在人工智能领域，如何让AI产品既能持续学习新知识，又不遗忘旧信息，始终是核心难题。一个来自神经科学的前沿实验——小鼠在人工冬眠后突触大规模消失，但记忆却几乎毫发无损——为这个难题提供了意想不到的线索。从AI原理的角度看，这恰恰揭示了生物神经网络中一种精妙的“稳定性-可塑性”平衡。本文将从这项研究出发，带你深入理解记忆的本质，以及它如何启发下一代AI产品。
记忆的物理基础：突触的“潮汐”与“雕刻”
长久以来，学术界的主流假设认为，记忆的存储依赖于神经元之间突触连接的结构性变化。当你学习一个新知识时，相关神经元之间的连接会增强，突触的物理尺寸会增大，形成所谓的“记忆痕迹”。这一点与当前AI原理中的神经网络权重调整极为相似——权重越大，连接越强，信号传递越高效。
然而，神经科学家发现了一个令人困惑的事实：突触的状态是高度动态的，它们会不断变化、重组甚至消失。日本冲绳科学技术大学院大学的神经科学家田中一将（Kazumasa Tanaka）指出：“如果你比较第一天和第四天或第五天的突触排列，会发现它们有着天壤之别。”这种“突触可塑性”是大脑学习和记忆的基础，但也带来了一个巨大的谜题：既然神经元硬件每几天就“更换”一次，那些持续数年甚至数十年的长期记忆是如何“锚定”下来的？
这正是科技深度研究所要回答的核心问题。在2025年发表于《科学》杂志的一篇论文中，田中团队用一种极端实验来放大这种变化：他们让小鼠进入类似冬眠的状态，然后观察突触的存亡。结果令人震惊——超过一半的突触被“抹去”，但小鼠的记忆测试结果却显示，它们并没有忘记之前学到的内容。
冬眠实验：人工诱导下的突触“大清洗”
冬眠是松鼠、仓鼠和熊等动物的特技，但引发冬眠的神经回路在所有哺乳动物中都是保守的，包括那些在野外从不冬眠的物种——比如小鼠。2020年6月，筑波大学的樱井武（Takeshi Sakurai）团队成功开发了一种技术，可以人工激活小鼠下丘脑中的一个特定神经回路，从而诱导其进入类似冬眠的低代谢状态。
在田中团队的最新实验中，他们利用这项技术让小鼠进入为期数天的“强迫冬眠”状态。在此期间，小鼠的体温、心率和代谢率急剧下降，大脑活动也大幅减少。当他们解剖小鼠大脑并分析突触密度时，发现超过50%的突触已经消失——这听起来像是记忆的灾难。但令人意外的是，当小鼠苏醒后，它们对之前学过的逃避条件反射任务仍然记忆清晰，与未冬眠的对照组几乎无差异。
这一结果颠覆了“突触是记忆唯一载体”的传统认知。田中团队推测，可能存在一种“记忆突触精选”机制：在冬眠期间，虽然大量突触被清除，但那些代表核心记忆的突触被优先保留，或者记忆以某种更抽象的形式（如神经元的放电模式）被存储在其他地方。这不禁让人联想到AI产品中的模型压缩技术——通过剪枝去掉冗余参数，保留关键权重，从而达到模型轻量化而不损失性能。
从突触消失到AI原理：稳定性与可塑性的平衡
生物记忆的持久性，某种程度上可以看作是对“稳定性-可塑性困境”的完美解答。在AI原理中，神经网络面临着类似的挑战：如果学习率过高，模型会快速适应新数据，但也会轻易遗忘之前学到的内容（灾难性遗忘）；如果学习率过低，模型则难以吸纳新知识。
冬眠实验中的突触“大清洗”提供了一个新的视角：大脑并非一直小心翼翼地维护每一个突触，而是允许大规模的重置，同时依靠某种“元记忆”机制来保护关键信息。这种机制可能包括：将重要记忆编码到神经元群体放电模式的“吸引子”状态中，而非依赖单个突触；或者通过突触稳态缩放（synaptic scaling）来维持整体平衡。
从科技深度的角度来看，这为AI产品设计提供了重要启发。例如，在大型语言模型的训练中，我们可以借鉴“突触精简化”思路，在训练过程中定期进行“冬眠式”的权重剪枝，同时保留代表核心知识的参数，并用一种“记忆回放”机制来巩固关键信息。这与当前的AI Agent技术中使用的经验回放池有异曲同工之妙，但生物大脑的版本显然更加高效。
AI产品如何借鉴生物记忆机制
