吉妮团队提出脑启发结构化推理架构NSR：将关系结构“长”在神经连接里 | NeurIPS 2026
2026年9月，北京脑科学与类脑研究所吉妮团队的类脑算法论文“Neural Structural Reasoner: A Brain-inspired Architecture for Reasoning over Structured Knowledge” 被人工智能顶级会议 Neural Information Processing Systems (NeurIPS 2026) 正式录用。
这项工作受大脑海马体—内嗅皮层—前额叶环路在空间导航与关系推理中协同机制的启发，提出了一种新的脑启发网络架构——神经结构推理器（Neural Structural Reasoner，NSR）。它将关系结构直接“长”在神经连接里，并依靠神经活动本身完成推理。NSR在多个知识图谱推理基准上取得了有竞争力的表现，同时训练效率显著优于主流神经基线；其内部激活呈现出具身化的结构化表征，推理过程可由神经激活状态完全读出，组合关系规则可从数据中自发涌现。本研究表明，来自神经科学的关键机制——路径整合、分层表征和Hebbian可塑性——可以转化为一个兼具竞争力、可解释性和学习效率的结构化推理系统。
研究背景
现实世界中的推理和规划，几乎都建立在对结构性知识的学习与利用之上：机器人要结合房间的空间结构规划一连串动作；科学家要利用因果与领域知识设计下一步实验；政治与社会决策，则发生在个人、机构与国家交织成的庞大关系网络中。这些问题的答案不在孤立的实体里，而在实体之间的结构里。人类大脑天生擅长利用结构进行推理，而今天的AI对此仍存在明显局限。
图一| 同一知识的两种表示方式：嵌入向量（左）不显式保留实体间的关系结构，知识图谱（右）以实体与关系的网络显式组织知识
主流方法往往将复杂关系结构压缩为连续向量，再在难以解释的参数中完成计算；大语言模型虽然能用语言描述关系，但对结构化记忆、物体—位置—动作约束等底层规则的稳定表示仍有限。团队因此转向大脑寻找启发：海马—内嗅皮层通过认知地图和路径整合支持关系空间中的状态更新，前颞叶整合概念与关系语义，前额叶则参与高阶关系抽象与多步推理。已有脑启发模型已将这些机制拓展到非空间任务，但多受限于低维导航式动力学，且部分学习仍依赖反向传播。NSR进一步尝试在高维关系空间中实现输入驱动的状态转移，并以局部学习机制支持结构化推理。
主要结果
NSR架构：连接即结构，动力学即推理
NSR的核心思想可以高度概括为一句话：网络的连接结构，就是知识的关系结构；网络的动力学，就是学习和推理本身。NSR由四个功能层组成，设计上分别呼应一类脑机制：
图二| NSR架构（左）与功能类似的脑区系统（右）：实体层、关系推理层、关系层与关系组合层分别呼应海马体、内嗅皮层、前颞叶与前额叶的功能
层与层之间双向连接：黑色连接先天固定，绿色连接编码观测到的三元组事实，橙色连接则通过Hebbian学习后天获得，捕捉数据中潜在的关系规律。每一层的激活状态随时间演化，由层内输入、层间输入与外部查询输入共同驱动。其中Heaviside门控机制确保只有当实体与关系的输入“汇聚”时，对应神经元才被点亮。这套计算逻辑受内嗅皮层网格细胞路径整合模型的启发——只不过“行走”的空间从物理迷宫换成了关系空间。
推理过程完全可追踪，内部激活呈现结构化表征
NSR针对知识图谱中的链接预测任务开展推理：图谱由大量（头实体，关系，尾实体）三元组构成，查询给出其中两项、遮住第三项，模型要把缺失的实体推理出来。面对查询，NSR的推理全程可以被逐帧追踪。查询关系先被钳制在关系层；经过一步关系层的传播，学习到的等价关系被唤醒——其中最强的是它的逆关系，激活强度同时充当置信度；与此同时，头实体在实体层被点亮。实体与关系的输入在关系推理层汇聚，点亮编码联合神经元；激活再沿层内连接推理层内部动力学传导到对应的神经元；最终，实体层读出尾实体，推理完成。
图三| 一次查询的推理过程：面对查询（cuba, timesincewar, ?），NSR逐层激活等价关系与联合神经元，最终读出答案usa
嵌入模型想解释自己，得靠事后归因；NSR的解释是内生的——激活轨迹本身就是计算过程。每一步被点亮的神经元都对应一个离散、可读的命题，哪一步走错了，翻开激活记录一查便知，可解释性内嵌于模型架构当中。更重要的是，这种内部激活并非杂乱无章：把Nations数据集中的国家按其在LZ层的关系连接做投影，冷战时期的政治阵营自动浮现——英美资本主义阵营、苏中社会主义阵营、以及约旦、埃及、印度、巴西等不结盟国家各据一方。结构，是网络自己学出来的，不是我们喂进去的。
