近日，中国科学院自动化研究所研究员曾毅领衔的类脑认知智能实验室，提出基于多房室脉冲神经元的类脑脉冲世界模型，从神经元树突计算机制切入，成功架起微观神经计算与宏观认知计算的桥梁，填补了脉冲神经网络在类脑长期记忆与模型化决策领域的技术空白，有望加速类脑智能在机器人、自动驾驶、智能终端等领域的落地应用。相关研究成果发表于《美国国家科学院院刊》。

类脑脉冲神经网络因模拟大脑离散脉冲信号传递机制，在高能效、时序处理上具备天然优势。神经科学研究早已证实，树突作为神经元的“信息整合中枢”，承担非线性整合、长时记忆存储等关键功能，是复杂认知能力的核心来源。但在智能决策领域，基于模型的强化学习虽能通过“想象未来”提升学习效率，但如何让脉冲神经网络具备稳定的长期记忆与环境预测能力，是行业亟待突破的瓶颈。

针对上述痛点，研究团队提出创新性解决方案，形成三大核心突破：首先，通过多分支树突计算的多房室神经元模型将胞体、树突划分为功能单元，通过生物物理动力学实现长时序记忆，为模型更贴近大脑的“基础零件”，显著增强其处理复杂时序依赖的能力。其次，构建了类脑全脉冲世界模型与学习框架，覆盖脉冲状态空间模型、脉冲卷积视觉编码网络以及策略优化网络，使得智能体能够在脉冲域中对环境状态进行预测、想象未来情景并不断优化行为策略，为脉冲神经网络应用于模型驱动型决策任务开辟新路径。最后，研究刷新了性能基准，视觉控制、语音序列等任务上显著优于当前最先进的脉冲递归网络，在视觉控制任务中性能比肩经典GRU架构模型，在语音任务中更实现性能领先。

为明确模型优势来源，研究团队又开展了系列关键实验，他们将胞体与树突膜时间常数设为可学习参数后，发现整体性能提升有限，且参数分布高度重叠，这说明膜时间常数并非核心因素；而移除基底或顶树突模块的消融实验显示，缺失任一树突模块均会导致性能明显下降。这证实基底树突的循环输入整合功能与顶树突的兴奋性调节功能协同作用，才是模型实现长期预测与高效控制的关键。

曾毅介绍，团队正在推动类脑智能在“感知-学习-决策-运动”模型层面的全链条演进，未来将持续探索受自然机制启发的类脑人工智能理论与应用，为安全可靠的类脑人工智能体系建设、人机和谐共生贡献中国智慧。

相关论文信息：https://doi.org/10.1073/pnas.2513319122