果蝇嗅觉学习与人工智能的多模块趋同架构：自适应学习的跨学科启示

本刊推荐：为解析生物智能(BI)与人工智能(AI)在动态环境中的自适应学习机制，研究者聚焦果蝇嗅觉学习系统的多模块层级架构，发现其巧妙融合了机器学习中的集成学习(EL)与混合专家模型(MoE)策略。该研究揭示了果蝇蘑菇体(MB)通过稀疏激活、功能分区的Kenyon细胞(KCs)和区室化连接，协同实现泛化增强与干扰抑制，为开发类脑自适应AI模型提供了新思路，推动NeuroAI领域的跨学科融合。

　　

在动态且充满不确定性的环境中，生物智能（Biological Intelligence, BI）与人工智能（Artificial Intelligence, AI）虽起源迥异，却共同追求强大的自适应学习能力。生物系统经过亿万年的演化，形成了以稳健性为核心的学习策略；而人工系统则多在静态设定下追求任务性能的极致化。这种差异促使科学家思考：能否从生物大脑的精细结构中提炼出通用计算原理，以弥补AI在适应性与泛化能力上的不足？果蝇（Drosophila）作为模式生物，其大脑结构清晰且行为复杂，尤其是嗅觉学习相关的蘑菇体（Mushroom Body, MB）环路，为这一跨学科探索提供了理想窗口。

近期发表于《iScience》的一项研究通过比较果蝇MB的层级多模块架构与机器学习中的两类经典方法——集成学习（Ensemble Learning, EL）和混合专家模型（Mixture-of-Experts, MoE），揭示了二者在解决“泛化促进”与“干扰抑制”问题上的趋同策略。该研究不仅阐明了生物学习系统的设计智慧，还为构建更适应动态环境的AI模型提供了生物启发式蓝图。

关键技术方法

研究通过整合果蝇全脑连接组数据（whole-brain connectome），解析了MB中Kenyon细胞（KCs）的类型划分（γ、α'/β'、α/β）、区室化连接模式及其与多巴胺神经元（DANs）、MB输出神经元（MBONs）的特异性突触联结。结合计算建模，对比了EL（通过模型多样性提升泛化）与MoE（通过稀疏路由缓解干扰）的机制异同，并提出了融合二者优势的类脑持续学习框架。

研究结果

1. 果蝇嗅觉学习系统的多模块层级架构

果蝇MB在脑区、神经元群体和区室三个层面呈现功能分化：嗅觉信息经触角叶（Antenna Lobe, AL）处理後，分别投射至MB（学习记忆中心）和侧角（Lateral Horn, LH，先天行为中枢）。MB内的KCs通过稀疏激活（约5%细胞）编码气味身份，其轴突进一步分为α、β、α'、β'、γ五个叶，每叶再按DANs/MBONs连接模式划分为五个功能区室（Compartment）。例如，γ-KCs负责短期记忆（Short-Term Memory, STM）形成与遗忘，α/β-KCs参与长期记忆（Long-Term Memory, LTM）固化，各区室通过特异性 valence（奖惩信号）调制行为输出。

2. 机器学习中的多模块策略与生物机制对照

EL通过组合多个模型提升对同一数据分布的泛化能力，但其技术挑战在于模型多样性诱导、资源效率与集成策略；MoE则通过路由函数将输入稀疏分配至特定专家模型，以学习不同分布并减轻干扰。研究指出，MB的架构同时体现了EL与MoE的核心思想：KC类型和区室的自然分化实现了模型多样性（EL优势），而稀疏激活和区室特异性路由则契合MoE的干扰抑制机制。

3. 生物策略对技术挑战的化解

• •
  稀疏性（Sparsity）：PN→KC的高维随机投射、KC自身阈值特性及前配对侧神经元（Anterior Paired Lateral, APL）的反馈抑制，共同实现气味表征的稀疏化，减少任务间干扰。
• •
  多样性（Diversity）：KC类型（γ、α'/β'、α/β）与区室的功能专化（如γ1-γ2介导惩罚、γ4-γ5介导奖励）自然形成模型差异。
• •
  效率（Efficiency）：MB通过任务依赖的区室选择性激活（如STM优先调用γ-KCs）实现计算资源优化。
• •
  集成（Integration）：多巴胺信号与局部突触可塑性动态协调各區室输出，如背配对内侧神经元（Dorsal Paired Medial, DPM）和APL通过抑制性调控平衡行为决策。

4. 跨学科模型构建与验证

作者提出一种双层级计算模型：底层模块（对应γ-KCs）处理当前任务，顶层模块（对应α/β-KCs）固化历史知识，中间层（α'/β'-KCs）介导知识蒸馏或参数平均。该模型在持续学习任务（如Split CIFAR-100）中展现出优于传统EL或MoE的适应力，验证了生物架构的可行性。

结论与意义

果蝇MB的多模块架构通过自然演化实现了EL与MoE的协同融合，其稀疏编码、区室化分工与动态路由机制为AI模型提供了解决“灾难性遗忘”（Catastrophic Forgetting）和任务泛化的新思路。同时，该研究呼吁神经科学实验进一步解析序列学习中的记忆保护与干扰化解机制（如Rac1介导的遗忘通路）。这一跨学科对话不仅推动NeuroAI领域发展，也为理解生物自适应学习的计算本质开辟了新路径。