Nature子刊 | 基于内生复杂性，自动化所新类脑网络构筑人工智能与神经科科学的桥梁
内容提要
中国科学院自动化研究所与清华大学、北京大学合作，提出了一种基于内生复杂性的类脑神经元模型构建方法，通过模拟生物神经元的复杂动力学，构建更高效的AI模型。研究团队通过理论证明了HH模型与LIF模型在动作电位产生机制上的等效关系，并通过实验证明了内生复杂性模型在处理复杂任务时的有效性和可靠性。该研究为将神经科学的复杂动力学特性融入人工智能提供了新的方法和理论支持。
延伸解读
内生复杂性的核心思路
文章提出“内生复杂性”概念，即通过模拟生物神经元的复杂内部动力学（如离子通道）来构建单个神经元模型，而非单纯扩大网络规模。这种方法旨在用更小的网络实现与大规模传统网络相当的性能，从而缓解计算资源和能源消耗问题。
HH与LIF模型的等效关系
研究理论证明了一个HH神经元可与四个时变参数LIF神经元（tv-LIF）以特定连接方式形成的微结构等效，每个LIF神经元对应HH模型中的一个离子通道。基于此，团队进一步简化出s-LIF2HH模型，为在脉冲神经网络中引入内生复杂性提供了理论依据和简化路径。
实验验证与性能优势
在多任务分类和深度强化学习实验中，HH网络模型与更大规模的s-LIF2HH网络性能相当，且优于更大规模的一般LIF网络。在添加高斯噪声的鲁棒性测试中，HH网络和s-LIF2HH网络性能下降更小，同时HH网络在内存和计算时间消耗上更高效。
未来方向与潜在影响
研究团队已着手探索更大规模HH网络以及多分枝多房室神经元，以进一步提升内生复杂性。若成功，这种基于内生复杂性的小网络模型有望在保持性能的同时降低计算成本，并提高模型可解释性，推动AI在更广泛场景中的落地。
Q&A
什么是基于内生复杂性的类脑神经元模型？
基于内生复杂性的类脑神经元模型是通过模拟生物神经元的复杂动力学特性，构建更高效的人工智能模型的方法。
HH模型与LIF模型有什么关系？
HH模型与LIF模型在动作电位产生机制上存在等效关系，HH模型可以与多个LIF神经元以特定方式连接形成的微结构等效。
内生复杂性模型在处理复杂任务时的表现如何？
内生复杂性模型在处理复杂任务时表现出有效性和可靠性，能够在多任务学习和深度强化学习中取得良好效果。
为什么传统的AI模型面临计算资源和能源消耗问题？
传统的AI模型基于外生复杂性，通常需要更大、更深的网络结构，导致高昂的计算资源和能源消耗。
HH网络模型在鲁棒性方面的表现如何？
HH网络模型在多任务学习和深度强化学习中表现出更强的鲁棒性，能够在噪声影响下保持较好的性能。
未来内生复杂性在AI研究中的重要性是什么？
未来内生复杂性将成为AI研究的重要方向，有助于构建更高效的AI模型并推动技术的广泛应用。
