌道”（heteroclinic channels）的結構，連接著若干不穩定的神經狀態節點，使得大腦能靈活地在不同計算路徑間切換。這種機制尤其適合處理動作序列，如說話、彈奏樂器，或在動態場景中做出快速調整。

臨界點的智慧，分岔如何帶來質變

在自然界中，很多重大變化并非漸進，而是一觸即發。從氣候突變到流行趨勢崛起，這些“臨界狀態”的科學解釋，正是“分岔”（bifurcation）。

在神經系統中也同樣存在：當某些神經或網絡參數變化超過閾值時，整個系統的吸引子結構可能發生突變，從而使行為策略在毫秒之間發生重構。這正解釋了我們在第二節提到的“行為躍遷”——從不理解到突然掌握新規則。

有趣的是，AI的訓練過程中也可能經歷類似的“學習跳躍”，尤其是在遞歸或生成模型中，模型在某一階段會突然涌現出全新的能力。這與分岔機制的數學特性不謀而合。

研究還發現，大腦常年運行在接近分岔的“亞穩”狀態，使其對微小干擾高度敏感，并在需要時完成計算結構的重構。這種保持“臨界靈活性”的狀態，可能正是生物智能適應力的秘訣。

4.突觸可塑性機制，生物學習的參數更新

模型的“學習”常被歸結為參數的更新——通過梯度下降在龐大的數據海洋中緩慢優化。然而如果你將視角轉向神經科學，會發現大腦的“參數更新”，遠比這一過程復雜、迅速而優雅。這背后，是一整套多層級、多時間尺度的突觸可塑性機制，支撐著我們感知世界、記住瞬間、適應變化。

可塑性，從毫秒到天年，神經連接的時間弦

大腦的突觸，不只是電信號的跳板，而是記憶與適應的核心。短時程的突觸抑制與增強，能在幾百毫秒至幾分鐘內改變神經元響應，讓我們對語速變化、手勢突變做出即時調整。而長期增強（LTP）與長期抑制（LTD）則悄然雕刻大腦結構，在數小時、數天甚至數年間形成穩定記憶路徑。這種跨度廣泛的“時間調制”系統，是大腦面對動態環境時的重要法寶。

更令人著迷的是，大腦的連接并非一成不變。突觸末梢的形態、樹突的分支甚至整個神經元之間的連接關系，都會因學習而發生結構性重塑。而這種可塑性的“可塑性”——也就是所謂的“元可塑性”（meta-plasticity），能根據個體狀態、背景經驗和當前任務進行調整，為生物智能賦予了前所未有的靈活性。

尖峰時序依賴，學習的因果鏈被寫進突觸

讓AI理解“因果”關系，一直是學界的圣杯問題。而在生物大腦中，因果卻深藏于微觀的放電順序之間。所謂“尖峰時序依賴可塑性”（STDP），指的是突觸權重的調整取決于前、后神經元放電的先后順序。前神經元如果在后神經元之前激活，會導致增強（LTP）；若順序相反，則產生抑制（LTD）。

這不僅僅是時間敏感的規則，它為生物系統嵌入了一種原生的“預測力”——如果一個刺激總是在另一個之前發生，系統會強化這兩個事件的連接，就像大腦在無數次天亮前聽到鳥鳴后學會了它們的聯系。

而AI的訓練機制，仍多倚賴“標簽”和“損失函數”。想象一下，如果未來的AI能像神經系統一樣，從事件的時序中自發提取因果線索，將不再局限于監督學習的范疇，而邁入真正的交互智能時代。

快如閃電，記得一生，BTSP的神經魔法

行為時間尺度可塑性（BTSP）是神經科學最近揭示的一種強大機制。在特定條件下，它能讓大腦僅通過“一次經歷”便建立起持久記憶。這正是人類“記住第一次”的神經基礎。

BTSP的關鍵在于一個“窗口”：若突觸輸入與神經元的特殊放電狀態（如樹突平臺電位）在幾秒內重合，就能觸發快速且強烈的LTP效應。這種機制無需反復訓練，僅憑一個刺激事件就能在神經層級“烙印”下經驗。

