IT之家 11 月 2 日消息，人类大脑为何演化得如此复杂？答案或许可以归结为好奇心。研究人员训练了数千套学习模式各不相同的人工神经网络，他们发现，好奇心最强的网络不仅拥有更复杂、灵活的认知能力，还会自发形成类似人脑的结构。 这些网络会形成相互连通的模块，并且遵循和人类相近的发育规律：比如先长出大量密集神经连接，再逐步修剪精简。剑桥大学的弗朗切斯科 · 波利（Francesco Poli）表示，好奇心通常被视作复杂大脑带来的结果。“但有没有可能，好奇心反过来塑造了大脑的形态？” 为了模拟婴儿的学习方式，波利和同事采集了 275 名 8 至 15 个月大婴儿的眼动追踪数据。研究人员在屏幕上播放一系列彩色图形，图形序列会提供不同信息量，暗示下一个图形出现的位置。波利说：“位置不是随机的，每一组图形都有一套可供学习的规律。” 实验发现，婴儿对不同刺激携带的信息量十分敏感。每当学习速率低于平均水平时，他们就会失去兴趣、转移视线，去寻找新的东西。
研究团队基于这个原理搭建了具备不同内在好奇心水平的人工神经网络，并让它们完成 20 项任务。高好奇心模型的设定是：一旦学习速率低于某个阈值，就立刻切换任务；低好奇心模型则是随机切换任务。 无论是否带有好奇心，所有网络都能熟练掌握训练任务。但训练结束后，好奇心模型在从未见过的新测试里表现明显更好。波利说，这种灵活组合不同信息的能力，正是人类复杂认知的标志性特征。 好奇心模型还演化出了和复杂生物大脑相似的结构特征。研究人员把人工网络嵌入参照人脑解剖结构搭建的三维虚拟空间，同时对远距离连接施加惩罚，模拟真实大脑里长距离神经布线高昂的代谢成本，倒逼网络形成高效的连接方式。
只靠这个约束条件，还不足以催生复杂结构；但叠加好奇心机制之后，一系列类脑特征就显现出来。例如， 好奇心网络长出了分层模块化结构：内部高度互联的功能区块之间互相连通。 波利还观察到一个让他意外的发育规律：网络连接密度先上升、再下降。他说：“当时我觉得很奇怪。” 但这和人脑发育过程高度吻合：人出生第一年，神经元之间负责传递信号的突触数量快速暴涨，随后进入修剪阶段，无用的连接被清除。他推测，好奇心驱动个体主动寻找信息增益最高的学习任务，这一机制“可能和突触的取舍筛选过程有关”。 研究人员把网络连接密度的变化曲线和人脑发育标准曲线对照，估算每一套网络对应的“生理年龄”。结果显示，那些好奇心最强、结构最接近人脑的网络，发育阶段更成熟，对应年龄约 20 岁；而缺少好奇心、布线模式不对的网络，则停留在更早阶段，对应年龄约 9 岁。
德国哥廷根大学的阿里雷扎 · 莫迪尔沙内奇（Alireza Modirshanechi）认为，好奇心提升学习效率并不令人意外 —— 它能避免我们在过难或者过简单的事情上浪费精力。“你会优先去学那些最适合学习的内容。” 但这项研究提出， 好奇心可以催生出类脑架构 ，这个结论“非常出人意料”。他表示：“如果属实，这是一个分量很重的论断。”他认为还需要验证：如果给予足够长的训练时间，不带好奇心的网络会不会只是速度更慢，最终也长出相似结构。 波利对此的看法是：在基础训练任务上，无好奇心网络和好奇心网络表现一样好，所以它们没能形成复杂认知、类脑结构，并不单纯是学得慢。“我认为就算延长训练时长，它们也基本维持原样。好奇心真正改变的是网络的学习方式。” 即便如此，波利表示这项发现也凸显了好奇心在教育里的价值。强迫孩子长时间固定做同一件事的环境，“尤其在幼年阶段，可能会起到反效果”。“这取决于我们想要培养什么。如果我们看重长时间专注完成单一任务的能力，那就要专门训练这项能力。”而如果我们重视好奇心与认知能力，就应该优先给孩子提供多种活动选择，“然后让他们在范围内自主探索”。
IT之家注意到，这项研究也参与到关于柔性、类人人工智能发展方向的讨论中。波利说，绝大多数 AI 研究只是“把系统做得更大”，不断消耗更多数据与算力。他提出，想要实现复杂认知，打造好奇心驱动、学习模式贴近人类的 AI 或许是一条可行路径。演化本身没有无限资源，而资源约束恰恰催生出精巧的方案。“有时候，这些限制条件，正是我们变得出色的原因。” 不过莫迪尔沙内奇并不认为 AI 开发者就必须调转方向。他说，ChatGPT 这类大语言模型已经证明，规模扩展路线是有效的。但融入好奇心原理，有望打造出更贴合人类需求的系统：比如模型会主动提问，弄清用户真实意图之后，再输出长篇回答。
参考资料： https://www.biorxiv.org/content/10.64898/2026.07.02.735826v2
