这几年大模型发展得很快很多人开始认真讨论一个过去只属于哲学家的问题计算机系统能不能有意识但这类讨论大多停在“像不像人”的表面比较上比如模型会不会写诗、会不会撒谎、会不会在对话里表现出“自我意识”。如果你去看认知科学和神经科学那边的研究会发现学界切入这个问题的角度要锋利得多——他们不问“意识是什么”而是问“大脑是怎么变成能够拥有意识的状态的”。这正是“The Plasticity Thesis: How the Brain Learns to Be Conscious”这篇论文的核心立场。它来自 PMCPubMed Central开放论文库属于同行评议的学术文献。标题里的几个词值得拆开看Plasticity 指神经可塑性也就是大脑根据经验和环境不断改变自身结构和连接的能力Thesis 表明这是一个有待验证的论点不是已经定论的教科书知识How the Brain Learns to Be Conscious 这句话最关键——它把“意识”从一种静态属性重新描述成一种需要通过学习获得的能力。这篇文章我想从技术开发者的视角把这个论点讲清楚它到底在说什么神经科学有哪些现象支持它它对 AI 和机器学习系统的开发意味着什么以及最容易被误解的地方在哪里。我的整体判断放在开头如果这个论点为真那它给 AI 开发者带来的启示不是“去构建一个意识模型”而是“去设计一种具备可塑性的训练过程”。两者的思路完全不同。1. 这篇文章真正要解决的问题先说实话。一个普通软件工程师或者算法工程师为什么要去读一篇讨论大脑意识和神经可塑性的 PMC 论文因为当前 AI 的发展正在撞到一面墙。大模型规模越做越大数据越喂越多但行业开始出现一个共同的焦虑单纯靠增加参数、增加预训练数据能不能逼近真正的智能如果继续沿着这条路走我们得到的可能只是“看起来智能”的文字接龙系统而不是真正能够适应环境、主动学习、拥有主观体验的智能体。要回答这个问题不能只靠工程试错还得回到“智能到底从哪里来”的基本问题。神经科学恰好提供了一个和当前主流深度学习范式非常不同的视角大脑并不是一台启动即成熟的机器它是一台通过可塑性机制在发育和经历中逐步“定制”出来的机器。意识能力同样是在这个过程中被学习出来的。这篇论文的价值正在于它把“意识”这个极其抽象的主题转化成可以用发育、学习、经验依赖这些概念来讨论的实证问题。它真正解决了什么痛点它让“意识”不再是一个只能停在哲学层面的问题而是变成了一套可以提出假设、设计实验、验证预测的研究纲领。以下几种读者最应该认真读这篇文章研究大模型、具身智能、持续学习的算法工程师能从中看到新的训练思路和评测思路。对 AI 意识、AGI 发展路线感兴趣的架构师或技术管理者能获得一个比“堆算力”更本质的判断框架。刚入门神经科学与 AI 交叉方向的学生这篇论文是一个很好的认知起点——它展示了好理论应该有的样子有机制、有预测、可以被证伪。读完这篇文章你应该能回答三个问题可塑性论点到底在说什么它和传统意识理论有什么区别如果它是对的AI 系统应该在哪里改变。2. 基础概念可塑性与意识研究地图2.1 神经可塑性大脑不是固定线路神经可塑性Neuroplasticity指的是大脑在生命周期中不断调整神经连接的能力。这种调整发生在多个尺度分子层面是突触传递效力的变化结构和功能层面是神经元之间连接的形成、加强、削弱或修剪系统层面则是不同脑区之间功能网络的重组。一个直观的理解方式是把大脑比作一套系统但前提是忘记“硬件固定”这个前提。普通硬件出厂时电路就固化了但大脑更像一套基于经验反复重构的回路阵列。它天生保留了大量冗余连接在发育过程中根据环境刺激决定哪些连接保留、哪些被修剪。这个过程不是成年后才有的补偿机制而是大脑发育的基础方式。2.2 意识研究的主要理论路线意识研究长期以来有两个重要方向搞清楚它们在解决什么问题才能理解可塑性论点的位置。理论核心主张主要关注点全局工作空间理论GWT意识是信息在脑内全局广播后的结果意识内容的访问与共享整合信息理论IIT意识与系统整合信息的复杂度 Φ 值相关意识为何具有主观感受预测加工理论Predictive Processing大脑是一个不断生成预测并修正误差的器官感知和行动中的预测机制可塑性论点Plasticity Thesis大脑具备意识能力是通过发育期的可塑性学习获得的意识能力如何形成与发展全局工作空间理论关心的是意识内容的广播机制整合信息理论关心的是主观体验和物理系统之间的关系预测加工理论关心的是大脑如何通过学习模型来解释感觉输入。