與人類相比，目前的人工智能的知識學習效率是更高效還是更低效？

“這并不是一個很好回答的問題。”在接受《中國科學報》采訪時，東南大學首席教授耿新表示，如果只是學習某個單一知識點，人工智能可能在極短時間內就能掌握，但如果是一些相對復雜的知識——

“比如，一個從未見過狗的孩子，只需仔細觀察幾張狗的照片，就能很快識別出現實中的狗，甚至能區分不同品種的狗；但要想讓人工智能明白‘狗’是什么樣子，往往需要提供幾萬個訓練樣本。”他解釋說。

在耿新看來，人工智能在這方面遠不及人類的一個主要原因，在于前者缺乏一種與學習相關的“基因”。而他目前從事的研究就是想讓人工智能獲得這種“基因”。

近日，耿新團隊在人工智能神經網絡學習范式方面取得的最新進展在《人工智能》在線發表。

“隨機初始化”和“基因初始化”

針對人工智能中與學習相關的“基因”，耿新團隊提出了一個原創性概念——學習基因（Learngene），

“學習基因可以被簡單看做人工神經網絡中的一種可‘遺傳’的信息片段。我們希望它能像生物基因一樣，將與特定任務無關的普適知識‘封裝’起來，然后傳遞給新的模型，從而實現更高效、更通用的知識遷移。”耿新說。

這個概念并不容易理解，要想弄清其含義，可以回到“認識狗”的例子中。

耿新解釋說，對于人工智能來說，理解“什么是狗”與學習其他復雜知識體系的底層邏輯是相似的，都需要依賴海量樣本，通過多輪訓練，才能建立起對于某個事物的基本概念。

在人工智能大模型的規模已達到萬億級參數的大背景下，為了讓人工智能模型識別更復雜的概念，人們所需的訓練樣本無疑會是一個天文數字。

每一個人工智能模型在認識“狗”之前，都需要依賴海量的數據樣本。然而，當新一代人工智能模型被研發出來，這樣的流程又必須重新進行，因為目前的人工智能模型不管有多么先進和復雜，其誕生時都處在一個“隨機初始化”的狀態。

“所謂‘隨機初始化’，簡單來說，就是在新的大模型框架構建出來后，研發人員總要給它設置一個初始參數，這個參數通常是隨機生成的，且與此前的大模型沒有任何關聯。”耿新解釋說。

如此一來，無論之前的人工智能模型學習到多少知識，其“經驗”都無法遺傳給新一代模型。于是，“上一代”模型經歷的學習過程，“下一代”模型自然要重來一遍，這在無形中便耗費了巨量的計算資源。

但問題是——人類嬰兒同樣無法從父輩直接繼承其記憶與知識，為何他們仍能夠快速學習，而不用“重來一遍”？

“這就是最奇妙的地方。”耿新告訴《中國科學報》，人類的遺傳機制雖不能傳遞父輩的具體記憶或知識，但卻遺傳了一種更關鍵的能力——元學習能力。

他表示，元學習是一種學習機制，它不直接指向具體的知識或技能，而是關注學習過程本身的優化。因此，“元學習能力”可以理解為一種“如何去學習的能力”。

“從某種意義上說，剛出生的嬰兒也處于一種‘初始化’狀態，但這種‘初始化’并非隨機，而是一種‘基因初始化’。”耿新指出，雖然嬰兒尚未掌握具體知識，但人類在漫長進化過程中獲得的“元學習能力”，卻已經根植于每個人的基因中。正是這種基因的存在，使得人類具備了遠超當前人工智能的學習能力。

那么，人工智能可以獲得這樣的“基因”嗎？

讓模型不必“從零起步”

對于這個問題，耿新團隊進行了多年研究。

“要實現不同模型之間知識的遺傳，需要滿足幾個條件。其中最關鍵的一點是學習基因作為模型信息片段不能太大。換言之，要實現信息的高度壓縮。”耿新進一步指出，根據人類大腦神經元的數量粗略計算，如果要將描述這些神經元所需要的信息量壓縮到人類基因組能存儲信息量的水平，其壓縮比要達到驚人的100萬：1。

相比之下，目前人工智能系統通過人類算法設計所能實現的壓縮比，最多只有約1%。“也就是說，我們可以做到從一個模型中提取約1%的信息量，并將其傳遞給新模型，從而使后者具備此前模型的部分功能。”耿新說。

需要注意的是，這些從原模型中提取的信息并非某類具體知識，而是針對人工智能系統的“元學習能力”。一旦這種信息可以被提取和傳遞，新一代人工智能便在原本“隨機初始化”的基礎上，獲得了一定的“學習基因”。

自2022年起，耿新團隊便致力于實現這一設想。最終，他們成功設計出一套完整的遺傳強化學習框架，用以模擬生命的學習與演化過程。借助該框架，新模型不必完全“從零起步”，即可具備先天能力。

不久前，該團隊在此前研究的基礎上，進行了一個有意思的實驗。

“我們設計了多代的智能體種群，每一代智能體在出生時都能夠繼承前幾代的某些‘學習基因’。”耿新介紹說，但該繼承過程需要經過一定的競爭與淘汰，這幾乎模擬了生物種群的繁衍與進化過程。

研究團隊將該“種群”進行了迭代訓練。結果發現，“如果將第1代與第100代智能體進行比較，會發現后者的學習速度要快得多。甚至有些四足機器人剛‘出生’便能站立，幾乎不會摔倒。”

耿新表示：“這充分表明，學習基因不僅在效率上顯著優于傳統模型的訓練方式，而且能通過可遺傳知識的不斷積累而持續進化，為后代模型提供越來越強大的學習潛力。”

為人工智能自我演進打下基礎

需要指出的是，雖然學習基因能顯著加快人工智能模型的學習速度，但這并不意味著其最終的學習效果和質量必然優于傳統訓練方式。正如耿新所說，“學習基因或許能夠提升人工智能模型學習效果的上限，但受限于當前的算力，這一點尚無法得到充分驗證”。

即便如此，目前的研究成果仍令人振奮。

耿新向《中國科學報》表示，“學習基因”概念的提出及其潛在影響，可能為人工智能的自我演進奠定基礎。

據介紹，目前人工智能的代際演進并非自主完成，而是必須依靠人力。比如，科學家需要研發出更新的算法，設計出更先進的網絡架構；工程人員則要對訓練數據的規模和類型進行調配，對模型的超參數進行調整。這些環節都要耗費大量人力。

“人工智能未來的發展方向之一，是實現其自身的自主進化和演進。這就要求不同人工智能模型之間能夠形成一種可遺傳知識的‘代際傳遞’。否則，這種演化可能淪為低效的重復計算。”耿新說。

他同時表示，目前關于學習基因的研究仍存在諸多挑戰，例如如何實現跨架構的學習基因傳遞、如何進一步提升信息的壓縮比等。但無論如何，這一探索方向仍然值得持續推進。

相關論文鏈接：https://doi.org/10.1016/j.artint.2025.104421

原文網址：

https://news.sciencenet.cn/htmlnews/2025/10/553310.shtm