哈萨比斯怎么把神经科学带进深度学习？DQN 的灵感来源

AI 史上有一条不太常见的路线：先去研究人脑，再回头造机器智能。DeepMind 的创始人哈萨比斯走的正是这条路——创办公司之前，他先拿了认知神经科学的博士学位，题目是海马体与情景记忆；今天 DQN 这类深度强化学习系统里，还能看到这条路线留下的痕迹。这篇按公开文献梳理神经科学是怎么被带进深度学习的，只列公开出处，不做过度的因果解读。

博士论文：海马体与情景记忆

哈萨比斯在伦敦大学学院（UCL）攻读认知神经科学博士，2009 年完成学位。公开论文记录显示，他与合作者对海马体损伤患者的情景记忆做了一系列研究，其中 2007 年发表的那篇题目直白：海马体失忆的患者无法想象新的场景——患者不但难以回忆过去，连「想象未来」这件事也受损。这项工作的公开结论指向记忆、想象与规划在神经层面的关联：大脑可能用同一套系统支撑「回忆昨天」与「计划明天」。他此前做游戏的职业经历与创业经过，见哈萨比斯人物篇，本文不重复展开。

DeepMind 创立时期的公开表述

2010 年，哈萨比斯与沙恩·莱格、穆斯塔法·苏莱曼共同创办 DeepMind，公开表述的目标是先解决智能、再用它解决一切。公司早期材料与团队成员的公开访谈里反复出现一个立场：神经科学是智能系统设计的灵感来源，理由朴素——大脑是目前已知唯一验证过通用智能的实例，遇到设计难题时参考它是合理的选择。这个立场后来被整理成完整的公开文献：2017 年，哈萨比斯与合作者在《神经元》（Neuron）杂志发表综述《神经科学启发的人工智能》，系统梳理了神经科学概念与 AI 方法的对应关系，覆盖学习、记忆、规划等方向。这篇综述是「把神经科学带进 AI」这条主张最完整的公开出处，后来的解读文章大多以它为准。

经验回放：DQN 里的神经科学影子

两条学科最具体的交汇点，公认是经验回放。2015 年 DeepMind 在《自然》发表 DQN 论文，同一个网络只看屏幕像素就学会几十款雅达利游戏，关键技术之一是经验回放：把智能体的历史经历存进缓存，随机抽样用于训练，以此打破数据的时间相关性、稳定训练过程，方法细节见DQN 打雅达利游戏一篇。在公开访谈与综述中，哈萨比斯团队多次把这一机制与海马体的生理现象相提并论——生物学研究记录过啮齿类动物在睡眠期于海马体中「重放」近期经历轨迹的证据，算法里的经验缓存与这种重放机制构成公开表述层面的对应。分寸要说清：经验回放作为算法的成功并不依赖神经科学验证，两者的关系属于灵感来源式的关联，具体表述以原始论文与公开访谈为准。

更多公开交叉点：网格细胞与获奖之后

这条路线还有别的公开节点。2018 年，DeepMind 团队在《自然》发表论文，让人工智能体在虚拟导航任务中自发形成了类似网格细胞的表征——网格细胞是 2014 年诺贝尔生理学或医学奖的公开成果，这项研究因此被广泛引用为神经科学启发 AI 的代表案例。2024 年，哈萨比斯因蛋白质结构预测方向的工作获诺贝尔化学奖，AlphaFold 的方法论虽不直接来自神经科学，但与 AlphaGo 一脉相承——把问题变成可打分的任务，用学习加搜索去逼近，首尔之战的经过见AlphaGo 战李世石一篇。

神经科学与深度学习交叉点速查

• 2007：海马体失忆患者无法想象新场景的研究发表（UCL）
• 2009：哈萨比斯获 UCL 认知神经科学博士学位
• 2010：DeepMind 创立，神经科学列入灵感来源（公开表述）
• 2015：DQN 论文发表，经验回放与海马体重放的类比见于公开访谈
• 2017：《神经科学启发的人工智能》综述发表于 Neuron
• 2018：智能体自发形成网格细胞样表征的论文登上《自然》

这条神经科学路线的参照价值

神经科学启发未必能逐条对上今天大模型的技术栈，但它留下一个可操作的判断框架：遇到「智能该怎么做」的设计问题，先看生物怎么解决类似问题。对普通用户，这个框架也能落地：你用 DeepSeek 解一道多步推理题、让 Kimi 总结一份长报告，模型给出的中间步骤与人类工作记忆的角色有相似之处——这些中间步骤是当前 AI 产品里最直观的认知架构痕迹。另一层关联在评估习惯：DeepMind 的研究文化强调在公开基准上验证主张，普通用户验收模型也是同一个思路——别听宣传，把模型放到自己的任务上跑几轮，基准分和实际任务一篇讲的正是这个距离。

关于哈萨比斯神经科学路线的常见疑问

• 经验回放真的是从海马体抄来的吗？：公开口径是「受启发」而非「照搬」。算法与生物学现象的对应见于团队公开访谈与 2017 年综述，论文没有声称算法有效性依赖神经科学验证，具体表述以公开资料为准。
• 神经科学对今天的深度学习还有影响吗？：有公开记录的交叉研究仍在进行，但主流大模型的技术栈主要由工程实践与规模驱动；神经科学更多提供问题清单与灵感方向，而不是可直接移植的算法。
• 想了解哈萨比斯本人从哪篇读起？：本文聚焦神经科学这条线；他的完整公开履历——从游戏开发到 DeepMind 与 AlphaFold——见哈萨比斯人物篇。