Neural cellular automata: Applications to biology and beyond classical AI

Hartl, Benedikt; Levin, Michael; Pio-Lopez, Léo · 2026 · Physics of Life Reviews

Metadata

Authors: Hartl, Benedikt; Levin, Michael; Pio-Lopez, Léo

DOI: 10.1016/j.plrev.2025.11.010

Tags: #machine-learning #multiscale-modeling

🔬 Deep Note📄 Quick Note

概述（Overview）

摘要概述

本综述系统回顾了 Neural Cellular Automata（NCA）在生物学及超越经典 AI 领域的应用现状。NCA 通过将人工神经网络（ANN）嵌入为细胞的局部更新规则，扩展了经典元胞自动机，使规则可训练、可微分，从而捕捉生命物质的自适应自调节动力学。综述覆盖了形态发生、再生与衰老、生成基因组、分子设计等生物学应用，以及机器人控制和 ARC-AGI-1 推理任务等超越生物学的应用。作者提出 NCA 构成了一种计算高效的统一范式，桥接多尺度生物学（multiscale competency architecture）与现代生成式 AI（如扩散模型），并有潜力设计真正生物启发的集体智能。核心共识是 NCA 的局部交互产生全局涌现行为，且具有再生、鲁棒性和开放适应性。主要争议在于 NCA 与真实生物系统之间的映射仍不完整。研究空白包括 NCA 细胞状态到生物组学数据的映射缺失、多模式存储能力有限、以及跨训练的模块化兼容性差。

综述问题、范围与选择标准

• 要回答的问题：NCA 作为一种计算范式，如何在生物学建模中发挥作用，以及它如何桥接生物学与现代 AI
• 覆盖范围：2020–2025 年间的 NCA 文献，覆盖形态发生、再生、衰老、分子设计、机器人控制、推理任务等应用领域，涉及分子到系统级多尺度
• 文章性质：narrative review
• 文献选择方法：未报告

主题综合

主题 1：NCA 的基本原理与架构

• 核心论点：NCA 通过将可训练的 ANN 作为细胞的局部更新规则，将经典 CA 的固定规则替换为可微分、可端到端优化的学习规则，使局部自调节动力学能被全局损失函数塑造
• 代表证据定位：§2, Fig. 2D（PDF p.3）
• 共识程度：稳固——这是 NCA 的定义性特征，由 Mordvintsev et al. [1] 在 2020 年确立
• 分歧或限制：NCA 的更新规则虽可训练但仍是黑箱，难以与生物 ODE 或分子通路对应（§5, PDF p.11）

主题 2：NCA 在形态发生与再生中的应用

• 核心论点：NCA 能从单种子细胞自组装出复杂目标图案，并在受损后再生——这是其最成熟的应用领域，直接类比于生物形态发生和组织修复
• 代表证据定位：§3, Fig. 1A–C（PDF p.2）
• 共识程度：稳固——Mordvintsev et al. [1] 的原始工作已被多项后续研究 [7,9,22,83] 复现和扩展
• 分歧或限制：当前 NCA 形态发生仅限于低分辨率网格（~10⁴–10⁵ 细胞），无法达到器官级复杂度（§5, PDF p.11）

主题 3：NCA 作为多尺度能力架构与集体智能

• 核心论点：NCA 的分布式架构天然映射生物多尺度能力架构——个体细胞的能力通过交互涌现为组织级和系统级行为，类似于生物系统中从代谢稳态到解剖稳态的层级
• 代表证据定位：§4, Fig. 1A–B（PDF p.2）
• 共识程度：有限——这是一个理论框架性主张，基于 Levin 的 TAME 框架 [27] 和多尺度能力架构概念 [26]，但缺乏定量验证
• 分歧或限制：NCA 的细胞状态与生物组学数据（转录组、蛋白组）之间的映射尚未建立（§5, PDF p.11）

