康奈尔大学心理学系计算生理学实验室与科学人工智能研究所的研究人员，以人类大脑为模型，开发了一种创新的人工智能系统处理策略，旨在高效处理嗅觉及其他感官数据。这一策略模拟了人类大脑处理复杂感官信息的方式，为人工智能系统提供了新的解决方案。

人类大脑能够高效地将外界杂乱信息组织成可靠表征，而传统人工智能系统在处理大量不受控输入时面临挑战。康奈尔大学的研究团队受此启发，致力于设计低能耗、高效的机器人系统。

“大脑能够实时、低能耗地完成复杂的认知任务，包括对大量感官信息进行分类和解读，”文理学院心理学教授托马斯·克莱兰表示，“一旦我们理解其工作原理，人工物理系统也应能实现这一点。”

这项研究发表在《科学报告》上，克莱兰与博士后研究员罗伊·莫亚尔为共同通讯作者。他们阐明了大脑处理感官信息的关键机制，旨在构建具有新功能的人造设备。

“神经形态设计”的目标是制造出像大脑一样高效且低功耗的人工智能设备。莫亚尔表示，尽管这将是设计上的一大进步，但实现这一目标仍需大量研究。

目前，机器学习依赖于庞大的基础模型，这些模型需要大量处理能力。而研究人员设想的是，能够在小型专用设备上部署轻量级、自主的人工智能代理，如检测危险材料的设备，它们能智能地适应本地环境，无需发送敏感数据。

为了实现这一愿景，研究人员需深入了解嗅觉系统如何处理输入。克莱兰指出，嗅觉系统包括嗅觉上皮、嗅球及大脑中的多个下游区域，这些区域共同协作处理感官信息。

研究团队发现了生物系统的外层如何进行计算，以在“世界和大脑之间建立防火墙”。克莱兰解释，大量的感官输入需要被组织、约束和调整，以便下游区域处理，同时不丢失关键信息。

该研究还关注嗅球的初始计算，嗅球作为大脑与外界感知的接口，其深层结构动态复杂，负责学习气味。人工系统也需要将复杂感官输入以保留关键信息的方式进行打包和组织。

此外，研究人员对嗅觉系统的研究还为大脑中的脉冲相位编码提供了理论见解，这种节能策略可用于稳定的学习和正则化。

克莱兰表示，尽管研究聚焦于嗅球回路，但其发现具有广泛的应用潜力，适用于任何具有相似整体结构的数据处理。

更多信息： Roy Moyal 等人，《异构量化正则化脉冲神经网络活动》，《科学报告》(2025 年)。期刊信息： 科学报告