图四| 结构自发涌现：把Nations中的国家按其在LZ层的关系连接投影（PC1/PC2平面），冷战时期的政治阵营自动分开——不同颜色对应自动聚成的不同阵营
从经验中学习等价与组合规则，组合规律自发涌现
NSR 可以通过局部联想学习，从经验中自动发现关系之间的等价、逆向和组合规律。例如，若训练数据中“母亲”与“父母”关系经常指向相同对象，网络会逐渐增强这两个关系之间的连接，从而在缺少直接“父母”关系时，仍能借助“母亲”关系完成推断。类似地，如果“父亲→父亲”经常对应“祖父”，网络会把这类两步关系组合记录到关系组合层中。也就是说，NSR 的规则并非预先写死，而是从关系共现和路径结构中逐步形成，并直接用于后续推理。
图五. NSR自动学到的组合规则示例：读法为「关系A + 关系B ⇒ 推出的新关系」，箭头颜色越深置信度越高；亲属关系均按“is … of”理解方向
在结构化知识数据集上评估NSR
我们在 Nations、Kinship、WN18RR、FB15k-237、YAGO3-10 等标准知识图谱上进行了系统评估，覆盖从小型诊断任务到十万级实体、百万级关系事实的大规模图谱，并比较了嵌入模型、符号规则、可微规则学习、路径搜索和图神经网络等多类方法。总体上，NSR在不同规模和类型的数据集上都保持有竞争力的预测性能。更重要的是，随着数据规模扩大，NSR 仍能保持较低的模型构建成本，在大型基准数据集上通常可在几十分钟内完成训练，体现出良好的可扩展性。消融实验进一步表明，逆关系编码、组合推理和 Hebbian 学习均有明确贡献，其中局部 Hebbian 学习对整体性能最为关键。
图六. NSR与代表性方法的性能与训练效率对比：（a）链接预测精度；（b）训练时间（对数坐标）
总结与展望
总体而言，NSR 的独特价值不在于单一指标领先，而在于把结构化记忆、关系推理、局部更新与可解释动力学统一到同一套脑启发网络中：
1. 学习与推理统一：学到的连接既存储知识，也直接参与后续推理。
2. 推理过程内生可解释：中间实体、关系和推理路径可从网络激活中直接读取。
3. 支持局部、在线更新：新事实可通过局部连接修改快速写入，无需整体重训练。
4. 连接脑科学与人工智能：将路径整合、分层表征和 Hebbian 可塑性转化为可扩展的结构化推理机制。
目前吉妮实验室正在推进NSR模型的进一步改进并应用于多种类型的任务上，如导航、规划以及大模型可学习记忆系统等等。初步研究结果表明，在认知地图导航任务中，NSR的内部激活呈现出与人类海马区相似的认知地图表征；在简化Crafter任务中，NSR能够驱动智能体完成空间导航与抽象任务的联合规划。未来，NSR的分层结构之上还可挂载概念、工具、目标等可扩展模块，从文本、视觉观察、交互行为与对话指令等多样经验中持续学习，支撑结构学习、多步推理与目标导向规划三大能力——从认知地图，走向更结构化的智能体记忆与推理系统。
图七| NSR驱动智能体完成简化Crafter任务：智能体在地图中导航、采集资源并规划完成“击杀僵尸”等抽象目标
论文信息
本文共同第一作者为北京脑科学与类脑研究所实习生贾梓杏、北京脑所-北京协和医学院联培项目博士生潘宇航。研究员吉妮为通讯作者。本研究由北京脑科学与类脑研究所、脑科学与类脑研究国家科技重大专项、中国医学科学院医学创新单元项目、国家自然科学基金等项目资助。
吉妮实验室正在招收具有计算神经科学、人工智能、心理学、物理、工程及其它相关背景，对大脑的计算机制及类脑算法开发有强烈兴趣的学生、科研助理、博士后和深度学习工程师。
有意者请将申请材料发至：niji@cibr.ac.cn，并抄送songxiangyu@cibr.ac.cn。邮件标题请标明“姓名+应聘职位”。
实验室更多信息：https://www.cibr.ac.cn/teamDetail/cibrTeamteam/7eaf96c5b298444b84328680fb1b7a15/Ni%20Ji
原文链接：https://managetest.cibr.ac.cn/file/common/download/29d30c3fec7649218461d11a800da289