关键图表、Box 与分类框架

• 定位：Fig. 1（PDF p.2）
• 内容：NCA 模型和应用的全景概览图，涵盖 A) 发育与形态发生的多尺度能力架构, B) 进化发育的分布式决策, C) NCA 学习的图案, D) 对抗性表型实验, E) MNIST 自分类, F) 迷宫求解, G) 去中心化机器人, H) 3D Minecraft 自组装, I) Xenobots, J) ARC-AGI-1 推理
• 价值：一张图展示了 NCA 从生物建模到机器人到推理任务的全部应用谱系，是该领域最佳的入门导航图
• 局限：未包含各应用的定量性能对比或计算成本

共识、争议与研究空白

相对稳固的共识

NCA 能从局部规则涌现全局行为，且具有再生能力和对扰动的鲁棒性。这一共识由 Mordvintsev et al. [1] 的 Growing NCA 工作确立，并在多项后续研究中得到验证 [7,9,18,19,22,64,65]（§2, PDF p.5; §3, PDF p.6–7）。

尚存争议

NCA 是否真正映射了生物多尺度能力架构，以及其集体智能是否可类比于生物认知。作者基于 TAME 框架 [27] 和 basal cognition 理论提出这一类比（§4, PDF p.8–9），但承认 NCA 细胞状态与生物组学数据之间的映射尚未建立（§5, PDF p.11），使该类比缺乏定量支撑。

作者提出的研究空白

NCA 细胞状态到生物组学数据的映射缺失，这是限制 NCA 对生物学预测能力的关键瓶颈（§5, PDF p.11）。此外，多模式存储能力有限（§5, PDF p.10）、跨训练的模块化兼容性差（§5, PDF p.11）、以及 NCA 动力学不遵循物理/生物 ODE（§5, PDF p.11）。

我识别的遗漏

综述未涵盖 NCA 与连续介质力学模型的耦合——NCA 的离散网格更新与连续 PDE 描述（如组织力学、流体动力学）之间的衔接方式未被讨论。这对将 NCA 应用于生物力学建模是一个重要缺口，因为生物形态发生本质上涉及力学-化学耦合。

个人批注

与我的工作的关系

NCA 作为局部规则产生全局涌现的框架，其"局部交互→系统级行为"的思路可能对血管 G&R 中细胞群体行为建模有方法学启发。特别是 NCA 的再生和鲁棒性特性，与血管组织在损伤后的适应和重塑过程有类比性。但 NCA 与连续介质力学的衔接缺失限制了我直接应用的可能性。

可复用框架

NCA 的"过完备局部规则 + 全局损失优化"框架可潜在用于构建血管壁细胞的多尺度模型：每个细胞维护状态向量（如表型、应力感知），通过 ANN 更新规则与邻居交互，全局损失对应组织级目标（如稳态应力分布）。Hierarchical NCA [10,11] 的多分辨率架构可映射血管的多尺度结构（细胞→组织→血管段）。

疑问与后续动作

• 疑问：NCA 的离散网格更新是否能与 FEM 的连续位移场耦合，形成混合多尺度模型？
• 后续动作：调研 NCA 与有限元方法耦合的文献，评估其在血管力学建模中的可行性

与上下文的关系

本文建立在

Mordvintsev et al. (2020) [1] 的 Growing NCA 工作；Levin [26,27] 的多尺度能力架构和 TAME 框架；Wolfram [45] 的元胞自动机理论；Gilpin (2019) [52] 的 CA-CNN 等价性。

已核实的后续引用

本次未检索

同类综述对比

本次未核实

与本地论文队列的关系

与 2026-NCA-CellsToPixels-Pajouheshgar 直接相关——后者解决 NCA 的分辨率限制问题；与 2025-ABM-RL-CellMigration-Camacho-Gomez 有方法学交叉——都涉及细胞行为的分布式建模

