-
郑庆华：《人工智能要重视机器记忆智能》
2026-03-21 18:10:00
作者：郑庆华（中国工程院院士，同济大学党委书记，教授》
当前大模型主要面临四个方面的局限。其一，过度消耗数据与算力。参数规模动辄千亿乃至万亿级，需要海量数据拟合并消耗巨大算力与能源；推理模型因生成大量“思考”Token，能耗进一步攀升。其二，灾难性遗忘。在面向新任务微调时，模型通过全局参数更新适配新数据，却以牺牲既有知识为代价，难以实现真正的持续学习。其三，抽象能力弱。模型更擅长从大数据中提取统计模式，而非形成对概念本质的深层理解，推理鲁棒性差，出现各类幻觉。其四，黑盒难解释。复杂网络结构与高度非线性映射，使推理过程难以解释与溯因，更难以“知错就改”。
究其根源，在于当前人工神经网络架构、训练与推理机制的固有局限。首先，人工神经网络架构缺乏可塑性，缺少与问题背后机理的联系，难以刻画因果关系。其次，训练时反向传播机制以全局误差为优化目标，迭代更新所有参数，消耗大量训练数据与算力，并导致遗忘。再次，推理时所有参数都参与正向传播运算，消耗大量算力。这些根源性问题进一步导致大模型存在幻觉、可控性差、鲁棒性不足等缺陷。更为严峻的是，大模型的原创概念、核心技术与算力生态是由美国打造和主导，所做的是“延长线”式的工作。回顾人工智能发展历史，脑科学一直推动着人工智能的发展，今天的大模型正是借鉴了大脑在网络拓扑、信息表征以及编码机制方面的理论。因此，深度借鉴脑科学的研究成果，有望找到一条更加有效的机器智能发展路径。
受此启发，我们提出了人脑记忆智能启发的机器智能新思路。脑科学的研究表明：记忆是智能的基础，深刻影响人脑学习、抽象、联想、推理等高级认知活动。第一，记忆的稀疏激活、预测编码等机制使人脑高度节能。人脑针对特定任务一般只激活约1%～4%的神经元，预测编码则减少了冗余信息处理，使得人脑高效提取记忆，快速学习新信息。第二，突触可塑性与吸引子机制是人类持续学习的基础。大脑采取局部学习策略，仅更新少量特定脑区的突触连接；同时人脑吸引子具有良好的抗噪声能力，能回忆出完整信息，避免了灾难性遗忘。第三，抽象−具象协同机制使得人脑能快速适应新任务、新场景。大脑能从具象信息中提取抽象概念，并将二者关联，形成完整、灵活且高效的记忆表征。第四，抽象与联想协同使得人脑推理更具逻辑性与可解释性。抽象有助于人脑在不同场景中进行类比和推理，联想因其连贯思维使得推理可解释。这些机制共同铸就了人脑低功耗、小样本、强泛化、可解释的智能特征，为设计机器记忆智能提供了天然蓝图。
“机器记忆智能”的核心思想是将人脑记忆机理引入机器智能的表征、学习与推理过程。以吸引子为机器记忆基本单元，构建“层间抽象−层内联想”的表征结构；借鉴突触可塑性与稀疏激活机制，形成低功耗、小样本、强泛化的持续学习机制；将联想−混沌的动力学引入记忆激活与推理过程，实现过程可解释、结果能溯因并在不符合常识的环境下具有探索性推理的能力。机器记忆智能有望从根本上摆脱传统数据驱动的路径依赖，推动人工智能与脑科学深度交叉融合，走出一条不同于大模型的人工智能自主创新发展之路。
作者介绍：
郑庆华：中国工程院院士，同济大学党委书记，教授、博士生导师，中国计算机学会会士，中国人工智能学会会士，智能网络与网络安全教育部重点实验室主任，教育部科技委学部委员，教育部大学计算机教学指导委员会主任，国家杰出青年基金获得者，国家自然科学基金创新群体负责人。曾任西安交通大学党委常委、副校长，西安交通大学常务副校长（正局级）。2023年2月任同济大学校长（副部长级）、党委副书记，2025年4月，任同济大学党委书记。郑庆华院士长期从事大数据知识工程领域的科学研究。主导的国家级研究项目超过40项，包括国家自然科学基金会、863计划、国家杰出青年科学基金等重大、战略级的项目，其中很多是教育大数据、税务大数据等响应国家建设需要而推动的项目。在IEEE TPAMI、TKDE、IJCAI等发表论文180余篇。成果荣获国家科技进步二等奖3项、国家教学成果一等奖1项、二等奖2项、省部级一等奖5项，获2022年度何梁何利基金“科学与技术进步奖”，中国自动化学会科技进步特等奖，并先后获得中国科协“求是”杰出青年奖、中国青年科技奖、国务院政府特殊津贴专家、宝钢优秀教师特等奖、全国高等学校优秀骨干教师、全国信息产业科技创新先进工作者等荣誉。
邀请老师演讲、授课请致电：19821197419 阎老师[微信同号]
免责声明：以上内容（包括文字、图片、视频）为用户上传并发布，本平台仅提供信息存储服务。如涉及版权问题，请联系我们并提供版权证明，我们将立即删除！
手机:19821197419
地址:上海市闵行区莲花南路1951号
