正像赫布理论

正像赫布理论（Hebbian Theory），又称赫布学习规则，由美国神经生理学家唐纳德·赫布于1949年提出。该理论的核心观点是：当一个神经元反复且持续地与其他神经元同时发放冲动时，这两个神经元之间的突触连接强度会增强，反之则减弱。这一机制被形象地概括为“一起激发的神经元连在一起”（Neurons that fire together, wire together）。尽管其原始表述基于生物神经系统的电化学活动，但该理论已超越纯生物学范畴，成为认知科学、人工智能（尤其是深度神经网络）及自适应系统设计的基石，解释了生物大脑如何通过经验改变结构以适应环境。

在现代计算架构与智能系统中，赫布理论扮演着连接生物启发式算法与工程实现的关键角色。它不仅解释了生物神经网络的自组织与模式识别能力，更是当前主流深度学习模型（如自编码器、脉冲神经网络）及强化学习中奖励机制的理论源头。在工程实践中，赫布学习规则推动了无监督学习与在线学习的发展，使得系统能够在无需人工标注数据的情况下，通过输入信号的统计相关性自动提取特征、构建知识图谱或进行异常检测。其核心价值在于提供了一种低资源消耗、高泛化能力的自适应学习范式，是构建类脑计算系统与高效能机器学习模型不可或缺的理论支柱。