在人工智能領域，實現類人水平的通用智能(AGI)始終是終極目標。當前主流的深度神經網絡(DNN)雖在特定任務表現出色，卻面臨泛化能力弱、數據依賴性強等瓶頸。這些局限源于DNN與生物神經系統的本質差異——后者通過多尺度協同的精細機制，展現出驚人的能效比和環境適應性。為此，來自阿里巴巴集團的研究團隊在《Scientific Reports》發表創新成果，提出名為"Orangutan"的多尺度腦仿真人工智能框架，通過跨尺度模擬生物神經機制，為動態環境下的智能決策提供新范式。

研究團隊采用Python構建的Orangutan框架包含三大核心技術：多室神經元模型模擬樹突-胞體-軸突的興奮傳遞過程；基于連接特異性規則的神經微環路系統實現WTA競爭等核心算法；分層感知運動網絡模擬人類視覺的腹側/背側通路。研究使用MNIST手寫數字數據集，構建包含13個腦區、370萬神經元的動態模型驗證算法效能。

在微觀尺度建模中，研究創新性地采用多室神經元替代傳統"點"神經元，通過Eq.(1)-(2)模擬興奮傳遞過程。每個神經室具有RP(靜息電位)、Fa(易化作用)等18種電生理特性，支持MAX/MIN邏輯運算的樹突結構顯著提升計算復雜度。中觀尺度上，框架精確模擬了6類突觸連接模式（包括軸-樹突觸、自突觸等），構建的側抑制、遞歸抑制等微環路實現特征對比增強功能。宏觀層面則通過皮層柱拓撲映射，在28×28網格上復現視覺系統的視網膜-外側膝狀體投射關系。

感知階段模型成功提取邊緣點、方位角、向量等視覺特征。通過Eq.(3)定義的中心-外周拮抗感受野，邊緣點細胞CEdg^o對特定朝向的亮度梯度產生響應。方位細胞COri^s,o,a采用Eq.(4)的最大值運算機制，展現類似復雜細胞的位置不變性。引人注目的是向量細胞CVec^s,o,a通過Eq.(7)的末端抑制機制，有效解決大尺度特征干擾問題，該設計靈感源自視覺皮層的end-inhibition現象。

運動控制方面，研究創新地整合網格細胞原理與WTA機制。當CAng或CArc特征細胞通過集中式競爭網絡（圖12）勝出時，將激活對應位置的網格細胞，驅動CCurX/Y坐標神經元更新。實驗顯示該模型能準確追蹤數字"2"的弧線特征（圖9f）和"7"的角點特征（圖9e），模擬人類眼跳的序列注意轉移。抽象表征層則通過CRelX/Y神經元建立特征間空間關系，為后續符號化認知奠定基礎。

在56×28樣本測試中，模型展現出類人的視覺搜索策略，但存在對小角度特征的過度響應（Eq.(8)中λ=0.08的增益設置所致）。研究者指出當前局限主要源于感受野尺度上限（21像素）和缺乏主動注意機制。未來將通過引入海馬回放、樹突棘資源競爭等生物機制增強學習能力。

這項研究的重要意義在于：首次在統一框架下整合從離子通道特性到腦區連接的多尺度生物機制，突破傳統AI模型的尺度壁壘。雖然計算成本高于傳統CNN（局部連接特性可部分緩解），但其采用的STP(短時程增強)、LTD(長時程抑制)等突觸可塑性機制，為發展具備在線學習能力的AGI系統提供新思路。正如討論部分強調，Orangutan的模塊化設計使其能持續融入新發現的神經計算原理，這種"生物兼容性"正是其區別于HTM、Spaun等現有腦啟發框架的核心優勢。