待验证50% 置信预测精确时间
该架构提出可证伪预测：跨领域类比任务应主要激活原型神经元而非主题神经元；对原型神经元的干预应选择性破坏跨领域迁移而不影响同领域主题知识。
1
来源数
50%
置信度
长期有效
时效性
2026/11/6
首次发现
来源
涉及实体
相关事实
待验证神经元级编辑的效果高度依赖于定位的准确性，编辑一个神经元可能带来预期之外的连锁影响，需要充分的回归验证。77% 相似已验证麻省理工学院与Anthropic的可解释性研究发现模型内部存在大量多义性特征，单个神经元可能同时响应多个看似无关的语义概念76% 相似待验证赫布学习的核心思想被概括为「一起激发的神经元，连接会加强」，只需突触两端神经元的局部激活状态即可完成权重更新75% 相似待验证业界主流应对可解释性问题的路径包括使用梯度提升树或混合规则模型替代纯神经网络、为神经网络输出附加置信区间与显著特征标注、采用AI建议加人工确认的双层架构74% 相似待验证局部学习规则比反向传播的全局梯度传递更契合新型神经形态芯片的设计理念74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1141979API
curl https://kongchang.com/api/v1/knowledge/claims/1141979MCP
get_claim(id=1141979)