導(dǎo)語

在自然進化的長期演化中，果蠅微小的嗅覺系統(tǒng)展現(xiàn)出驚人的智能——它能在嘈雜、多變的氣味環(huán)境中穩(wěn)定識別食物來源。研究發(fā)現(xiàn)，這種魯棒性并非源于單一機制，而是依靠看似“冗余”的神經(jīng)模塊間的動態(tài)協(xié)作。天津大學(xué)教授、集智社區(qū)學(xué)者臧蘊亮教授團隊最新發(fā)表在NeurIPS的研究工作揭示，側(cè)抑制（LI）與脈沖頻率自適應(yīng)（SFA）在果蠅腦中以互補方式協(xié)同工作，使系統(tǒng)能根據(jù)環(huán)境噪聲靈活調(diào)節(jié)策略，為構(gòu)建高魯棒性人工智能提供了新的生物學(xué)啟示。

關(guān)鍵詞：果蠅嗅覺回路、冗余神經(jīng)機制、魯棒學(xué)習(xí)、側(cè)抑制（LI）、脈沖頻率自適應(yīng)（SFA）、神經(jīng)擬態(tài)計算、類腦智能

來源：集智俱樂部

作者：臧蘊亮

編輯：趙思怡

論文題目：Seemingly Redundant Modules Enhance Robust Odor Learning in Fruit Flies 論文地址：https://arxiv.org/abs/2510.21315 發(fā)表時間：2025年10月24日 論文來源：arxiv

一、生物學(xué)中的“冗余”之謎

生物神經(jīng)系統(tǒng)中，常存在不同模塊執(zhí)行相似功能的現(xiàn)象，即所謂“生物學(xué)冗余”。比如果蠅嗅覺回路中的側(cè)抑制 (Lateral inhibition, LI) 與脈沖頻率自適應(yīng) (Spike frequency adaptation, SFA)，兩者都被認為能增強氣味模式的分離能力，幫助腦更好地區(qū)分不同氣味。

一個自然的疑問是：既然功能相似，為何進化會同時保留它們？是簡單的備份冗余，還是在復(fù)雜環(huán)境中，它們各有專攻、協(xié)同作戰(zhàn)？

二、互補，是比冗余更智慧的策略

為解開這一謎題，研究團隊構(gòu)建了果蠅嗅覺環(huán)路的脈沖神經(jīng)網(wǎng)絡(luò)模型，并在不同噪聲環(huán)境下進行系統(tǒng)性測試。

圖1. 果蠅嗅覺回路計算模型示意圖

結(jié)果清晰顯示：兩者并非重復(fù)備份，而是在不同噪聲條件下發(fā)揮專長，形成功能互補：

• 側(cè)抑制：低噪聲下的“精準調(diào)諧器”

在低至中等噪聲環(huán)境中，LI能顯著提升判別精度，作用突出；但在極高噪聲下，其優(yōu)勢逐漸減弱。

• 脈沖頻率自適應(yīng)：高噪聲下的“穩(wěn)定衛(wèi)士”

SFA在各種環(huán)境中均能穩(wěn)定提升性能，并在高噪聲下表現(xiàn)出卓越的魯棒性，成為系統(tǒng)在極端條件下的可靠保障。

三、動態(tài)協(xié)調(diào)：隨環(huán)境而變的智能策略

當(dāng)LI與SFA共同工作時，它們的效益是可疊加的。在大多數(shù)噪聲環(huán)境下，“LI + SFA”組合均能實現(xiàn)最優(yōu)性能。只有在極端噪聲中，SFA的穩(wěn)定性優(yōu)勢才使其略微領(lǐng)先。

圖2. 不同噪聲強度下各機制的判別準確率對比

這表明，果蠅腦采用的是一種噪聲依賴的動態(tài)招募策略：根據(jù)環(huán)境狀況，靈活調(diào)配LI與SFA的參與程度，從而在多變世界中始終保持最佳的學(xué)習(xí)與判別能力。

從果蠅到AI：我們學(xué)到了什么？

這項研究不僅揭示了生物系統(tǒng)利用“功能重疊”機制實現(xiàn)環(huán)境自適應(yīng)性的精巧策略，更為構(gòu)建下一代高魯棒性AI系統(tǒng)提供了直接啟示：

· 可借鑒LI與SFA的協(xié)同機制，設(shè)計能根據(jù)輸入數(shù)據(jù)噪聲水平自適應(yīng)調(diào)整內(nèi)部處理策略的智能分類器；

· 為神經(jīng)擬態(tài)計算 硬件與算法設(shè)計提供了可驗證的生物學(xué)原理支持；

· 推動AI在復(fù)雜現(xiàn)實場景中，實現(xiàn)更高水平的環(huán)境適應(yīng)性、能效與穩(wěn)健性。

此外，受果蠅嗅覺神經(jīng)回路機制的啟發(fā)，清華大學(xué)季向陽團隊提出全新人工智能方法——FlyLoRA，將隱式的按秩混合專家（MoE）機制引入LoRA架構(gòu)，發(fā)表在2025年的NeurIPS，臧蘊亮教授也以共同作者參與。該方法無需顯式路由器參數(shù)，僅通過固定稀疏隨機矩陣實現(xiàn)隱式路由與任務(wù)解耦，在多項任務(wù)中性能顯著優(yōu)于現(xiàn)有方法，同時具備優(yōu)秀的模型合并魯棒性[1]。

參考文獻

[1]Zou, Heming, et al. "FlyLoRA: Boosting Task Decoupling and Parameter Efficiency via Implicit Rank-Wise Mixture-of-Experts." arXiv preprint arXiv:2510.08396 (2025).

閱讀最新前沿科技趨勢報告，請訪問歐米伽研究所的“未來知識庫”

https://wx.zsxq.com/group/454854145828

未來知識庫是“ 歐米伽 未來研究所”建立的在線知識庫平臺，收藏的資料范圍包括人工智能、腦科學(xué)、互聯(lián)網(wǎng)、超級智能，數(shù)智大腦、能源、軍事、經(jīng)濟、人類風(fēng)險等等領(lǐng)域的前沿進展與未來趨勢。目前擁有超過8000篇重要資料。每周更新不少于100篇世界范圍最新研究資料。 歡迎掃描二維碼或訪問https://wx.zsxq.com/group/454854145828進入。