這讓人立刻聯想到AI中的In-Context Learning（上下文內學習）：在不改變參數的前提下，僅通過少量提示完成任務遷移。如果未來AI能夠模擬BTSP，在內部構建可以快速定型的新任務表示，我們將迎來一類真正意義上的“可變模型”——具備類似人類的“經驗記憶能力”。

“白天海馬，夜間皮層”：記憶系統的并行調度術

突觸塑形遠不止于單一機制，更體現在不同腦區之間的“職責分工”中。海馬體，被認為是大腦中的快速記憶緩沖器，它能在白天捕捉偶發事件，將一閃而過的信息“存檔”下來。而在夜晚，尤其是睡眠中，海馬通過“回放”機制，把這些臨時記憶轉存到新皮層中，形成長期可提取的知識結構。

這種“快-慢”系統的互補機制，讓生物體既能實時應對突發事件，又不至于信息過載或關鍵記憶丟失。在AI系統中，目前我們鮮有類似的記憶層次管理。經驗回放已被引入一些強化學習框架中，但真正模仿海馬與新皮層的協同機制，還有巨大空間。

更重要的是，這一系統可能正是概念抽象與知識泛化的基石。很多時候，我們并不清楚一次經歷對未來有什么價值，但大腦會“先存起來”，并在之后的某個場景中復活它。正如研究團隊中指出的，這種“潛在學習”與“偶然記憶”，可能是AI實現類人智能的關鍵拼圖。

5.將神經機制轉化為AI設計——工具與架構建議

在前面的探討中，我們深入了解了大腦在非平穩環境中如何巧妙應對，從動態神經軌跡到一觸即發的突觸變化，生物智能的適應藝術令人嘆為觀止。但問題隨之而來：我們能否將這些神經科學的智慧轉譯為AI架構設計？研究團隊帶來了幾項令人興奮的工程化路徑——不僅是“啟發”，更是“落地”。

模擬神經軌跡的“仿生體”，動態系統重建（DSR）

動態系統重建（Dynamical Systems Reconstruction, DSR）是連接神經數據與AI結構的一道橋梁。設想你手里握有一組復雜的時間序列——既包括多個神經元的放電模式，也包含動物在任務中的具體行為表現。DSR模型的任務，就是從中“反推”出大腦潛在的計算過程，并在AI架構中模擬之。

這些模型可以是RNN、自回歸Transformer或其它神經網絡形式，但關鍵在于它們被嵌入在多模態的編碼—解碼結構中，以同時處理來自不同來源（如尖峰計數與序列行為響應）的異構數據。訓練時，DSR結合了控制理論中的優化手段，能夠學習到不僅擬合當前數據，而且捕捉其幾何和統計“紋理”的動力學規律。

更令人驚喜的是，這類模型不僅能復現神經數據的表象波動，還能逼近其底層因果機制。換言之，AI可以不再“從零模擬大腦”，而是借助神經系統留下的“時間腳印”，直接繼承其計算風格。

從嬰兒到專家，多時間尺度與模塊化進化路徑

大腦并不是生來就能解多項式、玩量子棋。它的發展具有明顯的階段性：感知和運動系統在生命早期建立穩定，認知系統則在后期緩慢成熟。這種“發育式閉環”的架構，讓大腦先穩住基礎處理單元，再層層搭建出復雜計算網絡。它不僅優化了學習效率，更繞開了維度災難的問題。

在AI設計中，我們也應當“知進退”：凍結預訓練模型中表現穩健的早期層，僅微調后期參數，模擬這種“由淺入深”的進化路徑。此外，不同系統模塊也應擁有各自節奏——某些快速適應（如感知）的網絡單元使用較高學習率，某些穩定不變（如結構識別）的單元則節奏緩慢，確保整體不因局部更新而動蕩。這種“異步調頻”的設計，或許正是類腦系統構建的關鍵。

