研究发现好奇心驱动网络形成类脑模块结构
剑桥大学的弗朗切斯科·波利(Francesco Poli)团队将275名8至15个月大婴儿的眼动追踪数据与完成20项任务的人工神经网络实验结合。好奇心最强的网络在未见过的测试中泛化表现更好,并形成相互连通、模块化的类脑结构。其连接密度先上升后下降,研究者将这一轨迹与人脑发育中的突触增殖和修剪进行比较。按照与人类发育曲线的对比估算,好好奇心、结构最接近人脑的网络对应约20岁,而既缺少好奇心、布线模式又不合适的网络对应约9岁。哥廷根大学的阿里雷扎·莫迪尔沙内奇(Alireza Modirshanechi)称这一结构发现出人意料,但仍需验证,包括无好奇心网络是否会通过更长时间训练形成相似结构。报道引用的是一篇bioRxiv预印本。
实验表明,将内在好奇心与惩罚高成本长距离连线的约束结合,可能促成模块化的类脑网络组织。这为探索柔性、类人AI提供了一种不同于单纯扩大模型规模的思路,但相关结构结论仍需进一步验证。
IT之家 11 月 2 日消息,人类大脑为何演化得如此复杂?答案或许可以归结为好奇心。研究人员训练了数千套学习模式各不相同的人工神经网络,他们发现,好奇心最强的网络不仅拥有更复杂、灵活的认知能力,还会自发形成类似人脑的结构。

这些网络会形成相互连通的模块,并且遵循和人类相近的发育规律:比如先长出大量密集神经连接,再逐步修剪精简。剑桥大学的弗朗切斯科 · 波利(Francesco Poli)表示,好奇心通常被视作复杂大脑带来的结果。“但有没有可能,好奇心反过来塑造了大脑的形态?”
为了模拟婴儿的学习方式,波利和同事采集了 275 名 8 至 15 个月大婴儿的眼动追踪数据。研究人员在屏幕上播放一系列彩色图形,图形序列会提供不同信息量,暗示下一个图形出现的位置。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。”
#Francesco Poli#University of Cambridge#Alireza Modirshanechi#University of Göttingen#bioRxiv#ChatGPT