脑启发 AI 新框架：认知地图驱动的节能神经网络

清华大学、格拉茨工业大学（Graz University of Technology）与意大利国家研究委员会（CNR）组成的研究团队，在《Nature Machine Intelligence》上提出了一种受认知科学与神经科学启发的人工智能框架。该框架将人脑中的「认知地图」思路引入人工神经网络设计，使模型在规划与决策时更具适应性，并能直接部署到以低功耗著称的神经形态芯片（neuromorphic chip）与存内计算芯片（in-memory computing chip）上。

灵感来源：大脑的认知地图

传统深度神经网络（DNN）与大语言模型（LLM）虽然效果强大，但训练与推理往往需要大量算力与电力。研究团队注意到，进化在生物大脑中发明的算法与数据结构，与当前主流 AI 路径存在显著差异——大脑仅用约 20 瓦的功率就能完成复杂的智能任务。

近期认知科学家与神经科学家在记录人类解决难题时的脑活动后发现，大脑倾向于把学到的知识编码为「认知地图」，而非表格或参数序列。这种组织方式让大脑在面对实时问题时能够快速、灵活地做出反应，而目前的 AI 系统大多并未采用这一信息组织方式。

GCML：基于认知地图的神经网络

为填补这一空白，研究团队构建了一个新的 AI 框架（GCML），核心思想是利用认知地图来组织信息，从而模拟大脑在困难问题上的解决策略。该方法具备以下特点：

• 不依赖 DNN 或 LLM 的架构，可由更简单的芯片承载；
• 训练过程以局部学习（local learning）为主，避免传统深度学习所需的高强度算力；
• 决策过程的可解释性较好，便于追溯推理依据。

初步测试显示，基于该框架的神经网络能够进行自适应规划，并成功解决此前未见过的新问题，表现出类似大脑的「直觉式」问题求解能力。

面向神经形态与存内计算硬件

研究团队强调，这套脑启发方法最大的优势在于可落地到新型节能硬件上。神经形态芯片（如 Intel、IBM 以及众多创业公司正在研发的型号）和存内计算系统通过直接在存储单元内完成计算，避免了数据在内存与处理器之间频繁搬运，从而大幅降低能耗。

目前，团队已与 Intel 以及一家美国初创企业的工程师合作，将这一脑启发算法移植到实际芯片中。资深作者 Wolfgang Maass 表示，未来工作将进一步展示该方法在低延迟、面对新目标或突发情况时决策灵活性方面的优势，并尝试模拟大脑「用具体经历来解释决策」的能力——而这正是当前 AI 可解释性研究的关键目标之一。

研究意义与下一步

该研究提示，脑科学与认知科学的实验数据不仅能在微观神经元层面启发算法，也能在更高层次的计算组织与数据结构层面为 AI 提供新思路。如果后续在更多任务上得到验证，并与神经形态硬件形成软硬件协同，这类脑启发框架有望成为 DNN/LLM 之外的一条低功耗 AI 路径。