虽然人们时常将人工智能与人脑进行类比，但事实上，当前AI的运行机制与人类大脑存在本质差异。如今，一支科研团队提出了一种更贴近生物学原理的新型学习方法，他们认为这或许能帮助我们实现人脑般无与伦比的能效。

现代深度学习技术至少从生物学中获得了部分启发——它通过构建模拟“神经元”的大型计算网络，利用连接强度来编码信息。但最关键的差异在于这些神经元彼此沟通的方式。

人工神经网络通常采用分层结构，每个神经元几乎都连接到下一层的所有神经元。信息在各层之间以高度同步的方式传递，数字决定了神经对之间的连接权重。而生物神经元则通过发射“尖峰”电脉冲进行交流，每个神经元拥有自己的时间表。它们的连接并非规整的层级，而是充满反馈回路——神经元的输出往往会反过来影响它自身的输入。

这种基于尖峰脉冲的通信方式在能量效率上具有巨大优势。这正是为什么训练最强大的AI需要几千瓦的电力，而人脑只消耗20瓦。因此，研究者们持续探索人工尖峰神经网络以及“神经形态硬件”——那些模拟大脑物理结构与原理的计算机芯片，以期更高效地运行这类网络。

然而，目前对尖峰方法的理解仍远未成熟，且尖峰网络在性能上往往难以匹敌传统人工神经网络。不过，近日奥地利格拉茨工业大学的研究人员宣称，他们找到了一条新路径：运用与尖峰神经网络兼容、更贴近生物机制的学习方法，充分释放深度学习的潜力。

在深度学习训练过程中，通常流程是：让网络基于数据做出预测，随后评估预测结果与真实答案之间的误差，再将误差通过网络反向传播，用于调整神经元之间的连接强度。这一流程称为“反向传播”。经过多轮迭代，网络逐步被优化至能够准确预测的状态。

理论上，这类方法也能应用于尖峰神经网络，但代价是巨大的内存开销。然而，大脑显然并非采用这种方式：反向传播要求误差信号在时间和空间上，通过神经元之间的突触逆向传递，这在生物学上完全不可行。

这促使研究者（同时也是人脑项目成员）重新审视两个在实验神经科学中较为明确的特性：第一，每个神经元会保留一段近期活动的“记忆”，以分子标志物形式存在并随时间逐渐衰减；第二，大脑提供自上而下的调控信号，例如借助多巴胺等神经递质来调节神经元群体的行为。

在一篇发表于《自然·通讯》的论文里，奥地利研究团队介绍了如何为上述两个特征构建人工模拟物，进而创造出一种新型学习模式——他们将其命名为“e-prop”。尽管该方法的训练速度慢于基于反向传播的方式，但其性能表现却能达到可比较的水平。

更关键的是，该方法支持在线学习。这意味着它无需一次性处理海量数据（频繁在内存与计算单元之间传输数据正是机器学习高能耗的主因），而是利用当前可获取的数据边学习边更新。这一特性大幅降低了内存和能量需求，也使得在小型移动设备上实现片上学习变得更加可行。