逐章节笔记（Section-by-Section Notes）

1. Introduction

段落 1：NCA 作为桥接生物学与 AI 的计算范式

• 核心论点：NCA 通过学习自适应局部规则来扩展到分布式目标导向行为和系统级输出，成为一种桥接生物学和 AI 的计算范式
• 支撑论据：
• 传统机器学习系统在需要抽象和推理的开放动态环境中常缺乏鲁棒性和泛化能力 [3–5]
• NCA 在进化发育和自组织形态发生 [1,6–13]、再生和衰老理解 [14–16]、分布式机器人控制 [17–23] 中表现出色
• NCA 在 ARC-AGI-1 等抽象推理基准上有竞争力 [24,25]
• 综述将 NCA 操作原理与生物组织的多尺度能力架构 [26–30] 联系
• 我的分析：此段通过列举 NCA 的广泛应用谱系建立了其作为"统一计算范式"的地位。与传统 ML 的鲁棒性/泛化缺陷对比，暗示 NCA 具有根本性优势。这种定位为后续的技术综述和理论框架讨论奠定了基调。

段落 2：从经典 CA 到 NCA 的历史脉络

• 核心论点：CA 是人工生命领域最古老的算法之一，通过简单局部规则产生复杂全局行为，已在生物和物理建模中广泛应用
• 支撑论据：
• CA 由 von Neumann 的自繁殖模型 [40]、Barricelli 的进化模型 [41] 和 Langton 的人工生命 [42] 发展而来
• CA 已应用于通用构造器 [43]、生物图案形成 [44]、复杂性研究 [45,46] 和涌现集体行为 [47–51]
• 现代 CA 与神经网络的等价性已被证明 [52]
• Miller [53] 开创性地用进化算法让 CA 产生"法国国旗"图案并具有自修复能力
• Nichele et al. [44] 演化了组合模式产生网络用于 CA 形态发生和复制
• 我的分析：此段建立了从经典 CA（固定规则）到 NCA（可学习规则）的技术演进脉络。关键转折点是 Miller [53] 将进化算法引入 CA——这使 CA 从描述性工具变为可优化的生成模型。NCA 的核心创新在此基础上进一步用 ANN 替代进化算法，使梯度优化成为可能。

段落 3：NCA 的核心定义与训练机制

• 核心论点：NCA 用 ANN 替代 CA 的固定更新规则，作为通用近似器可通过梯度优化或进化算法训练复杂集体目标行为
• 支撑论据：
• NCA 结合了 CA 的分布式处理特征和神经网络的学习能力 [1,2]
• 与传统 CA 不同，NCA 用细胞特定的 ANN 替代硬编码局部更新函数
• ANN 作为通用近似器可被训练于复杂集体目标行为（如目标图案组装的逆问题或 in silico 形态发生）
• 我的分析：此段给出了 NCA 的技术定义——关键是"用 ANN 替代固定规则"。这使两种训练范式成为可能：梯度优化（需要可微分）和进化算法（不需要可微分）。两种范式各有优势，后续 §5 将详细讨论。

段落 4：NCA 的发展扩展

• 核心论点：NCA 的能力已超越基本形态发生任务，扩展到自分类、迷宫求解、流形嵌入、注意力机制和信息论设计等多个方向
• 支撑论据：
• Randazzo et al. [54] 展示了 NCA 自分类能力（Fig. 1E）
• 迷宫求解 [12]（Fig. 1F）
• NCA manifold 框架 [55] 引入嵌入空间
• Tesfaldet et al. [56] 将自注意力机制嵌入细胞更新规则
• 信息论原理：empowerment 作为辅助目标 [57,58]
• Variational NCA [59] 引入变分推断处理随机性
• 分层 NCA [11] 实现跨分辨率的多尺度建模
• 我的分析：此段展示了 NCA 研究的多样化和深化趋势。注意力机制 [56] 和变分推断 [59] 的引入表明 NCA 正在吸收主流深度学习的技术进展。分层 NCA [11] 是与生物多尺度结构对接的关键架构创新。

