好奇心如何塑造大脑？剑桥团队用人工神经网络找到线索

11 月 2 日消息，人类大脑的复杂结构是怎么演化出来的？研究人员给出的一个可能答案是好奇心。他们训练了数千套学习模式各异的人工神经网络，结果发现，好奇心最强的那些网络不光认知能力更复杂、更灵活，还自己长出了类似人脑的结构。

这些网络会形成彼此连通的模块，发育规律也和人很像：先密集长出大量神经连接，再一点点修剪精简。剑桥大学的弗朗切斯科 · 波利（Francesco Poli）说，人们通常认为好奇心是复杂大脑带来的产物。“但有没有可能，好奇心反过来塑造了大脑的形态？”

波利和同事想模拟婴儿的学习方式，于是采集了 275 名 8 至 15 个月大婴儿的眼动追踪数据。屏幕上播放的是一系列彩色图形，这些图形序列提供的信息量各不相同，暗示下一个图形会出现在哪里。波利说：“位置不是随机的，每一组图形都有一套可供学习的规律。”

实验显示，婴儿对刺激所带信息量的多少很敏感。只要学习速率低于平均水平，他们就会失去兴趣、把视线移开，转去找别的新鲜东西。

团队据此搭起了内在好奇心水平不同的人工神经网络，让它们完成 20 项任务。高好奇心模型的规则是：学习速率一旦低于某个阈值，马上换任务；低好奇心模型则随机切换。

带不带好奇心，所有网络都能把训练任务学得不错。可训练结束后，好奇心模型在从未见过的新测试里明显更胜一筹。波利说，把不同信息灵活组合起来的能力，正是人类复杂认知的标志性特征。

好奇心模型还长出了和复杂生物大脑相似的结构特征。研究人员把人工网络放进参照人脑解剖结构搭建的三维虚拟空间，同时对远距离连接施加惩罚，以此模拟真实大脑里长距离神经布线高昂的代谢成本，逼着网络去找高效的连接方式。

光有这个约束条件，还催生不出复杂结构；把好奇心机制叠加进去之后，一系列类脑特征才显现出来。比如好奇心网络长出了分层模块化结构：内部高度互联的功能区块之间互相连通。

有一个发育规律让波利自己也感到意外：网络连接密度先升后降。他说：“当时我觉得很奇怪。”

但这跟人脑发育过程高度吻合：人出生第一年，神经元之间负责传递信号的突触数量快速暴涨，随后进入修剪阶段，没用的连接被清除。他推测，好奇心驱动个体主动去找信息增益最高的学习任务，这一机制“可能和突触的取舍筛选过程有关”。

研究人员拿网络连接密度的变化曲线去对人脑发育标准曲线，估算出每一套网络对应的“生理年龄”。结果是：好奇心最强、结构最接近人脑的网络发育阶段更成熟，对应年龄约 20 岁；缺少好奇心、布线模式不对的网络则停在更早阶段，对应年龄约 9 岁。

德国哥廷根大学的阿里雷扎 · 莫迪尔沙内奇（Alireza Modirshanechi）认为，好奇心能提升学习效率并不让人意外——它能避免我们在过难或者过简单的事情上浪费精力。“你会优先去学那些最适合学习的内容。”

但这项研究提出好奇心可以催生出类脑架构，这个结论“非常出人意料”。他表示：“如果属实，这是一个分量很重的论断。”在他看来还需要验证一点：如果训练时间给得足够长，不带好奇心的网络会不会只是速度慢一些，最终也长出相似结构。

波利指出，好奇心网络在基础训练任务上的表现并不比无好奇心网络差，两者成绩相当。也就是说，它们之所以没长出复杂认知和类脑结构，不能简单归结为训练不够。波利说：“我认为就算延长训练时长，它们也基本维持原样。好奇心真正改变的是网络的学习方式。”

即便如此，波利说这项发现也让人看到好奇心在教育里的价值。强迫孩子长时间固定做同一件事的环境，“尤其在幼年阶段，可能会起到反效果”。“这取决于我们想要培养什么。如果我们看重长时间专注完成单一任务的能力，那就要专门训练这项能力。”而如果重视好奇心与认知能力，就该优先给孩子提供多种活动选择，“然后让他们在范围内自主探索”。

围绕柔性、类人人工智能该怎么走，这项研究也加入了讨论。波利认为，绝大多数 AI 研究无非是“把系统做得更大”，持续吃掉更多数据和算力。他提出，要通向复杂认知，让 AI 由好奇心驱动、学习方式更接近人类，或许是一条走得通的路。演化过程本身没有无限资源，资源受限反倒逼出了精巧的办法。“有时候，这些限制条件，正是我们变得出色的原因。”

莫迪尔沙内奇则不认为 AI 开发者非得掉头。他说，ChatGPT 这类大语言模型已经证明，靠规模扩张这条路行得通。但把好奇心原理加进来，有可能做出更贴合人类需求的系统：模型先主动发问，把用户真实意图弄清楚，再给出长篇回答。

参考资料：