双通路并行：构建更贴近人脑的AI智能架构
要点
浅层大脑假说：根据该团队2023年提出的理论，大脑并不只依靠逐层递进的层级结构，而是同时运用深层与表层区域的并行互动机制。
功能互补性：决策任务测试显示，两条神经通路相互配合，皮层下通道主导快速响应，皮层网络则专注解决复杂问题。
效率提升：并行架构使信息处理更灵活高效，表明对简单任务而言，传统深度学习可能过于复杂，导致算力浪费。
生物学真实性：多数人脑神经网络缺少人类大脑中的反馈回路和'快速通道'。该模型让AI的软硬件更贴近真实神经解剖结构。
多数深度学习架构中，信息需穿越皮层内数十个层级逐步处理，皮层作为大脑核心结构，承担感知与决策等高级功能。
然而，神经科学界早已知晓，大脑皮层与深层脑区（即皮层下结构）存在密集连接，后者负责调控躯体运动、情绪反应及刺激-反应行为学习，但多数人工神经网络忽视了这些联结。
近期，一项获人脑计划支持、发表于《神经生物学前沿研究》的新研究，提出了融合上述连接的运算模型，将皮层经典分层架构与高速皮层下通路结合。这种双通路并行体系（层级化皮层通道与浅层皮层下通道）更真实地模拟了大脑运作机制。
图示：浅层大脑假说前馈模型实现方案1
研究者表示：'我们的模型克服了现有深度学习与预测编码网络的核心局限，提供了更具神经生物学合理性且功能更优的替代方案。'
该研究基于'浅层大脑假说'，这一理论指出大脑同时依赖皮层分层处理与皮层下区域的并行交互。研究团队现已开发出融合这两条通路的计算模型。
研究团队运用卷积神经网络与分层预测编码两种主流AI框架实现该架构，并在决策任务中验证。结果显示双通路具有互补性：皮层下通路快速处理简单刺激反应，复杂任务则由皮层网络负责。
总体而言，这种并行架构实现了更灵活高效的信息处理，表明现有人工智能模型可能遗漏了大脑运作的关键机制。
关键问题解答
问：若'深度学习'已是黄金准则，为何仍需'浅层'通路？
答：深度学习虽擅长人群人脸识别，但应对'手触热炉需立即缩回'这类情境则过于复杂。浅层通路提供了生物学捷径，使AI（或大脑）能对简单刺激即时响应，无需数据穿越数十层复杂结构。
问：这是否代表现有人工智能'缺失'了部分大脑功能？
答：确实如此。多数AI系统仅以大脑皮层为建模对象。该研究指出，忽视负责情绪调控、生存本能及基础学习的皮层下结构，导致我们构建的AI虽聪明却僵化低效。
问：这将如何助力AI变得更'人性化'？
答：该机制引入了优先级处理体系。'浅层大脑'AI既能对简单任务产生'本能反应'，又能对复杂任务展开'深度思考'，这正体现了人类在本能与智慧间寻求平衡的真实运作方式。
注：
(A) 本研究采用的行为范式。每个试验通过水平或垂直条纹提示，指令模型执行正向或反向眼跳。正向眼跳试验中，模型向更亮方块（左侧）移动；反向眼跳试验中，模型则远离亮方块（右侧）。
(B) 模型采用的神经解剖通路。假设存在深层皮层分级通路，涵盖丘脑及多个皮层区域，包括初级视觉皮层V1、后顶叶皮层PPC、额眼区FEF和背外侧前额叶皮层dlPFC。模型设定FEF编码目标位置与任务规则（正向/反向），并向superior colliculus（SC）发出抑制性皮层-皮层下投射。眼动指令由皮层与皮层下输出共同整合生成。
(C) 模型整体框架。皮层处理通路首先对提示信号分类，判定任务规则（正向P/反向A），再与后续亮度比较结果（左L/右R）整合，生成选择输出（左选CL/右选CR）。CL为分类器，其输出通过反向传播与标签对比完成训练。XOR为固定连接结构，功能类似异或门，用于整合提示分类与亮度比较的序列结果。皮层下处理通路通过两个皮层下神经元（R/L）快速决策，其感受野分别覆盖左右方块区域。皮层-皮层下连接（A→SL、A→SR）在反向眼跳试验中抑制皮层下输出。最终眼跳决策与反应时（RT）由运动神经元放电率（ML/MR）解码，该信号综合皮层与皮层下双通路输出。
作者：Helen Mendes Lima
来源：EBRAINS
图片：图像来源为Neuroscience News
原创研究：开放获取
'融合浅层脑网络的计算架构：整合并行皮层与皮层下处理' 作者：Kwangjun Lee, Lorenzo Gabriele Baracco, Cyriel M.A. Pennartz, Mototaka Suzuki, Jorge F. Mejias. 刊于《神经生物学前沿研究》DOI:10.1016/j.crneur.2026.100155
（策马前行）
HORSE
（平安顺遂）
声明：本文经七七阳编译，版权归原作者所有，仅供分享交流使用。
欢迎点击蓝字 加星标关注
2026新年
推荐阅读
意识为何难以数字化？超越'软硬件'的思维定式
情绪究竟如何形成？