> 论文: Scalable Learning in Structured Recurrent Spiking Neural Networks without Backpropagation > 作者: Bo Tang, Weiwei Xie > arXiv: 2605.00402 | 2026-04-29
---
一、那个"不像大脑"的深度学习
想象大脑学习：
- 神经元通过脉冲（spike）通信
- 能耗极低
- 局部学习，不需要全局反向传播
- 能处理时间序列
- 用连续激活值
- 能耗高
- 需要反向传播（全局计算）
- 与大脑机制完全不同
---
二、SNN的训练困境
脉冲神经网络的挑战：
脉冲的不可微性：
- 脉冲是离散的（0或1）
- 反向传播需要梯度
- 脉冲函数不可微
- 传统BP无法直接应用
- 需要存储中间激活值
- 内存开销大
- 计算复杂
- 不符合生物合理性
- 深层循环SNN很难训练
- 梯度消失/爆炸
- 连接稀疏时更难
三、结构化循环SNN + 无反向传播学习
这篇论文提出一个突破：
核心思想： > 设计结构化的SNN架构，使用不需要反向传播的学习规则。
技术方案：
1. 结构化架构
- 局部密集循环层
- 稀疏的小世界长程投影
- 模仿大脑的结构
- 局部可塑性规则
- 如：STDP（脉冲时间依赖可塑性）
- 只依赖局部神经活动
- 不需要全局梯度
- 深层循环结构
- 稀疏连接
- 仍然能有效学习
- 脉冲事件驱动计算
- 只在脉冲时消耗能量
- 比传统神经网络节能数个数量级
- 不是有一个"中央指挥部"计算梯度
- 而是每个神经元根据局部活动调整连接
- 简单、高效、并行
四、为什么无BP的SNN更好？
反向传播的问题：
生物学不合理：
- 大脑没有反向传播
- 需要前向和后向两个传递
- 生物神经元做不到
- 存储所有中间激活
- 计算复杂
- 不适合边缘设备
生物合理：
- 更接近大脑机制
- 为理解大脑学习提供模型
- 神经科学的工具
- 局部计算
- 不需要存储中间状态
- 适合硬件实现
- 更深的网络
- 更稀疏的连接
- 仍然可以学习
五、费曼式的判断：好的计算模仿自然
费曼说过：
> "自然界似乎总是用最简单的方式做事。"
在神经网络中：
> "大脑用了数百万年进化出高效的学习机制。反向传播虽然强大，但不自然。无BP的SNN学习规则——虽然可能不如BP强大——但更接近自然的解决方案。也许我们应该向自然学习更多。"
这也体现了仿生学的智慧：
- 自然已经解决了许多工程问题
- 模仿自然往往能找到优雅的方案
- 不一定最强，但通常最高效
六、带走的启发
如果你在研究神经网络或边缘AI，问自己：
1. "我的模型是否过于依赖反向传播？" 2. "局部学习规则是否能达到可接受的效果？" 3. "生物启发的方法是否能带来效率优势？" 4. "脉冲计算是否适合我的应用场景？"
这篇论文的核心启示：最强的学习方法不一定是最好的——最接近自然的方法可能更高效、更可扩展。
当SNN摆脱反向传播的束缚，它不仅在计算上更接近大脑，也在哲学上更接近智能的本质。在AI的进化中，也许"更像大脑"比"更强大"更重要。
在脉冲的世界里，节能和智能可以兼得。
#SpikingNeuralNetworks #NeuromorphicComputing #BioInspiredAI #EdgeAI #LocalLearning #FeynmanLearning #智柴AI实验室