能量與記憶：揭開神經網路新典範的神秘面紗

當耳邊響起一首熟悉老歌的前奏，你是否能立刻辨認出是哪首曲子？這種「聞絃歌而知雅意」的能力，正是人類聯想記憶的奇妙展現——僅憑片段資訊就能喚起完整記憶模式。這種神經機制不僅讓我們能夠學習與記憶，更是解決問題和認知世界的關鍵。

加州大學聖塔芭芭拉分校機械工程學教授Francesco Bullo指出：「這是一種網路效應。」他解釋道，聯想記憶並非儲存在單一腦細胞中，「記憶儲存與提取是遍佈整個神經網路的動態過程。」

1982年，物理學家John Hopfield將這個神經科學理論引入人工智慧領域，建立了著名的Hopfield網路。這項開創性工作不僅為理解人類大腦記憶機制提供數學框架，更發展出首個能從雜亂輸入中重建完整模式的遞迴神經網路。Hopfield因此榮獲2024年諾貝爾獎殊榮。

然而Bullo教授與義大利帕多瓦大學研究團隊發現，傳統Hopfield模型雖強大，卻未能完整解釋新資訊如何引導記憶提取。他們在《科學進展》期刊撰文指出：「外部輸入對神經動態的影響及其如何促進有效記憶檢索，這些關鍵作用長期被忽視。」

研究團隊提出更貼近人類記憶經驗的新模型。Bullo教授比喻道：「現行大型語言模型就像輸入指令獲得輸出，完全不像動物世界的記憶運作方式。」雖然AI能產出看似智慧的回應，但缺乏生物對物理世界的實質體驗。

論文第一作者Betteti強調：「我們認知世界的過程是連續流動的，而非斷續重置。」不同於將大腦視為計算機的機械觀點，新模型改從人類視角出發，探討周遭訊號如何觸發記憶提取。

研究團隊將記憶提取比喻為能量景觀探索——記憶如同能量低谷，識別過程就像墜入某個谷底。Bullo舉例說明：「當你看見貓尾巴時，聯想記憶系統應能喚起整隻貓的記憶。」傳統模型將刺激視為初始條件，卻未解釋如何定位到正確「能量谷」的起始點。

為解決這個盲點，團隊提出「輸入驅動可塑性」(IDP)模型，透過動態整合新舊資訊來引導記憶提取。Bullo解釋：「外界刺激會同步改變能量景觀，就像貓尾巴的影像能簡化景觀，確保無論從何處起始，最終都會滑向正確的貓記憶。」

該模型還具備噪音耐受性，能利用模糊輸入過濾不穩定記憶（景觀中的淺谷），強化穩定記憶提取。Betteti補充：「就像視線在場景中游移時，神經網路會自動鎖定焦點資訊進行優先處理。」

這種注意力機制與ChatGPT等大型語言模型的核心架構「變換器」不謀而合。Bullo表示，雖然IDP模型的出發點與目標截然不同，但未來在機器學習系統設計上極具應用潛力。「我們在論文中揭示了這兩者的關聯性，期待未來能實現聯想記憶系統與大型語言模型的融合。」

[end]