最近，Nature 發表了一篇非常有意思的文章——《A critical initialization for biological neural networks》。這篇文章討論的并不是傳統意義上的“學習算法”，而是在追問一個更根本的問題：為什么生物大腦能夠如此高效地學習？為什么動物在出生后幾乎不需要大量訓練，就能迅速適應環境、形成行為甚至掌握復雜認知能力？

過去幾十年，無論是神經科學還是人工智能領域，一個默認前提都是：智能主要來源于后天學習。但這篇文章提出，真正關鍵的可能并不是后天訓練，而是神經網絡在出生時是否已經被初始化到一種“適合學習”的狀態。換句話說，大腦真正厲害的地方，可能并不是學習本身，而是它在開始學習之前，就已經擁有了一個高度優化的結構基礎。

論文概要

項目

內容

論文標題

A critical initialization for biological neural networks

發表期刊

Nature

核心觀點

生物神經網絡存在“關鍵初始化”

研究方向

神經科學 × AI × 發育生物學

主要思想

學習效率來源于先天網絡結構，而不僅是后天訓練

AI啟發

當前AI可能忽略了最重要的問題——初始化

這篇文章實際上是在重新定義“學習”本身。作者認為，生物神經系統并不是像當前人工神經網絡一樣，從隨機參數開始慢慢訓練。相反，大腦在出生之前，就已經通過發育和演化，被組織成一種非常適合學習的狀態，因此后續經驗更多是在已有結構上的微調，而不是從零開始構建能力。

為什么動物學習速度遠超AI？

文章一開始提出了一個很經典但經常被忽略的問題：為什么很多動物幾乎不需要訓練，就能迅速形成復雜行為？比如小鹿出生后幾個小時就能站立，嬰兒天然偏好人臉，幼鳥能夠快速識別危險，而當前人工智能模型往往需要海量數據和長時間訓練，才能完成類似任務。

作者認為，這種差異背后的關鍵，并不在于學習規則，而在于初始網絡結構是否正確。當前AI大多采用隨機初始化，再通過數據不斷優化參數；而生物神經網絡則可能在出生前，就已經形成了特定的連接拓撲、興奮與抑制平衡、動態傳播特征以及穩定的信息處理模式。因此，生物學習并不是“從無到有”，而是在一個已經高度組織化的網絡中快速適應環境。

文章真正核心：臨界狀態（criticality）

這篇文章最重要的理論核心，其實是“criticality（臨界性）”。這是復雜系統科學中的經典概念，簡單來說，就是系統既不能過于穩定，也不能過于混亂，而是需要位于秩序與隨機之間的邊界狀態。

作者認為，大腦在出生時就已經被初始化到了這種“臨界狀態”。在這種狀態下，神經網絡的信息傳播效率最高，對外界刺激最敏感，同時又能保持整體穩定，因此既具備高可塑性，又不會陷入噪聲失控。

文章認為，很多生物智能的本質，都可能來源于這種臨界動態結構。因為在過度穩定的網絡中，信息很難傳播，學習能力會下降；而在過度混亂的網絡中，信號又會被噪聲淹沒，無法形成穩定記憶。只有位于臨界點附近，系統才同時具備復雜行為生成能力與快速學習能力。

演化真正優化的，可能不是行為，而是初始化

文章里一個非常高級的觀點是：演化真正優化的，也許并不是具體行為，而是神經網絡的初始結構。

傳統觀點通常認為，動物依賴后天經驗形成行為；但作者提出，從更長時間尺度來看，真正“學習”的其實是物種演化本身。數億年的自然選擇，并不是直接編碼某種行為，而是在不斷優化神經網絡的初始拓撲和動態特性，使每個個體出生時，就已經擁有一個“適合學習”的大腦。

這其實和當前AI的發展方向非常像。因為現在大模型最重要的部分，并不是后續微調，而是大規模預訓練形成的基礎模型。作者甚至認為，生物大腦本質上也是一種經過長期演化“預訓練”的系統。

為什么這對AI特別重要？

文章對人工智能最大的沖擊在于，它暗示當前AI的發展方向可能存在一個根本問題：大家都在關注更大的模型、更長的訓練、更高的算力，但真正被忽略的，可能是初始化本身。

當前深度學習模型通常從隨機權重開始訓練，因此需要巨量數據和極高能耗；而生物神經網絡由于已經被演化優化到接近“臨界狀態”，所以只需要少量經驗，就能迅速形成復雜能力。

因此，作者提出未來AI可能需要一種新的方向：developmental initialization（發育式初始化）。也就是說，AI不應該直接從隨機參數開始，而應該先經歷類似神經發育的階段，逐漸形成適合學習的網絡結構，然后再進入真正的學習過程。

發育生物學可能比學習本身更重要

文章還把這個理論進一步連接到了發育生物學。作者認為，胚胎時期的大腦發育過程，其實不僅是在“長出大腦”，更是在完成神經網絡的初始化。

包括神經元遷移、軸突導向、突觸修剪、興奮與抑制平衡形成，以及睡眠相關活動等過程，都可能是在把神經網絡推向一種適合學習的臨界狀態。因此，很多所謂“關鍵發育窗口”，本質上可能是在完成網絡動態結構的建立，而不僅僅是簡單的生長。

這也能解釋為什么兒童時期的大腦具有極高學習能力。因為相比成年人，兒童大腦更加接近臨界狀態，網絡更敏感、更動態、更容易形成新連接，因此語言學習、認知形成和環境適應速度都遠高于成年后。

這篇文章為什么值得關注？

這篇 Nature 最吸引人的地方在于，它并不是單純討論“神經網絡如何學習”，而是在重新思考：為什么神經網絡能夠學習。

它把神經科學、復雜系統、發育生物學和人工智能連接到了一起，并提出了一個非常重要的思想：

智能可能并不是訓練出來的，而是“初始化”出來的。

真正決定系統是否能夠高效學習的，也許不是后天經驗本身，而是系統在開始學習之前，是否已經被組織到了正確的狀態。

而生物演化，可能早已替大腦完成了數億年的“預訓練”。