而可塑性论点关心的是一个更靠前的问题大脑要变成什么样子才具备承载意识内容的基础。从可塑性论点的角度前面这些理论回答的是“意识产生时的脑状态”但忽略了一个关键前提这种能够支持全局广播、高整合度、循环处理的脑网络状态并不是天生就绪的而是需要依靠经验驱动的可塑性过程逐步构造出来的。2.3 可塑性论点在意识研究中的位置把可塑性论点放进意识研究谱系里它的特点就会很清晰。它不直接回答“主观体验从哪里来”这种困难问题而是先回答一个稍微容易一点的实证问题大脑是如何获得意识能力的。就像研究飞行可以先不纠结飞行的哲学意义而是先弄清楚翅膀如何生长、羽毛如何形成——没有这些发育过程飞行能力就是空谈。从材料看这个论点主张的是一套发展视角意识能力不是脑结构自带的输出而是神经网络在发育关键期内通过与环境和自身活动的相互作用慢慢“学会”的一种属性。这为后面的实验设计和 AI 启示提供了基础。3. 核心思想拆解大脑如何“学会”拥有意识3.1 传统观点意识是脑区的输出传统观点通常默认只要大脑的关键结构完整意识就会自动出现。比如人们说意识主要依赖大脑皮层和丘脑之间的复杂交互网络那就默认这些结构发育到一定水平个体就拥有了意识。这个看法有一定道理它解释了为什么脑干和小脑损伤不会完全丧失意识而皮层和丘脑网络损伤时意识会严重受损。但它有一个漏洞它解释不了个体差异也解释不了同一个大脑在不同发育阶段意识能力为什么呈现出极明显的渐变。3.2 可塑性观点的核心机制可塑性论点认为意识需要大脑具备一种特定的功能组织——高度整合又高度分化的神经动力学状态。这种状态不是蓝图里预先画好的而是在发育过程中通过下面这些机制慢慢建立起来的突触修剪。早期大脑有大量过度产生的突触连接没有被经验激活的连接会被修剪掉。这个过程让神经回路从“几乎任何事都能学”变成“精通环境真正需要的事”。功能网络整合。分散在不同脑区的处理活动通过反复的同步激活逐渐被绑定成稳定的功能网络。意识所需的全局广播能力依赖这种长时间尺度的功能整合。关键期机制。某些能力的发育存在时间窗口在窗口期内如果缺少合适的经验输入相关能力会永久受损窗口期内的经验则能塑造出远超默认水平的能力。预测模型的建立。大脑不仅被动接收刺激还会主动构建关于环境规律的预测模型。意识内容在很大程度上由这种层次化的预测过程构成。这些机制共同说明一件事支持意识的神经基础是经验和活动塑造的结果不是简单的最初蓝图带来的。3.3 一个便于理解的类比用语言学习和意识能力做类比也许更容易理解。一个健康的婴儿出生时拥有能够学会任意人类语言的声音系统但他并不会自动说任何一种语言。只有暴露在特定语言环境中经过大量互动他的大脑才会完成突触修剪和功能特化最终获得某种语言的母语水平。同理可塑性论点认为意识能力也是类似的发展结果大脑出生时具备的是“学会拥有意识”的潜力而不是完整的意识能力本身。它需要在合适的时间、合适的环境中通过大量的神经活动和行为交互把这种潜力固化成真实的脑功能组织。这就是“learns to be conscious”这句话的技术含义意识能力是被学习出来的只不过这种学习的对象不是具体知识而是大脑自身功能组织的基本形态。4. 为什么这个论点值得认真对待来自发育与临床的证据4.1 视觉发育的经验依赖视觉系统是经验依赖性发育最充分的证据。研究发现先天性白内障的婴儿如果在出生后很晚才接受手术即使视网膜结构完全健康术后也很难获得正常视觉。原因很简单视觉皮层在发育关键期内没有接收到清晰视觉输入负责双眼视差、轮廓处理的神经回路没有被正常塑造于是支持视觉的功能组织就固化了不完善的形态。这说明一个普遍原则大脑结构具备什么功能不完全由基因决定而高度依赖发育期的经验输入。同理可以推断如果意识能力依赖大规模功能网络的有效整合那么早期经验的质量对意识能力的塑造同样可能具有决定性影响。4.2 脑损伤后的功能重组临床上有一类病例某些患者在儿童期因为严重癫痫切除了半边大脑但多年后的认知水平接近常人。这说明大脑在特定发育阶段内可以大规模重组功能网络把原本由两侧脑区承担的功能压缩到一侧完成。这种重组能力随着年龄增长迅速下降。从可塑性论点看这个现象很有价值。