在人工智能和機器人技術快速發展的今天，如何讓機器像人類嬰兒一樣通過自主探索來學習和掌握技能，一直是研究者們追求的目標。傳統方法往往需要大量預設目標和監督信號，這與人類自然學習過程相去甚遠。近年來，受發育心理學和神經科學啟發的"好奇心驅動學習"成為突破這一瓶頸的新思路，但其中關鍵問題仍未解決：大腦如何通過突觸可塑性調節探索策略？注意力機制如何引導目標學習？

針對這些問題，研究人員開展了一項創新性研究。他們構建了一個融合多認知模塊的生物啟發架構，核心突破在于將變分自編碼器(VAE)的潛在空間通過線性縮放投影到動態神經場(DNF)中，這種獨特的映射方式首次實現了對工作記憶突觸可塑性的量化調控。研究采用PincherX150機器人平臺，通過Azure Kinect攝像頭獲取環境信息，結合動態神經場理論和Hebbian學習機制，實現了自主目標發現與學習全過程。

關鍵技術方法包括：1) 使用VAE和自編碼器(AE)構建感知表征系統；2) 設計基于動態神經場的注意力機制，包含抑制性(inhib.out)和差異性(diff.out)神經場；3) 建立模仿藍斑核(LC)功能的探索控制模塊；4) 開發基于學習進度(LP)的 curiosity機制；5) 采用多層感知機(MLP)構建前向和逆向預測模型。

研究結果部分，"注意力與目標序列"實驗顯示：當縮放因子(SF)為25時，神經場激活范圍廣泛，允許較大誤差的目標匹配；而SF增至100后，僅精確匹配的刺激能激活神經場。"主動探索"部分通過15次重復實驗證明：SF=35時隨機探索占比78%，產生多樣化動作(vx,vy分布p=0.0664)；SF=100時系統在發現2個目標后轉向定向探索，動作精確性顯著提高(p=0.004)。"目標學習"部分發現：高SF條件下學習樣本減少40%，但需要更長時間(約1750秒)達到誤差<0.005；而低SF雖學習速度快，但逆向模型誤差持續較高，表明動作控制未完全掌握。

在結論與討論部分，研究者將發現與嬰兒發育研究相聯系：低SF模擬嬰兒早期的隨機探索階段，高SF對應后期精確的目標導向行為。這種轉變被解釋為工作記憶神經環路可塑性變化的結果——局部興奮范圍隨發育逐漸縮小，同時抑制增強。研究創新性地提出縮放因子可作為量化突觸可塑性的計算指標，為理解神經發育如何塑造學習能力提供了機器人學證據。

該研究的局限在于當前系統僅處理單一物體交互，且固定縮放因子未能完全模擬發育動態過程。未來工作將探索多物體場景下的表征分離問題，以及自適應的動態SF調節機制。這些發現不僅對發育機器人學具有重要價值，也為理解人類認知發展中的關鍵期現象提供了新的計算視角。論文發表在《Cognitive Systems Research》，其開源代碼為后續研究提供了可重復的實驗框架。