EMBER: Autonomous Cognitive Behaviour from Learned Spiking Neural Network Dynamics in a Hybrid LLM Architecture

📄 arXiv: 2604.12167v1 📥 PDF

作者: William Savage

分类: cs.AI, cs.NE

发布日期: 2026-04-14

备注: Preprint. 9 pages, 2 figures, 3 tables. NeurIPS 2026 format

💡 一句话要点

EMBER：混合LLM架构中基于学习的脉冲神经网络动态的自主认知行为

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 脉冲神经网络 大型语言模型 认知架构 自主学习 尖峰时间依赖可塑性

📋 核心要点

  1. 现有方法通常使用检索工具增强LLM，但EMBER架构将LLM置于生物学基础的联想基质中，作为可替换的推理引擎。
  2. EMBER利用脉冲神经网络（SNN）的STDP横向传播来触发和塑造LLM的行为，无需外部提示，实现自主行动。
  3. 实验表明，该系统在少量对话后即可自主发起行动，并在不同嵌入维度上保持较高的区分保留率（82.2%）。

📝 摘要（中文）

本文提出了一种混合认知架构EMBER（Experience-Modulated Biologically-inspired Emergent Reasoning），它重新组织了大型语言模型（LLM）和记忆之间的关系：不是用检索工具增强LLM，而是将LLM作为一个可替换的推理引擎放置在一个持久的、生物学基础的联想基质中。该架构的核心是一个包含22万个神经元的脉冲神经网络（SNN），具有尖峰时间依赖可塑性（STDP）、四层分层组织（感觉/概念/类别/元模式）、抑制性E/I平衡和奖励调节学习。文本嵌入通过一种新颖的z-score标准化top-k群体编码被编码到SNN中，该编码在构造上与维度无关，在不同的嵌入维度上实现了82.2%的区分保留率。我们展示了空闲操作期间的STDP横向传播可以触发和塑造LLM的行为，而无需外部提示或脚本触发：SNN决定何时行动以及浮现哪些关联，而LLM选择行动类型并生成内容。在一个实例中，该系统在学习到的人-主题关联在8小时的空闲期间横向激发后，自主地与用户建立了联系。从零学习权重的干净启动开始，第一次SNN触发的行动仅在7次对话交换（14条消息）后发生。

🔬 方法详解

问题定义：现有方法依赖于外部提示或脚本来触发LLM的行动，缺乏自主性和生物学合理性。此外，如何有效地将文本嵌入编码到脉冲神经网络中，并保持不同维度下的信息区分度，也是一个挑战。

核心思路：EMBER的核心思路是将LLM作为SNN的推理引擎，SNN负责决定何时行动以及浮现哪些关联，而LLM负责选择行动类型并生成内容。SNN的STDP横向传播模拟了大脑中的联想学习过程，使得系统能够自主地学习和触发行动。

技术框架：EMBER架构包含一个22万神经元的SNN和一个LLM。SNN具有四层分层组织（感觉/概念/类别/元模式）、抑制性E/I平衡和奖励调节学习。文本嵌入首先通过z-score标准化top-k群体编码被编码到SNN中，然后SNN的STDP横向传播会触发LLM的行动，LLM生成最终内容。

关键创新：该论文的关键创新在于：1) 提出了一种混合认知架构，将LLM置于SNN的联想基质中，实现了自主认知行为。2) 提出了一种新颖的z-score标准化top-k群体编码方法，能够有效地将文本嵌入编码到SNN中，并保持不同维度下的信息区分度。

关键设计：SNN包含22万个神经元，采用尖峰时间依赖可塑性（STDP）进行学习。SNN的四层结构模拟了大脑中的信息处理层次。z-score标准化top-k群体编码通过选择top-k个激活神经元，并对其激活值进行z-score标准化，实现了与维度无关的编码。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

该系统在8小时的空闲期间，通过学习到的人-主题关联，自主地与用户建立了联系。从零学习权重的干净启动开始，第一次SNN触发的行动仅在7次对话交换（14条消息）后发生。此外，该系统提出的z-score标准化top-k群体编码在不同的嵌入维度上实现了82.2%的区分保留率。

🎯 应用场景

该研究成果可应用于开发更具自主性和适应性的智能体，例如：自主客服机器人、个性化推荐系统、智能家居控制系统等。通过模拟生物大脑的学习机制，可以使这些系统在无需人工干预的情况下，自主地学习和适应新的环境和任务，从而提高其效率和用户体验。

📄 摘要（原文）

We present (Experience-Modulated Biologically-inspired Emergent Reasoning), a hybrid cognitive architecture that reorganises the relationship between large language models (LLMs) and memory: rather than augmenting an LLM with retrieval tools, we place the LLM as a replaceable reasoning engine within a persistent, biologically-grounded associative substrate. The architecture centres on a 220,000-neuron spiking neural network (SNN) with spike-timing-dependent plasticity (STDP), four-layer hierarchical organisation (sensory/concept/category/meta-pattern), inhibitory E/I balance, and reward-modulated learning. Text embeddings are encoded into the SNN via a novel z-score standardised top-k population code that is dimension-independent by construction, achieving 82.2\% discrimination retention across embedding dimensionalities. We show that STDP lateral propagation during idle operation can trigger and shape LLM actions without external prompting or scripted triggers: the SNN determines when to act and what associations to surface, while the LLM selects the action type and generates content. In one instance, the system autonomously initiated contact with a user after learned person-topic associations fired laterally during an 8-hour idle period. From a clean start with zero learned weights, the first SNN-triggered action occurred after only 7 conversational exchanges (14 messages).