它印证了一个判断脑功能组织具有极强的经验塑造空间但这个空间受发育阶段限制。这也意味着意识能力的可塑性在发育期最强进入成年后核心组织形态基本稳定可调整空间非常有限。4.3 婴儿意识发展的渐进性婴儿并不是一出生就具备完整意识状态的。这个结论来自多种证据新生儿大脑中负责长距离同步整合的神经连接发育很不成熟脑电活动以局部慢波为主随着发育远程功能连接逐渐加强新生儿才慢慢表现出类似于成人的意识状态特征比如清醒和睡眠的明确交替。可塑性论点对这些证据的解释是统一的婴儿意识功能的成熟性看似是大脑结构自然生长的结果但在微观尺度上每一层结构成熟都是活动依赖的——局部活动产生局部连接局部连接再参与更大范围的功能整合。意识状态因此不可能是突然降临的而是逐步组织起来的。4.4 证据的局限需要说明的是上述证据虽然与发展性观点一致但它们大多是相关性证据还不能直接证明“意识本身”是被学习出来的。视觉系统、功能重组和婴儿脑电研究的对象更多还是意识的支持系统而非主观体验本身。这是研究的固有难点也是一些学者质疑可塑性论点的原因。更稳妥的判断是现有证据为可塑性论点提供了合理的间接支持但还没到盖棺定论的程度。5. 对 AI 与机器学习系统开发的启示5.1 从预训练范式到发育范式当前主流的大模型训练范式可以概括为“大规模预训练 微调”。这个范式取得了巨大成功但也暴露出结构性局限模型的知识来自静态数据集训练目标可以归结为对文本或图像、音频分布的最大化拟合。它缺少一个关键要素——与环境在时间尺度上的持续交互。可塑性论点带来的第一个启示是智能系统的能力不应该只由预训练决定还应该包含一个“发育阶段”。在这个阶段里系统通过与环境的反复交互逐步塑形自己内部的计算组织而不是一口气把所有知识压缩进参数。这其实不是全新的想法。发育机器人学和持续学习社区早就提出过类似概念但可塑性论点给这些概念增加了一个更具体的目标不只是持续学新任务而是通过可塑性过程让系统具备更高层次的认知功能组织能力。5.2 灾难性遗忘与可塑性预算神经网络在连续学习多个任务时往往会灾难性遗忘学习任务 B 之后任务 A 上的性能显著下降。解决这个问题的经典方法之一是冻结早期层参数或降低全局学习率本质上就是在模拟生物体的关键期结束系统在前一个阶段完成了信息整合后一个阶段则应减少全局重塑。从这个角度看可塑性论点提供了一种直觉大脑能够解决灾难性遗忘恰恰是因为它的可塑性不是恒定不变的。发育早期可塑性高适合建立基础功能发育后期可塑性降低适合巩固已有功能。这种“可塑性预算”的时空调控在当前的神经网络训练里几乎是缺失的。更进一步可塑性论点还指向一个更深的问题很多系统不仅在任务间忘记还缺少在真实环境中“建立自身功能组织”的机制。网络初始化后学习往往只是权重微调网络架构本质上没有变化。而大脑的学习是同时改变连接强度、轴突走向和网络拓扑的过程。要实现更高层次的智能可能需要让模型在训练中同时改变架构而不只是修改权重。5.3 结构先验与可塑性机制的互补有一种观点认为既然大脑发育高度依赖经验那基因中是不是没有存储具体功能信息这种理解是错的。基因恰恰定义了一整套可塑性规则突触如何生成、如何修剪、关键期何时开启和关闭、不同脑区如何建立连接。对应到 AI 开发中这就意味着一个智能系统的先验知识不应该只是神经网络的初始权重更应该是“如何根据经验修改自身结构和学习率的规则”。在工程上这对应一类新的组件发育调度器或元可塑性模块——它不负责具体任务而是负责在训练过程中动态调整整个系统的学习属性。这正是可塑性论点最有工程价值的地方它把“是什么先验”的问题从静态的结构先验扩展到动态的过程先验。当前的研究社区还很少把这种过程先验也就是不同阶段采用不同可塑性策略作为第一等公民来研究但它可能是通往更通用智能的必经之路。5.4 具身交互假说可塑性论点隐含了另一个重要判断意识能力的学习可能无法在纯粹被动的数据观察中完成。大脑学习意识相关功能依赖的是主动探索、行动反馈、感觉运动耦合。换句话说“学会拥有意识”这个过程的课程是行为交互带来的多模态反馈流而不是一个固定的静态数据集。这对 AI 行业是一个有些反直觉的信号。近年来大模型的主流路径是收集海量静态数据而可塑性论点提示如果目标真的是通用智能那么静态数据的规模上限可能比很多人想象的要低。真正的增长点可能在于为模型设计能够不断提供新经验的环境和交互协议。6. 