当前市场上许多AI产品——从智能语音助手到推荐系统——都面临一个共同的痛点：它们很难在长时间跨度内保持对用户偏好的“记忆”。例如，一个对话AI在连续对话中可能会忘记用户之前提到的细节，而需要用户重新输入。这正是“稳定性-可塑性”困境在应用层面的体现。
受冬眠实验启发，一些前沿研究开始探索将生物记忆的“突触标记”与“突触巩固”机制引入AI产品。具体做法包括：
1. 关键记忆标记：在模型训练过程中，实时评估每个参数对重要任务输出的贡献度，对高贡献参数进行“标记”，在后续的剪枝或重训练中优先保护它们。这类似于大脑中只有与长期记忆相关的突触才会被保留。 2. 周期性记忆回放：模拟冬眠期间的低代谢状态，在AI产品中设计“离线巩固”阶段，让模型在低资源模式下反复重放关键样本，强化核心连接。这类似于人类睡眠期间记忆的巩固过程。 3. 动态网络重塑：当AI产品需要学习新任务时，允许部分旧的连接被“清除”，但通过一种“上下文门控”机制来激活之前存储的吸引子状态，从而避免灾难性遗忘。
这些方法已经在一些实验性AI产品中取得了初步效果。例如，使用AI画图工具生成图像时，模型如果能够记住用户之前喜欢的风格，并在后续创作中持续保留，用户体验将大幅提升。同样，文生图应用如果能像大脑一样在“冬眠”后仍保持对用户偏好的记忆，就能在每次生成时提供更连贯的创意输出。
未来展望：科技深度下的神经-数字融合
这项研究不仅挑战了我们对记忆本质的理解，也打开了跨界融合的新大门。想象一下，未来的AI产品或许会内置一个“冬眠模式”——在用户不使用时，系统自动进入低功耗状态，同时进行内部突触的“精简化”与“巩固”，从而在保持高性能的同时降低能耗。这与当前AI工具箱中常见的模型量化、知识蒸馏等优化技术有着异曲同工之妙，但生物启发的版本可能更加鲁棒。
另一方面，神经科学自身也在借助AI工具来加速研究。例如，利用AI图片生成技术来模拟突触在不同条件下的变化，或者用AI诗词生成算法来探索大脑中语言记忆的编码方式。这种双向的科技深度交流，正在推动两个领域共同进步。
当然，我们也要清醒地认识到，小鼠大脑与当前的人工神经网络仍有巨大差异。生物突触的化学信号传递机制远比数字权重复杂，记忆的存储也涉及表观遗传、神经调质等多重因素。但正如田中一将所说：“理解大脑如何解决稳定性-可塑性困境，可能正是设计真正通用AI的关键。”
在未来的AI产品中，我们或许能看到更多“生物特征”的引入：周期性突触清洗、关键记忆标记、离线巩固……这些机制如果能够有效实现，将让AI产品拥有更接近人类的长时记忆能力，从而在智能交互、个性化推荐、自动驾驶等场景中表现出更自然的行为。而这一切，都始于一只冬眠小鼠体内那场无声的“突触大清洗”。
FAQ
什么是突触可塑性？它与AI原理有什么关系？
突触可塑性是指神经元之间突触连接强度随时间动态变化的能力，是学习和记忆的基础。在AI原理中，神经网络权重的调整就是一种人工突触可塑性。两者都面临“稳定性-可塑性困境”：如何在不遗忘旧知识的前提下学习新知识。冬眠实验揭示了生物大脑通过大规模突触删除和选择性保留来解决这一困境，为AI模型设计提供了重要参考。
生物神经网络与人工神经网络的主要区别是什么？
生物神经网络拥有约860亿个神经元，每个神经元通过数千个突触连接，突触本身具有化学和电信号的双重调节机制；而人工神经网络中的“神经元”只是数学函数，权重是标量值。最大的区别在于生物记忆并非完全依赖单个突触，而是通过神经元群体放电模式、神经调质等复杂方式实现，而人工神经网络目前主要依赖权重矩阵。此外，生物大脑具有强大的自修复和节能能力，而AI模型通常需要大量计算资源。
如何利用神经科学原理改进AI产品？
可以从三个层面入手：1）在训练阶段引入“关键记忆标记”算法，保护重要权重；2）在推理阶段设计“离线巩固”周期，模拟睡眠或冬眠中的记忆回放；3）在模型架构中增加“吸引子网络”模块，使记忆以稳定状态存储。例如，AI工具导航中的一些推荐系统已经开始尝试周期性重训练与知识蒸馏结合，以缓解灾难性遗忘。未来，AI产品有望通过生物启发的优化策略，实现更长时间的记忆保持和更低的能耗。