圖4：支持情景記憶的快速可塑性機制。a）行為時間尺度可塑性（BTSP；頂部）及其簡化形式化（底部）。BTSP取決于兩者，兩者之間的時間滯后突觸輸入和樹突平臺電位（x軸）以及突觸重量的初始強度（顏色編碼），如果突觸輸入和樹突，則會誘導體重增加（長期增強，LTP）去極化在幾秒鐘的時間窗口內一致，體重減輕（長期抑郁癥有限公司）否則。b）頂部：通過在2層網絡中實現這種BTSP機制在隨機時間在記憶神經元中誘導哪些樹突平臺電位即時存儲。完成檢索（在輸入層完成原始輸入模式）通過一次Hebbian（相關）學習反饋連接（右手側）。

記憶不是一鍋燉，短期緩沖與長期整合的協奏曲

我們常常對“記住”抱有誤解，認為信息一旦進入腦海，就理所當然地永久留存。但事實遠比這復雜。大腦將記憶任務拆分成多個層級：海馬體像是筆記本，快速記錄一日所見；而新皮層則像檔案館，在夜間離線處理階段對筆記內容篩選、歸檔或遺忘。

對AI而言，同樣需要建立這種“多態記憶結構”。短期模塊負責任務現場的即時推理——可能是一個有限上下文窗口或突觸延遲狀態；長期模塊則管理抽象知識與概念——通過聚類、重建與歸納不斷整理知識圖譜。

在此基礎上，注意力機制與無監督學習機制發揮關鍵作用。它們決定了“什么值得記住”：哪些經驗是“普通一遇”，哪些則是“千載難逢”。并且，這種篩選并不需要明確標簽或獎勵信號，而是在模型內部基于稀有性、新穎性或結構價值進行自我評估——與人類的學習本能出奇一致。

最終，這一整套架構構成了一種“主動的記憶經濟”：不是盲目記錄一切，而是以目標為導向構建可搜索、可壓縮、可泛化的知識載體。這樣的AI，才真正具備“適應未知”的能力。

6.結論與未來展望

神經科學與AI從來不是彼此孤立的平行宇宙，它們自深度學習崛起以來就開始頻頻互動。而當前，借助如動態系統重建（DSR）、突觸規則反推、神經軌跡模擬等新興技術，我們終于擁有了將實驗神經數據“直接嵌入”AI模型的能力。這不是單純的啟發式借鑒，而是“模型層級的嫁接”與“訓練范式的融合”。

這些進展為AI帶來了什么？最顯著的，是在快速適應（fast adaptation）與少樣本學習（few-shot learning）上的新可能。如果我們能將行為時間尺度可塑性（BTSP）等突觸機制或流形吸引子的保持性動態引入AI模型，就有可能讓AI在面對新任務時不再依賴大規模訓練，而具備“一試即得”的能力。從參數空間的精細重構，到語境中的表征更新，真正貼近人類的學習方式不再遙不可及。

圖5：動態系統重構：從神經元學習計算代理模型以及行為數據。a）多模式教師強制（MTF）架構。在MTF中，動態系統重建（DSR）模型與RNN一樣，在訓練中由多模態教師信號控制來自編碼器網絡（如時間CNN），該網絡集成了不同的測量方式不同的統計特性（如尖峰計數和有序行為反應數據）。

而反過來，AI模型也正為神經科學帶來新的鏡子。通過神經網絡的模擬實驗，我們可以更精準地推演特定突觸規則的行為結果，為實驗設計提供理論基線。特別是在類ICL機制、異宿軌道決策路徑、任務規則重構等問題上，AI的建模方法已不只是“技術工具”，更是“認知假說”的驗證平臺。

未來的AI將不再僅僅是一個靜默的處理器，而是一個可以“互動、學習、調整”的類智能體。在自動駕駛、醫療診斷、輔助創作、教育輔導等場景中，AI必須在不確定與突發事件中做出合理判斷。這類“實時交互智能體”，尤其需要具備類腦架構所提供的：多時間尺度的動態調控、記憶系統的協同更新，以及強因果性驅動的策略生成。（END）

參考資料：???https://arxiv.org/pdf/2507.02103??

本文轉載自???波動智能????????，作者：FlerkenS