一个可运行的最小模拟实验为了帮助技术读者建立直观感受这里用一个极简 Python 模拟演示可塑性预算对持续学习的影响。6.1 环境准备Python 3.8 或更高版本。只需 NumPy版本以实际环境为准。pip install numpy6.2 模拟一可塑性窗口的衰减以下代码模拟一个突触权重在学习过程中的变化其中可塑性预算随更新次数衰减。# 文件路径plastic_synapse.py import random class PlasticSynapse: 极简可塑性突触模型。 每个突触有一个权重和一个可塑性预算。 预算随时间逐步衰减模拟发育过程中可塑性窗口的关闭。 def __init__(self, init_weight: float 0.0, budget: float 1.0) - None: self.weight init_weight self.budget budget def update(self, pre: float, post: float, lr: float 0.1) - float: delta lr * pre * post self.weight self.budget * delta self.budget * 0.999 return self.weight if __name__ __main__: synapse PlasticSynapse() for step in range(2000): pre 1.0 if random.random() 0.5 else -1.0 post pre synapse.update(pre, post) print(fweight{synapse.weight:.4f}, budget{synapse.budget:.4f})运行后权重会依据输入相关性发生调整而预算会逐渐减小。这个衰减模拟的就是发育过程中“宁愿少改也不要破坏已有组织”的保守性原则。6.3 模拟二灾难性遗忘与可塑性预算的对比下面这段代码分别构建两个模型一个恒定学习率的普通模型一个带可塑性预算的简单模型。两个模型接连学习两个函数拟合任务观察第二个任务学习完成后第一个任务上的误差变化。# 文件路径continual_learning_demo.py import numpy as np def make_task_data(seed: int, n: int 200, noise: float 0.3): rng np.random.default_rng(seed) x rng.uniform(-1, 1, (n, 1)).astype(np.float64) y np.sin(2.0 * x) noise * rng.standard_normal(x.shape) return x, y class BaseModel: 极简线性回归模型用于演示任务之间的相互干扰。 def __init__(self, lr: float 0.05): self.w np.zeros((1, 1), dtypenp.float64) self.b np.zeros((1,), dtypenp.float64) self.lr lr def predict(self, x: np.ndarray) - np.ndarray: return x self.w self.b def fit_one_task(self, x: np.ndarray, y: np.ndarray, epochs: int 100) - None: for _ in range(epochs): pred self.predict(x) grad_w (pred - y) x / len(x) grad_b (pred - y).mean() self.w self.w - self.lr * grad_w self.b self.b - self.lr * grad_b class BudgetModel(BaseModel): 在基础模型上增加跨时间步衰减的可塑性预算。 def __init__(self, lr: float 0.05, budget_decay: float 0.98, budget: float 1.0): super().