错误率下降44.66%，给AI神经元装上三个突触，灵活的生物启发模块来了

编辑丨&

「诶！这个 AI 怎么看不懂我要什么啊？」

日常里使用 AI 时常会发出这样的感叹，毕竟 AI 神经网络跟人类的神经元不同，突触之间的联系没有那么灵活，模型更容易落入被欺骗乃至遗忘的困境中。

不过，德国最近的一项研究带来了转机：伊尔梅瑙工业大学（Technische Universität Ilmenau）与哥廷根大学（University Göttingen）的研究人员成功给 AI 神经元装上了三个「生物启发模块」，让 AI 不仅学更快、记得更牢，还能抵御数据攻击。

该研究以「Concept transfer of synaptic diversity from biological to artificial neural networks」为题，于 2025 年 6 月 2 日刊登于《Nature Communications》。

论文链接：https://www.nature.com/articles/s41467-025-60078-9

biomod

研究团队提出了一种生物修饰的人工神经网络 （biomod），用于研究引入常见 ANN 架构时的突触多样性。

图 1：检查的突触多样性机制及其各自的人工模型的可视化。

该团队通过分析生物突触的动态特性（如树突棘的存活概率与突触强度正相关、多突触连接的信息存储能力），设计了三种轻量化计算模块：

• 模糊学习率（FL）：为每个突触分配随机初始化的学习率因子，模拟生物突触对刺激的差异化响应；
• 权重更新（WR）：基于突触权重大小随机重新初始化连接，模仿棘突的自发重塑与修剪；
• 权重拆分（WS）：在神经元间建立多突触连接，增强信号传递的冗余性与稳定性。

图 2：在 MNIST、CIFAR10 和 CIFAR100 数据集中进行生物启发修饰的综合性能评估。

在 MNIST、CIFAR10/100 等基准数据集上，融合三种机制的 biomod 在默认参数下展现出显著优势：

在 AlexNet 架构的 CIFAR10 任务中，错误率从基线模型的 19.4% 降至 6.38%，绝对提升 13.02%；ResNet56 在 CIFAR100 的错误率从 32.28% 降至 17.86%，提升 44.66%。

达到峰值准确率的训练轮次平均减少 9% ~ 47%。例如，MLP 在 MNIST 任务中仅需 25 轮次（基线需 32 轮次），AlexNet 在 CIFAR10 任务中轮次从 100 轮降至 53 轮。

安全防护

在联邦学习场景中，黑客可能通过梯度信息窃取训练数据。但 biomod 的模块就像防线一般：FL 模块让每个突触的更新速度随机变化，使黑客难以还原原始数据；WS 模块使信号通过多条连接传递，梯度被分流到多个权重。

实验显示，传统模型的重构图像还能看出轮廓，而 biomod 的重构图像完全由噪点构成，重构误差暴增了 56 倍。

图 3：通过梯度反转阻力增强隐私保护的视觉演示。

小结

biomod 兼容性强，额外计算开销不到 5%，在 GPU 上训练还能加速 30%。团队还开发了 PyTorch 工具包，只需一行代码就能给现有模型装上补丁。

研究通过跨物种神经数据验证机制普适性：从啮齿类皮层突触动态到灵长类多突触连接模式，biomod 的设计均与生物实验结果吻合。

随着脑科学数据的持续积累，这种「神经启发计算」或将推动通用人工智能向生物智能的建模深度演进，为自动驾驶、医疗影像等关键领域提供更具生物合理性的算法基础。