生物行移动版

在人工智能领域，模型规模的不断扩大虽有助于提升性能，但同时带来了巨大的能源消耗和计算成本。与此不同的是，人类大脑在发育过程中并非简单地增加神经连接密度，而是通过选择性修剪（Selective Pruning）机制，有效优化神经网络结构，在获得新认知能力的同时保持高效运行。

近期，研究团队受生物大脑发育机制启发，提出了一种基于脉冲神经网络（Spiking Neural Networks, SNN）的时序发育持续学习框架。该框架模拟大脑发育中“先增后减”的原则，实现了从感知到运动控制，再到复杂交互任务的递进式学习过程。研究结果表明，人工智能系统无需无限制地增加连接数量，关键在于构建“正确的连接”，以实现高效且稳定的认知功能。

核心机制：从简单到复杂的神经网络演进

该模型遵循生物神经发育的时序规律，首先建立基础感知模块，随后逐步发展高级认知功能。在学习过程中，系统引入反馈调控机制，主动抑制并修剪与早期任务相关的冗余局部连接，同时强化跨区域的长程连接。这种动态结构调整不仅促进了不同任务间的知识复用，还有效缓解了人工智能领域长期存在的灾难性遗忘问题，即新知识的学习不会导致旧知识的丢失。

低能耗与高效持续学习的未来展望

实验数据显示，该模型在多个认知任务基准测试中表现优异。随着学习的深入，网络规模呈现出持续缩减的趋势，显著区别于传统AI模型依赖正则化或经验回放等高能耗手段的做法。这种“越学越精简”的特性不仅大幅降低了计算资源需求，还为构建下一代可持续演进的通用认知智能提供了重要的生物学范式参考。