Nature Machine Intelligence 论文展示无反传目标规划
bravo_abad · x · 2026-07-22
这篇论文提出了一个 GCML（generative cognitive map learner），主打 不靠 backpropagation / BPTT 也能做规划。
核心思路
- 学一个前向模型和一个线性的逆模型，训练方式是局部、类似 Hebbian 的可塑性规则。
- 在动作选择里加入高斯噪声，把原本的确定性路径追踪变成 随机采样式规划。
- 给定目标状态后，多次噪声采样会生成一组不同轨迹，并能在偏离后再拉回目标。
实验结果
- 2D 导航：复现了类似啮齿动物海马 replay 的现象，能绕开新障碍并探索训练中没见过的空间。
- 随机图：可以当作在线的近似 k-shortest-path 求解器。
- NP-hard 拼图任务：只用 5 块轮廓训练，却能泛化到 8 块形状，成功率接近完美。
重要性
- 和 K、mA、BELA、RL 基线、MPC 相比，GCML 访问节点更少，且目标变化时几乎不需要重新规划。
- 因为更新规则是局部的，它可能更适合做 存内计算 或 类脑硬件 上的规划。
- 作者认为它适合边缘端场景，例如材料筛选、药物路径规划或能源控制。
所属事件:脑启发模型 GCML 无需反向传播即可实现规划(2 条相关)→
「研究」频道最新
- 蛋白语言模型仅靠单序列也能学到同源寡聚体接触 — anshulkundaje · 2026-07-22
- 研究发现：蛋白质语言模型随规模扩大涌现界面信号 — anshulkundaje · 2026-07-22
- LeCun 的 JEPA 路线迎来一篇世界模型论文 — nikola_mr64990 · 2026-07-22
- MIT 免费开放一批经典 AI 书籍和课程讲义 — ZabihullahAtal · 2026-07-22
- 一条蛋白语言模型研究分享指向序列训练的新发现 — anshulkundaje · 2026-07-22
- 播客探讨单细胞是否具备学习与细胞记忆能力 — arjunrajlab · 2026-07-22