`Nature Communications`：海马体与新皮层被写成“压缩式 RAG”，记忆模型开始直接借用生成式 AI 的框架语言

学术圈重大事件 · 发布 2026-06-26T12:46:00+08:00 · 更新 2026-06-26T12:58:10+08:00

牛津大学和 UCL 研究者在 `Nature Communications` 提出一种“compressive retrieval-augmented generation”记忆模型，把顺序经历压缩存进海马体，再通过回放训练新皮层生成网络，以解释过去重建、未来预测、问题求解和记忆失真。它的价值在于为神经科学和生成式 AI 提供了共同的中层语言；但当前证据主体仍是计算模型，本身并不等同于对人脑记忆机制的直接实验定论。

6 月 25 日，牛津大学和伦敦大学学院研究者在 Nature Communications 发表计算神经科学论文，把海马体与新皮层之间的分工关系建模为一种“compressive retrieval-augmented generation”。这条工作之所以值得关注，不只是因为题目借用了 AI 术语，而是它试图给一个经典问题提供更统一的解释框架：人类如何同时保存具体经历、提炼一般知识，并在回忆、预测和解决问题时把两者重新拼接起来。

论文的核心设定是，把顺序性的个人经历以压缩形式编码进海马体，再通过回放训练一个位于新皮层的生成网络。按作者描述，这个网络可以抓住单次事件的“要点”，同时抽取跨事件的统计规律，从而既能较高效地重建过去，也能对未来和新情境做出预测。和当下生成式 AI 里的 RAG 相比，作者不是简单打比方，而是把“先检索相关片段、再基于一般知识生成”明确当成记忆与推理的交互机制，并额外加入了情景记忆压缩和向语义系统巩固的步骤。

这使得论文触及几个长期争议点。其一，它试图解释为什么记忆随着时间推移会更像“提炼后的故事”而不是原封不动的录像，并把这类 schema-based distortions 视为系统性结果，而不是噪声。其二，它把问题求解看成情景信息与一般知识联合作用的生成过程，而非单一检索或单一规则推理。对神经科学研究者来说，这为实验设计提供了更明确的计算假设；对 AI 研究者来说，也提示记忆增强模型未必要追求无限外部检索，而可能需要“压缩存储 + 分层调用”的结构。

但必须说明，这仍是一篇计算模型论文，不是直接记录海马体和新皮层神经活动的大样本实验研究。它能否真正解释人类记忆偏差、概念泛化和在线问题求解，还需要行为实验、脑成像和电生理结果去逐步对应。它更像是一个新的中层理论接口，帮助神经科学与生成式 AI 在“检索和生成如何配合”这个问题上共享更具体的语言。

信息来源

• Nature Communications

可信度说明

来源为 `Nature Communications` 原始论文，作者来自牛津大学与 UCL。可直接核验的内容包括“顺序经历压缩编码于海马体”“回放训练新皮层生成网络”“支持过去重建、未来预测与问题求解”以及对 schema-based distortions 的解释。边界在于这是一套计算模型而非直接神经记录证据，论文价值更多在于提出可检验机制，而不是已完成实验性定论。