9 月 18 日，牛津大学实验心理学系 Christopher Summerfield 与哥伦比亚大学理论神经科学中心 Kimberly Stachenfeld 在 Cell Press 旗下期刊《Neuron》发表评论文章《The recipe for intelligence in natural and artificial systems》。两位神经科学家提出的问题很直接：过去十年的 AI 突破，究竟揭示了哪些关于智能的新原理？自然系统与人工系统之间，是否正在显现一套共享的计算逻辑？
他们的答案是：是，而且重合度比大多数人预期的更深。文章梳理了四条共享原则。生成式学习——Transformer 在海量语言与代码上做预测学习，重新审视了"理解必须依赖感知和行动"的传统看法；联想记忆——自注意力与规模扩展学到的稳定抽象，与海马及内侧颞叶的联想记忆原则（键值索引、模式补全、赫布式快速编码）在计算原理上呼应；结构表征——上下文学习与大脑对嵌入空间的显式编码，都指向"灵活应对新异性依赖对内容与结构的同时表征"；预计算语义——复杂推理不需要完全依赖在线搜索，预先习得的语义结构可以直接化简规划问题。
这篇评论最值得读的部分，是它对三个未解决缺口的命名。第一，持续学习与记忆整合：模型部署后通常停止参数更新，扩展上下文窗口与检索增强生成都没有真正回答"存什么、存多久、如何取回"——而生物系统的记忆巩固（经验经重放与优先化选择转化为稳定知识）提供了可能的借鉴。第二，自我监控与元认知：模型能执行复杂任务却信心失准、目标漂移；文章点明当前主流改进集中
[1][2]在智能体外层 harness 设计（控制回路、资源分配、停止机制），这恰恰是"外部控制回路"在弥补"内部自我监控"的不足——与第 16 轮那篇 agent harness 实证论文，在这里从神经科学角度汇合了。第三，开放环境的探索与创造：模型在规则明确、结果可验证的任务上突出，却在充满噪声与歧义的环境中薄弱——发现能力来自与世界的持续互动，而这正是当前大模型最弱之处。
把这篇评论放回 2026 年 9 月的语境，它的意义在于提供了一个跳出"跑分竞赛"的坐标系。当行业在比谁能更快刷新基准时，两位神经科学家在问：这些能力对应大脑的哪些机制，又缺了哪些机制？持续学习、自我建模、开放探索——这三个缺口恰好也是当前 agent 产品最常暴露问题的三个地方。它们不是巧合：如果大模型真的在计算原理上接近大脑，那么大脑演化了几亿年的解决方式，很可能也是大模型下一步要补的课。
特稿的立场说清楚：本文是对一篇评论文章的解读，不是对"大脑=Transformer"命题的背书。原文自己也反复强调，Transformer 并不忠实模拟生物时间过程，共享的是"计算原理"而非实现机制。真正的信息量在别处：神经科学给出的三个缺口清单，与工程界在 agent 产品上踩到的坑高度重合——当两个领域独立得出相同的结论，这个结论值得被认真对待。
[1][2]