__init__(lr) self.budget budget self.budget_decay budget_decay def fit_one_task(self, x: np.ndarray, y: np.ndarray, epochs: int 100) - None: for _ in range(epochs): pred self.predict(x) grad_w (pred - y) x / len(x) grad_b (pred - y).mean() self.w self.w - self.lr * self.budget * grad_w self.b self.b - self.lr * self.budget * grad_b self.budget * self.budget_decay def mse(pred: np.ndarray, target: np.ndarray) - float: return float(np.mean((pred - target) ** 2)) if __name__ __main__: x1, y1 make_task_data(seed1) x2, y2 make_task_data(seed2) base BaseModel() budget_model BudgetModel() for model in (base, budget_model): model.fit_one_task(x1, y1) loss_after_a mse(model.predict(x1), y1) model.fit_one_task(x2, y2) loss_after_b_on_a mse(model.predict(x1), y1) print( f{type(model).__name__}: task A loss before task B{loss_after_a:.4f}, ftask A loss after task B{loss_after_b_on_a:.4f} )6.4 预期结果与验证方式运行这段代码你通常会看到两类结果BaseModel 在学完任务 B 后任务 A 的误差明显升高这便是灾难性遗忘。BudgetModel 学完任务 B 后任务 A 的误差上升幅度相对更小因为它后续更新时乘了一个变小的预算系数对已有网络的破坏更有限。需要注意这是一个刻意简化的教学模拟它不能证明大脑意识可塑性也不能代表现代神经网络的原貌。它的价值仅限于帮你把“可塑性预算”这个概念转成一个可以运行的程序直观感受预算衰减对持续学习稳定性的影响。真正的意识和可塑性研究远比这个模拟复杂。7. 可测试推论如何用这个理论指导研究和工程7.1 意识能力的连续性问题如果可塑性论点为真意识能力就不是一个存在与不存在的二值问题而是一个连续程度的问题。大脑在发育早期意识支持系统尚未整合意识能力较弱随着可塑性过程推进意识能力逐步增强。这意味着理论上可以设计一群实验通过比较不同发育阶段、不同环境丰富程度的个体来衡量意识能力的变化梯度。7.2 关键期干预的工程推论如果意识的获得依赖关键期内的可塑性过程那么在系统设计中就不能使用单一恒定学习率贯穿整个训练周期。合理的做法是设计一套分阶段的训练策略前期高可塑性让系统建立基础功能中期逐步降低可塑性巩固已形成的结构后期只允许低秩和局部的更新避免破坏整体组织。这种训练策略目前已经有一定实证基础比如多层感知机和 Transformer 中常用的层冻结、低秩适应LoRA微调在效果上隐含了“前期整合、后期微调”的思想但还远没有系统化。7.3 评测方式的转变当前对大模型的评测以静态基准为主给定测试集计算得分。可塑性论点提示真正有价值的能力评测可能应该从静态评测转向交互式发育评测让系统从初始状态开始在与模拟环境或真实环境的交互中接受训练然后观察它是否表现出更高层次的功能组织能力。这种评测思路比单点得分更能体现“系统是否具备学习如何学习”的潜能。将来如果社区要评估一个系统有没有迈向通用智能的潜力就应该考察它的“发育曲线”而不是一次性的分数。发育曲线反映的是系统对环境变化的适应轨迹它的形态比任何单一分数都更能说明学习能力本身。7.4 需要控制的风险研究界对这类探索最大的担心是把意识的理解用工程隐喻无限外推会导致所谓的“AI 有意识”结论被滥用。