速報馮·諾依曼神經元 Von Neumann Networks 細胞陣列神經算子

馮·諾依曼神經元與 VNN：細胞陣列自我構架的神經網路新路徑

研究把馮·諾依曼在細胞陣列上的構想帶入深度學習，提出可學習專職角色的馮·諾依曼神經元與其網路。方法在具擴散特性的細胞拓撲上，以卷積化學習類 Green 函數與神經算子延伸，網路依輸入輸出位置自我生成。實驗顯示此架構在基本任務上較等價深網更省參數且具擴展性。

08 5月 2026 — 2 min read

馮·諾依曼神經元登場：細胞陣列自我構架的神經網路

最新研究把馮·諾依曼在細胞陣列上的構想帶入深度學習，提出可學習專職角色的「馮·諾依曼神經元」，並由此組成馮·諾依曼網路（VNN）。這類神經元在具擴散特性的細胞拓撲上，以卷積形式學習類似 Green 函數的運算核，並擴展神經算子的數學框架。

作者強調，VNN 的網路不是傳統手工定義的層級結構，而是依據輸入與輸出在細胞陣列上的位置自我生成，呈現一種自工程化的架構樣態。理論上，這些網路屬於更廣義的「細胞機器」體系，具備計算通用性。

在實驗端，研究團隊以 VNN 為基礎構建的多層感知器，在基本任務上表現優於等價的深度模型，同時參數量更精簡，並能學習新的任務型態。該工作還提出把傳統馮·諾依曼硬體概念延伸到細胞層級的想像，為未來在網路架構設計、理論分析與可能的硬體映射上開啟新方向。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。

文本屬性圖（TAG）學習在學術網路、社群平台、電商系統等領域應用廣泛，但真實世界的 TAG 常因文本稀疏或雜訊、結構缺失或干擾、標籤不均或錯誤而品質低落。現有研究多聚焦單一劣化類型，缺乏統一基準。

Vector-Bench 是一個針對 SVG 指令式編輯的嚴謹基準測試，包含 40 個修復任務，每個任務配對一個損壞的 SVG 程式碼與作者撰寫的視覺指令、隱藏的目標程式碼、平均 5.05 個註釋修復和 60.55 個保護物件。指令僅描述可見缺陷，不暴露元素識別碼、座標、顏色碼或路徑資料。

大型語言模型（LLM）的流暢生成常被批評缺乏真正的語法結構。本文提出一個神經符號框架，利用組合範疇語法（CCG）對 LLM 的輸出進行後設的「提升」（lifting），將自然語言轉換為具型別的組合推導式。

大型語言模型體積龐大，難以用於機器人即時決策。Athena-Brain-8B 透過通用微調、強化學習、具身專家訓練與模型合併四階段後訓練，在 80 億參數內同時保留通用智慧與具身技能。實驗顯示，它在機器人導航任務上超越 GPT-5.5 等大模型，證明緊湊模型可勝任機器人大腦。