研究：好奇心驱动神经网络形成类脑结构，新任务表现更灵活

据 IT之家 11 月 2 日报道，剑桥大学研究人员通过婴儿眼动实验与数千套人工神经网络训练发现，好奇心可能不仅是复杂大脑的产物，也可能参与塑造大脑结构。研究中，依据学习进展主动切换任务的网络，在陌生测试中表现更好；结合布线成本约束后，还形成了分层模块化等类脑特征。这为 AI 如何获得更灵活的认知能力提供了一个观察角度：除了扩大模型，如何选择学习内容同样值得关注。

从婴儿的注意力变化，设计 AI 学习机制

研究团队采集了 275 名 8 至 15 个月大婴儿的眼动数据，让他们观看带有位置规律的彩色图形序列。结果显示，婴儿对刺激中的信息量十分敏感：当学习速率低于平均水平时，他们更容易转移视线，寻找新的刺激。

基于这一现象，团队构建了具有不同内在好奇心水平的神经网络，并让它们学习 20 项任务。这里的“好奇心”不是人类情绪，而是一种任务选择机制：高好奇心网络在学习速率低于阈值后切换任务，低好奇心网络则随机切换。

• 训练任务：不同网络最终都能熟练完成，基础学习结果相近。
• 陌生测试：好奇心网络表现更好，体现出更灵活的信息组合能力。
• 结构变化：加入空间与连接成本约束后，好奇心网络出现更多类脑特征。

类脑结构如何出现：探索机制与资源约束共同作用

为模拟真实大脑的布线代价，研究人员将网络放入参照人脑解剖结构建立的三维虚拟空间，并对远距离连接施加惩罚。单靠这一约束，并不足以产生复杂结构；加入好奇心机制后，网络才出现内部高度互联、模块之间彼此连接的分层组织方式。

网络的发育过程也呈现出相似之处：连接密度先增加，随后下降，类似人脑早期突触大量形成、之后逐步修剪的过程。研究人员将密度变化曲线与人脑发育标准曲线对照，得到约 20 岁和约 9 岁的阶段对应结果。但这种曲线映射不代表模型拥有相应年龄人类的智力，也不能直接证明人脑演化由同一机制驱动。

对 AI 的启示：不只关注规模，也关注学习路径

这项研究的价值，在于提示任务选择机制可能同时影响泛化表现与内部结构。对于探索柔性、类人 AI 的研究者而言，让系统优先学习仍能带来进展的内容，可能是规模扩展之外值得研究的方向。关键不只是学了多少，还包括以什么顺序、用什么方式学习。

不过，结论仍有待验证。德国哥廷根大学研究人员阿里雷扎·莫迪尔沙内奇提出，需要进一步检验：没有好奇心的网络，在训练足够久后是否也会形成类似结构。研究团队则认为，两类网络在基础任务上已达到相近水平，差异未必只是学习速度所致。

因此，这并不意味着大语言模型的规模扩展路线失效，更不能据此判断某种架构已接近人脑。更审慎的解读是：好奇心驱动的探索与资源限制，可能为 AI 学习机制提供补充思路；其能否迁移到更大、更复杂的系统，仍需后续实验回答。