由 Qubic 科學團隊撰寫
傳統人工神經網絡中信息的流動方式
在我們所知的人工智能模型中，信息輸入、編碼，通過代數矩陣轉化，併產生輸出。即使在最先進的架構中，如變換器，原理也是相同的：信號在一個結構化系統內通過一系列明確定義的操作。該模型作爲一個定向處理電路工作，從左到右，輸入-輸出，或從右到左，通過反向傳播進行調整和訓練。
結果，衆所周知，是壯觀的。通過處理數百萬個語言參數，人工智能能夠給出華麗的答案，儘管也伴隨有一些幻覺。但是，如果目標不是處理輸入併產生輸出，而是構建能夠維持內部動態、持續適應、自我重組、調節學習並將智能作爲組織的一種屬性的系統，那麼當前的人工智能就顯得不足。
雖然人們有時將語言模型稱爲大腦的模仿，但實際上這更像是一個比較隱喻，而不是計算神經科學的模擬。生物系統並不以從左到右及反之的方式處理信息。信息通過網絡傳播，反饋給自己，並且根據上下文也會振盪、衰減或增強。
圖1. 傳統人工神經網絡中的左右信息流
不僅僅是神經元：星形膠質細胞在大腦功能和突觸可塑性中的作用
我們通常將認知和智能與神經元的功能、它們的受體和神經遞質聯繫在一起。但它們不是神經系統中唯一的細胞。很長一段時間以來，星形膠質細胞被認爲是致力於支持、清潔、營養和穩定環境的神經系統細胞。今天我們知道它們在調節中積極參與；事實上，有一個術語被使用：三元突觸，它們通過檢測神經遞質、整合來自多個突觸的信號、調節可塑性和修改電路的功能效能而積極參與。
一個活的網絡不僅由發射的神經元組成，還有調節系統如何、何時以及多少變化的星形膠質細胞。在生物學中，計算不僅僅是發出信號，還包括調節該信號將產生影響的領域。最近的研究表明，星形膠質細胞可以執行類似於自注意機制的歸一化操作，這些機制在變壓器架構中發現——將星形膠質細胞與神經元的互動直接鏈接到人工智能系統中的注意力類似計算。
圖2 生物星形膠質細胞和三元突觸
Neuraxon中的星形膠質細胞門控：生物啓發的神經網絡架構
Neuraxon 是一種試圖恢復和模擬大腦功能，並計算經典人工網絡過於簡化的功能屬性的架構。
正如我們在本學院的前幾卷中所解釋的，Neuraxon並不僅僅依靠傳統意義上的輸入、輸出和隱藏神經元。它引入了具有狀態的單元，模擬興奮性、抑制性或中性電位（-1、0、+1）。此外，它在考慮上下文和激活的近期歷史的連續時間動態中進行。網絡不再只是層的總和，而更像是具有內部生理的系統。有關這些基礎元素如何工作的更深入背景，請參見NIA第1卷：爲什麼智能不是以步驟計算的，而是隨着時間的推移，以及NIA第2卷：三元動態作爲生存智能的模型。
我們已經解釋了Neuraxon如何通過快速、慢速和神經調節受體模型傳遞——這是在NIA第3卷：神經調節和類腦人工智能中深入探討的機制。但現在我們還模擬了通過星形膠質細胞門控對可塑性的調節。
星形膠質細胞門控的多時間尺度可塑性（AGMP）如何工作
星形膠質細胞門控引入了一種受星形膠質細胞在三元突觸中作用啓發的門控。其理念是引入一個局部、緩慢且上下文相關的過濾器，以決定何時突觸修改應被打開、減弱或阻止。就好像系統可以考慮是否允許變化。這種方法直接解決了穩定性-可塑性困境，這是神經網絡持續學習中最基本的挑戰之一。
資格跡和局部突觸記憶
它是如何工作的？通過一種資格跡。這是一種局部記憶，表示“在這個突觸上發生了相關的事情”。它隨着時間的推移和在突觸前和突觸後活動之間的函數進行更新。也就是說：突觸積累了時間一致性或因果關係的地方證據。從那裏，有一種全局廣播信號，例如錯誤、可能的獎勵，或某種類似多巴胺的東西。星形膠質細胞門控選擇神經元是否處於學習狀態。在未來的版本中，如果這提供了計算優勢，星形膠質細胞可以調節成千上萬的突觸。
這種方法與最近在神經形態計算方面的進展一致，包括爲尖峯神經網絡提出的星形膠質細胞門控多時間尺度可塑性（AGMP）框架，該框架類似地增加了資格跡學習與一個緩慢的星形膠質細胞狀態，該狀態門控突觸更新——產生一個四因子學習規則（資格 × 調製信號 × 星形膠質細胞門 × 穩定化）。
