[Paper] 脑‑AI 融合：用于通用计算的预测性和生成式世界模型

Source: arXiv - 2512.02419v1

Overview

一篇新视角的论文直接将现代基于 Transformer 的 AI 系统的学习方式与大脑新皮层和小脑的基本计算联系起来。通过将生物智能和人工智能都框定在 预测性、生成式世界模型 上，作者认为一种共享的“预测‑并‑从错误中学习”循环支配了从视觉感知到运动控制的所有过程——而这正是构建真正通用、可适应 AI 的关键。

Key Contributions

• 跨领域计算类比 – 表明注意力驱动的新皮层回路和非注意力的小脑回路在同一预测误差学习原理上趋同。
• 世界模型框架 – 将大脑的多种功能（感官理解、运动生成）重新解释为对同一内部世界模型的不同使用。
• 与现代 AI 的平行 – 证明大规模 Transformer 训练（自监督的下一个 token 预测）映射了大脑的预测误差学习，暗示通用计算的收敛解。
• 统一的智能理论 – 提出一种统一的电路架构在结合预测世界模型后即可支持广泛的高级任务。
• 跨学科研究路线图 – 突出神经科学洞见可以为 AI 架构设计提供帮助的具体切入点，反之亦然。

Methodology

作者采用 理论‑比较 的方法，而非新实验。其工作流程包括：

1. 文献综合 – 汇总新皮层注意力机制、小脑预测编码以及 Transformer 训练动力学的最新研究。
2. 概念映射 – 确定类比的计算基元（例如，将注意力视为对过去上下文的动态加权，将小脑前馈模型视为纠错预测器）。
3. 世界模型抽象 – 形式化一个“预测生成模型”，该模型接受过去的感官/运动流，预测未来状态，并通过预测误差自行更新。
4. 交叉验证 – 展示该抽象如何解释生物学（如感官推断、运动适应）和 AI（如语言建模、图像生成）中的已知现象。

论文保持高层次阐述，仅在需要阐明共享算法循环时使用图示和公式。

Results & Findings

• 预测编码是普遍的 – 新皮层和小脑都持续生成预测，并在现实偏离时调整内部权重，这与 Transformer 中的损失梯度更新相匹配。
• 注意力 ≠ 唯一途径 – 即使是非注意力的小脑回路也能通过递归动力学对时间上下文加权实现类似结果，暗示注意力是一种 实现方式 而非 必要条件。
• 世界模型实现复用 – 单一预测模型可以被读取用于感知（解释）或生成（行动规划），类似语言模型可用于文本补全或代码合成。
• 统一电路，多样行为 – 大脑相对均质的微电路在共享预测循环驱动下能够支撑一系列认知能力，为高级智能的出现提供了合理解释。

Practical Implications

简言之，论文指出 围绕单一、持续更新的世界模型构建 AI——而不是堆叠大量专用模块——可能产生更灵活、类人智能。

Limitations & Future Work

• 缺乏实证验证 – 论点主要是概念性的；直接将 Transformer 内部映射到小脑/新皮层活动的具体实验仍未出现。
• 生物真实性的范围 – 真实神经元具有脉冲、神经调制等动态，这些在当前的 Transformer 数学中未被捕获，弥合两者仍是挑战。
• 小脑式预测器的可扩展性 – 尚不清楚非注意力递归预测器在当今大语言模型使用的巨大全局窗口上表现如何。
• 未来方向 – 作者呼吁开展神经‑AI 联合项目，(1) 在深度网络中嵌入显式的预测误差通路，(2) 在机器人中测试小脑启发的前馈模型，(3) 开发基于神经科学的世界模型能力基准。

核心结论：通过将大脑的预测、生成式世界模型定位为智能的共同分母，本文为开发者提供了重新审视 AI 架构的全新视角——倾向于统一、误差驱动的学习循环，而非任务特定的组件拼凑。下一波“脑启发”系统可能看起来不像一堆注意力头，而更像一个单一、持续自校正的世界模型。

Authors

• Shogo Ohmae
• Keiko Ohmae

Paper Information

• arXiv ID: 2512.02419v1
• Categories: q-bio.NC, cs.AI, cs.CL, cs.NE
• Published: December 2, 2025
• PDF: Download PDF