[AI]《BraiNCA: brain-inspired neural cellular automata and applications to morphogenesis and motor control》L Pio-Lopez, B Hartl, M Levin [Allen Discovery Center at Tufts University] (2026)

在自组织计算领域，神经细胞自动机依赖规则网格与单跳邻域规则，无法模拟大脑中长程连接与非均匀拓扑的协调机制。局部通信的天花板使其在需要跨尺度分布式整合的任务中收敛迟缓、鲁棒性不足。

本文的核心洞见是：把细胞间通信拓扑从固定网格重新看作可设计的"神经线路图"。由此，注意力加权的长程边选择这一关键操作使每个节点得以动态筛选远距邻居的信号；而将运动区域按功能分区排布成T形拓扑，则将空间位置与行为职能显式绑定，模拟躯体感觉皮层的位置-功能映射。

这项工作真正留下的遗产是：拓扑本身是可学习变量，而非固定超参数——功能分区带来的速度与鲁棒性提升，比随机长程连接更稳定有效。它为后来者打开的新门是：在虚拟有机体中联合演化形态与神经线路，研究认知底物的自发涌现。但尚未跨过的门槛是：当前长程连接仍为手工设定，如何让连接图随细胞状态自适应生长，仍是未竟之题。

arxiv.org/abs/2604.01932

机器学习 人工智能 论文 AI创造营