段落 5：NCA 与深度学习的交叉应用

• 核心论点：NCA 与深度学习的交叉在计算机视觉、机器人控制等领域开辟了新的研究方向
• 支撑论据：
• 计算机视觉：分割和纹理合成 [60–62]
• 机器人：Variengien et al. [23] 的 cart-pole 平衡控制
• 软机器人：Horibe et al. [18,19] 的再生能力
• Pontes-Filho et al. [21] 的自组装机器人形态+导航策略（Fig. 1G）
• 3D 自组装和行为策略 [22]（Fig. 1H）
• HyperNCA [20]：3D NCA 自组装超网络参数化 RL 策略
• 我的分析：此段展示了 NCA 从纯计算模型到物理应用的扩展。机器人控制场景特别有意义——它要求 NCA 不仅生成形态还要生成行为策略，这更接近生物系统的"形态+功能"双重性。HyperNCA [20] 将 NCA 作为超网络参数化 RL 策略网络，是一种巧妙的"用生长过程生成控制策略"思路。

段落 6：NCA 的物理仿真与生物实现

• 核心论点：NCA 已在物理仿真环境中控制变形微游泳器，并与体外生物实现（Xenobots, Anthrobots）建立联系
• 支撑论据：
• Hartl et al. [17] 用 NCA 进化控制变形微游泳器，策略跨形态泛化且对执行器移除鲁棒
• Medvet et al. [64] 和 Pigozzi et al. [65] 用局部自注意力进化软机器人形态
• 这些 in silico 模型辅助了 Xenobots [66] 和 Anthrobots [67,68] 的体外生物实现（Fig. 1I）
• NCA 还建模了形态发生 [1,22,69]、稳态目标扩展 [9]、生物电 [70]、记忆 [8]、衰老 [14]、皮层机制 [71] 和进化 [7]
• 我的分析：此段是综述的关键转折——从纯计算 NCA 到物理仿真再到体外生物实现。Xenobots [66] 的成功表明 NCA 不只是计算工具，还能指导实际生物工程。这为 NCA 作为"计算→生物"桥梁的主张提供了实证支持。

段落 7：NCA 与多尺度能力架构的对应

• 核心论点：NCA 的架构天然镜像生物组织的多尺度能力架构——嵌套层级的目标导向行为跨空间和时间尺度运作
• 支撑论据：
• 生物系统中，细胞维持分子级稳态目标，同时参与组织级形态发生和器官级功能 [6,26,27,36]
• NCA 同样展现多能力架构：嵌入 ANN 的细胞可组织为层级结构，局部目标涌现为更大尺度的系统能力 [9,11]
• NCA 展现解剖稳态 [26]，可作为衰老和再生研究的 in silico 模型 [14]
• NCA 的鲁棒性和误差修正机制类似生物系统 [9,18,72,73]
• NCA 能在细胞损伤或部分移除后维持功能并再生目标图案 [1,9,18]
• NCA 的迭代局部更新时间动态与生物细胞过程对齐
• 我的分析：此段建立了 NCA 与生物多尺度架构的结构对应关系。这种对应是综述核心主张的理论基础——NCA 不仅是计算工具，更是生物组织的计算模型。但论证主要依赖类比而非定量验证，这是其局限性。鲁棒性和再生能力的类比最为有力，因为这些特性可被直接演示和测试。

段落 8：综述结构路线图

• 核心论点：本综述将讨论 NCA 在生物建模中的各类用例，并论证 NCA 为何是多尺度生物建模和超越经典 AI 的模型选择
• 支撑论据：
• 涵盖形态发生与自组织、衰老、再生与生物电、分子设计、生成基因组
• 讨论 NCA 作为多尺度能力架构模型的理由
• 讨论 NCA 作为基于集体智能的 AI 的潜力
• 最后讨论挑战和局限
• 我的分析：标准的路线图段落，为读者提供综述导航。值得注意的是"超越经典 AI"的定位暗示作者认为 NCA 代表了一种不同于当前 scaling-law 主流 AI 的新范式。