內源性調節：爲什麼Neuraxon不僅僅是一個傳統的神經網絡
Neuraxon在QUBIC中並不在規模或任務性能上競爭。它通過具有內源性調節的架構工作。通過整合星形膠質細胞的原則，它開始像一個具有內部生態的網絡那樣運作。也就是說：一個系統，不僅激活哪些單元重要，而且組織的哪些領域是可塑的，哪些是穩定的，哪些區域在衰減噪聲，哪些在鞏固規律，哪些在準備自我重組。有關生物和人工神經網絡比較的全面概述，參見NIA第4卷：人工智能和神經科學中的神經網絡。
對於Aigarth和QUBIC而言，目標不是累積更多的參數，而是引入系統內更多的功能組織級別。
爲什麼星形膠質細胞門控對Aigarth和去中心化人工智能很重要
Aigarth不是一個靜態模型，而是一個通過能夠生長、突變、修剪、生成功能後代並在適應壓力下重新組織其拓撲的架構演變的組織。在這種背景下，Neuraxon貢獻了一些東西：爲居住在該組織中的單元提供豐富的計算微生理。
這對魯棒性、適應性和記憶有影響。也對可擴展性有影響。在大型架構中，問題不僅在於有許多單元，而在於如何協調系統的哪些部分可用於重新配置，哪些部分必須保持穩定。
在QUBIC的路線圖術語中，目標是構建智能不僅源於神經元計算，而是來自快速處理、慢速調製和結構演變之間的耦合。您可以通過HuggingFace Spaces上的互動Neuraxon 3D模擬親自探索這些動態，在這裏您可以從頭開始構建、配置和模擬Neuraxon 2.0網絡。
圖3. Neuraxon星形膠質細胞門控 - AGMP公式
科學參考文獻
Allen, N. J., & Eroglu, C. (2017). 星形膠質細胞與突觸相互作用的細胞生物學。神經元, 96(3), 697–708.
Halassa, M. M., Fellin, T., & Haydon, P. G. (2007). 三元突觸：神經膠質傳遞在健康和疾病中的作用。分子醫學趨勢, 13(2), 54–63。
Kofuji, P., & Araque, A. (2021). 星形膠質細胞與行爲。神經科學年鑑, 44, 49–67=
Perea, G., Navarrete, M., & Araque, A. (2009). 三元突觸：星形膠質細胞處理和控制突觸信息。神經科學趨勢, 32(8), 421–431。
Woodburn, R. L., Bollinger, J. A., & Wohleb, E. S. (2021). 星形膠質細胞激活的突觸和行爲效應。細胞神經科學前沿, 15, 645267=
Vivancos, D. & Sanchez, J. (2026). Neuraxon v2.0：新的神經生長與計算藍圖。ResearchGate預印本。
探索完整的Neuraxon智能學院
這是由Qubic科學團隊發佈的Neuraxon智能學院第5卷。如果您剛剛加入我們，請探索完整系列，以全面瞭解Neuraxon及Qubic對類腦分散式人工智能的科學方法：
NIA第1卷：爲什麼智能不是以步驟計算的，而是隨着時間的推移 — 探索爲什麼生物智能在連續時間中運作，而不是像傳統LLM那樣在離散計算步驟中。
NIA第2卷：三元動態作爲生存智能的模型 — 解釋三元動態以及爲什麼三態邏輯（興奮性、中性、抑制性）對建模生物系統很重要。
NIA第3卷：神經調節和類腦人工智能 — 涵蓋神經調節以及大腦的化學信號（多巴胺、血清素、乙酰膽鹼、去甲腎上腺素）如何激發Neuraxon的架構。
NIA第4卷：人工智能和神經科學中的神經網絡 — 生物神經網絡、人工神經網絡和Neuraxon的第三種路徑方法的深入比較。
Qubic是一個去中心化的開源網絡，用於實驗技術。要了解更多，請訪問qubic.org