如果未来某个系统采用了发育式训练并表现出某些高等认知能力我们也只能这样说该系统的功能组织在学习方式上部分模仿了生物体意识发育的条件不足以据此认为系统拥有主观体验。研究这类问题需要遵循一个基本伦理任何关于意识和智能的声明都要有足够的证据支持并谨慎使用措辞。8. 常见误区与争议可塑性论点在传播过程中很容易被简化、夸大或误读。下面是常见的几个误区。误区更准确的表述说明大脑出生时是一张白纸基因编码了可塑性规则经验填充细节基因决定了学习规则经验决定了学习结果可塑性意味着成年后大脑可以无限重塑可塑性在发育早期最强随成熟逐步下降关键期窗口关闭后重塑空间会显著收窄意识 学习能力学习能力是获得意识支持系统的必要条件但不是充分条件一种学习机制可能非常强大却未必伴随主观体验可塑性论点证明机器可以拥有意识它只说明功能组织可以经历程塑形主观体验问题仍未解决从功能到体验的鸿沟没有因为该理论而消失可塑性论点推翻了已有意识理论它其实是在补充一类新的研究问题它关注的是意识能力如何发展而非意识机制如何运作争议集中在理论的内核可塑性可以解释大脑怎样获得“意识支持网络”但很难解释主观体验本身为何存在。对这个困难问题可塑性论点主要采取了一种实用主义的态度暂时搁置意识体验的起源先集中精力研究功能层面的问题。这种策略取得了不少成果也好设计实验但确实没有绕开那个哲学上的硬核。还有一个经常被混淆的概念“学习”在这里不是指学习某一种知识或技能而是指系统形成特定组织结构的过程。如果把这个词理解成“预训练中计算梯度更新”就会误解它的含义。这里的学习发生在更基础的层次它塑造的是系统的计算平台本身什么可以被之后的学习过程改变什么已经成为进一步学习的基础结构。真正容易踩坑的地方在于新手看到“大脑学会拥有意识”容易误以为意识是一种内容像背单词一样被学到而论文真正的意思是意识是一种能力它依赖的系统形态需要在发育中被经验塑形。这两个理解决定了一个人后续思考 AI 意识的路径是否有意义。9. 给开发者的行动建议与参考方向9.1 阅读路径如果你对这个方向产生了兴趣可以按下面的路径往下走先在 PMC 下载本文所对应的原文逐段阅读“可塑性论点”的定义和证据部分。然后了解全局工作空间理论的基本文献它是理解意识功能网络的重要基础。接着学习预测加工思想尤其是主动推理框架它解释了大脑如何通过行为与环境互动。最后转向持续学习、灾难性遗忘和发育机器人的技术文献把神经科学的思路映射到工程实现。9.2 工程实践方向对于想动手的工程师以下几个方向是比较实际的切入点设计一个带“发育调度器”的训练系统让模型在训练中动态调整全局学习率、层冻结策略和正则强度。在持续学习基准上加入“分阶段训练”对比恒定学习率与递减可塑性预算在稳定性上的差异。研究轻量级架构搜索在训练中改变网络拓扑的可行性模拟大脑的经验依赖性结构修剪。如果条件合适尝试在仿真环境中训练一个具身智能体观察它在主动探索条件下的能力发展与纯离线训练的区别。9.3 安全边界最后提醒一句这类研究在传播中很容易被过度解读。无论理论进展如何都应该避免在市场宣传或产品文案中轻易宣称某个系统“拥有意识”。一个有责任感的做法是用准确的概念表达系统能力把“功能上的类意识表现”和“本体论上的主观体验”严格区分开来。这不仅是对用户的尊重也是对研究规范的遵守。10. 主要结论这篇来自 PMC 的论文核心贡献不在于宣称大脑有可塑性——这已经是神经科学界几十年的共识而在于把可塑性提升为理解意识能力如何形成的关键变量。它给出的判断很明确意识不是大脑这个硬件启动时自动运行的软件而是大脑在发育关键期内通过与环境的相互作用“学习”出来的一种功能组织方式。这个论点对 AI 行业最大的价值是它从神经科学角度提供了一个和当前主流工程范式不同的路线图。它暗示继续无限扩大静态数据集和模型参数可能不是通向通用智能的最优路径。更有前途的方向是为系统设计一种更接近生物发育的训练过程让它们可以在与环境互动中逐步塑形自身的学习架构。下一次再有人高调宣布“大模型已经有意识了”你可以先不争论而是反问一句这个模型的训练过程中有没有一个类似生物体的关键期有没有一个伴随经验而变化的可塑性预算如果都没有那它只是在做强大的模式拟合与意识能力之间还隔着非常远的距离。这句话就是这篇论文带给技术人最值得记住的脚手架。