2. Neural cellular automata fundamentals

段落 1：CA 的基本定义

• 核心论点：CA 由离散网格上维护数值状态的细胞组成，状态通过基于自身和邻居状态的局部转换规则随离散时间步演化
• 支撑论据：
• 细胞 i 的状态 s_i^t 通过转换函数 f 演化：s_i^{t+1} = f(s_i^t, {s_j^t}_{j∈N(i)})
• N(i) 为细胞 i 的邻居（通常 Moore 邻域）
• 即使硬编码更新函数也能产生复杂行为
• Fig. 2A–C 展示了 1D 基本 CA（Wolfram rule 30）、贝壳图案 [74] 和 Conway 生命游戏
• 元素 CA、Conway 生命游戏和 Wireworld 已被证明具备通用计算能力 [38,39]
• 我的分析：此段提供了 CA 的标准定义和直觉——简单局部规则产生复杂全局行为。通用计算能力 [38,39] 的提及很重要，它从理论上建立了 CA（进而 NCA）的计算能力上限。贝壳图案 [74] 的例子建立了 CA 与生物图案形成的联系。

段落 2：NCA 的核心定义与状态更新

• 核心论点：NCA 用可学习的 ANN f_θ 替代 CA 的固定更新函数，使细胞能基于局部感知自调节连续向量状态，整个系统可端到端优化
• 支撑论据：
• 所有细胞使用相同 ANN 架构和参数（功能对称），但可产生非对称的丰富细胞状态动态
• 对可微分的 f_θ，整个系统可通过梯度学习（如 BPTT）端到端优化，使涌现自组织被全局损失函数塑造
• NCA 统一了 CA 的局部自调节动力学与深度学习的优化原理
• 最简形式：3×3 CNN + dense 层输出状态更新 Δx_i^t；参数约 ~10,000 [1]，范围从 ~10² [7,75] 到 ~10⁶ [76]
• 状态更新：x_i^{t+1} = x_i^t + Δx_i^t
• 我的分析：此段是 NCA 的核心技术定义。关键创新是将"端到端优化"引入了 CA——这使 NCA 从手工设计规则变为数据驱动发现规则。参数范围 ~10²–10⁶ 的变化反映了不同应用的复杂度需求。所有细胞共享参数（功能对称性）是一个重要的设计约束——它类似生物体中所有细胞共享相同基因组但产生不同表型。

段落 3：Growing NCA 的训练机制

• 核心论点：Mordvintsev et al. [1] 展示了 NCA 从单种子细胞自组装 2D 目标图案的能力，通过 RGB 通道比较和 α（不透明度）通道区分活/死细胞
• 支撑论据：
• 细胞状态向量的前三维为 RGB，与目标图像像素比较
• 完整状态可更高维（如 16D [1]）
• α 通道区分活细胞（α > α_T=0.1）和死细胞
• 仅有一个或多个活邻居的细胞可更新状态——实现 in silico 胚胎发生
• 动力学在时间状态更新间可微分，允许梯度优化
• 逆问题（目标图案/纹理形成）和自分类/分割可通过可微分集体智能求解
• 我的分析：此段解释了 Growing NCA 的核心训练机制——α 通道设计是关键创新，它使"生长"过程可微分化。从单种子生长的类比不仅是计算技巧，更是对生物发育过程的直接建模。损失函数仅在活细胞区域计算，这类似生物系统中仅在活跃组织处发生形态发生。

段落 4：感知层增强与再生训练

• 核心论点：通过 Sobel 类滤波器增强细胞感知、以及通过训练中引入扰动来实现再生能力，是 NCA 收敛和稳定性的两个关键策略
• 支撑论据：
• 感知层 P 扩展细胞状态信息：x_i → x_i ∪ P(x_i, {x_j})
• 如 Sobel 类滤波器添加局部状态梯度
• 为稳定长期行为，训练中故意破坏细胞状态（如擦除/掩码部分图案）
• 训练系统不仅学习生长还学习修复——展现类似蝾螈或涡虫的再生能力 [1]
• 我的分析：此段揭示了 NCA 训练的两个重要实践策略。感知层增强类似生物细胞的感知受体扩展——通过梯度感知获得更多环境信息。再生训练策略（训练中引入损伤）直接类比生物再生——这种"通过扰动获得鲁棒性"的思路在生物和工程中都有深远意义。

