从脑科学反哺 AI：表征、架构与样本效率（Sean Escola）
Sean Escola 在 CSHL Leading Strand 演讲中主张，AI 应借鉴脑以「神经元样数学对象」编码信息并约束推理路径，从而提升样本效率，而非依赖堆数据与算力。他指出当前 AI 依赖互联网级数据，而神经科学提示更完整的结构化表征（即「cognitive dark matter」）可在更少样本下提升学习效果。该观点属于 AI4Science 中「脑→AI」方向。
Sean Escola 从神经科学视角谈如何改进 AI：主张让模型按脑的方式（神经元样数学对象）编码信息、约束其「思考」，以提升样本效率，而非单纯扩大数据/算力。
- 核心命题：脑以「神经元样数学对象」组织信息，AI 模型被训练的方式（依赖海量数据）与脑结构不同；主张让模型按脑的方式编码信息、约束其「思考」。
- 样本效率：当前 AI 基础设施依赖整个互联网的数据；神经科学提示更完整的表征可提升样本效率（「cognitive dark matter」提法）。
- 架构借鉴：主张 AI 应像人脑那样结构化表征，而非单纯扩大数据/算力。
- 定位：AI4Science（神经科学启发的 AI / 表征学习）；与 #60（钙成像 ML）、#61（Zador 神经×AI）互补的「脑→AI」方向。
神经科学与人工智能的交叉由来已久：卷积网络借鉴了灵长类视觉层级的结构，早期比较研究甚至发现，以工程目标设计的模型与灵长大脑的内部表征空间惊人地相似 [2]；在系统神经科学一侧，以目标函数、学习规则和架构为核心的深度学习设计框架，也被认为可以反过来推动对大脑的理论与实验研究 [1]。但卡点同样明显：两个领域近年的交流与协作反而不那么常见，“更好地理解生物大脑对构建智能机器至关重要”这类判断更多停留在综述层面的论证 [3]；而现有人工网络本来就是为工程目标设计的，并非为了模拟大脑计算 [2]。AI 的进步主要靠数据与算力堆叠，大脑以极少样本完成学习的能力，迟迟没有转化为可操作的设计原则。
在这条 12 分钟的 CSHL Leading Strand 专家解读中，Sean Escola 给出了“脑→AI”方向的具体主张。他的核心命题是：大脑以“神经元样数学对象”来组织信息，而当前 AI 模型的训练方式依赖整个互联网量级的数据，与脑的结构并不相同；因此应当让模型按脑的方式编码信息，并约束其“思考”过程，以提升样本效率，而非单纯扩大数据与算力。他用"cognitive dark matter"的说法提示，神经科学中尚未被充分转化的知识可能指向更完整的表征，而更完整的表征正是样本效率的来源；在架构层面，AI 也应像人脑那样结构化地表征信息。该解读属于 AI4Science 中“神经科学启发的 AI / 表征学习”脉络，与此前钙成像机器学习（#60）和 Zador 的神经×AI（#61）形成互补。
相对已有认识，这一主张把讨论从两个领域应当加强互鉴的呼吁 [3]，以及用深度学习框架研究大脑的 AI→脑路径 [1]，推进为一条更具体的方向：把脑式表征作为对模型的约束，并以样本效率而非单纯性能作为衡量维度。它也回应了既有观察的另一半——既然人工网络与大脑的表征空间存在相似性 [2]，那么沿表征这条线索主动向脑靠拢，或许能在数据依赖上换来回报。
当然，这目前更多是视角层面的主张：材料中并未给出按此思路构建模型并验证样本效率提升的实证结果，“神经元样数学对象”如何形式化、“认知暗物质”如何转化为模型可用的先验，都还是开放问题；这条路线能否在超越互联网级数据的任务上真正兑现，仍有待检验。
- 1.A deep learning framework for neuroscience · Nat Neurosci 2019
- 2.Deep Neural Networks: A New Framework for Modeling Biological Vision and Brain Information Processing · Annu Rev Vis Sci 2015
- 3.Neuroscience-Inspired Artificial Intelligence · Neuron 2017
来源：专家解读（YouTube） · youtube.com