段落 5：非微分场景与进化算法

• 核心论点：在不可微分或 RL 场景中，进化算法和神经进化技术可有效优化 NCA 参数，随机细胞更新提升鲁棒性
• 支撑论据：
• 进化算法/神经进化在不可微分场景中有效 [7,9,20,21]
• 随机细胞更新（通过更新概率）实现异步更新过程
• 异步更新使细胞在信号和噪声间区分，避免局部过拟合
• 促进全局图案作为集体吸引子状态，实现鲁棒形态发生和自修复
• 这种异步更新使 NCA 与去噪扩散模型密切相关 [77–81]
• Hartl et al. [7] 通过在更新函数中添加噪声 Δx → Δx + ξ 提升鲁棒性和可进化性
• 我的分析：此段展示了 NCA 训练的两个重要扩展方向。随机异步更新是一个关键设计——它不仅提升鲁棒性，还使 NCA 在数学上与扩散模型产生联系 [77–81]，这为后续 §4 中 NCA 与生成式 AI 的类比奠定了基础。噪声注入 [7] 的策略与生物系统中的随机性有深层联系——生物发育在噪声环境中仍然鲁棒。

段落 6：ANN 架构多样性

• 核心论点：尽管多数 NCA 使用前馈 ANN，但注意力机制、循环反馈、公私状态分离和分层架构等多种 ANN 架构已扩展了 NCA 的应用范围
• 支撑论据：
• 注意力机制 [56] 使细胞选择性地关注相关邻居特征
• 循环内部反馈层 [7] 增强时序处理
• 公私状态分离 [8]（EngramNCA）实现分散记忆存储和转移
• 分层 NCA [10] 通过互连堆叠层实现多尺度架构（Fig. 3C）
• 我的分析：此段展示了 NCA 架构的多样化趋势。公私状态分离 [8] 特别有意义——它映射了生物细胞中公共信号（如细胞间通讯）和私有信息（如基因表达）的分离。分层 NCA [10] 是实现多尺度建模的关键架构，与生物组织的嵌套层级直接对应。这些架构创新使 NCA 从简单的图案生成工具进化为可建模复杂生物过程的"赛博系统"。

3. NCAs for AI-oriented computational biology

段落 1：NCA 在形态发生与发育中的应用

• 核心论点：NCA 已广泛应用于形态发生模拟，包括 French flag 问题和组织级图案形成，展示了简单细胞能力可扩展为组织级行为
• 支撑论据：
• ENIGMA 模型 [83] 用基因调控网络（GRN）替代 ANN 并纳入细胞间信号通路，提升生物保真度
• [9] 论证生物系统可理解为由细胞代谢稳态到组织和解剖稳态的层级
• 此概念在药物设计中有意义——分子需适配整体稳态网络，如 morphoceuticals [84]
• NCA 用于研究自组织系统的进化影响，发现进化过程受多尺度细胞能力影响 [7]
• French flag 问题（发育生物学中的位置信息模型问题）模拟展示了细胞能力扩展为组织级组织
• 系统对对抗噪声鲁棒，泛化到变化的系统参数，对修改的目标图案有增强的迁移性 [7,22,83]
• 我的分析：此段展示了 NCA 在发育生物学建模中的深度应用。ENIGMA [83] 用 GRN 替代 ANN 是一个重要方向——它将 NCA 从"黑箱 ANN 更新"推进到"基于生物调控网络的更新"，增强了可解释性。[9] 的多尺度稳态框架将 NCA 从纯图案生成提升到生物目标层级的建模。French flag 问题的成功验证了 NCA 在经典发育生物学问题上的适用性。

段落 2：EngramNCA 与记忆机制

• 核心论点：EngramNCA 通过引入公私状态分离实现分散记忆存储和形态转移，展示了 NCA 建模生物记忆机制的潜力
• 支撑论据：
• EngramNCA [8] 在公共细胞状态旁添加私有的细胞内记忆通道
• 受生物细胞内记忆机制（超越突触变化）的启发
• 允许细胞通过隐藏通道传播"遗传"信息
• 从共同种子自组织生长出多样化结构（Fig. 3B）
• 展现鲁棒自组织、增强适应性和再生能力
• 我的分析：EngramNCA [8] 的公私状态分离是 NCA 架构的重要创新——它直接映射了生物细胞中公共信号（细胞间通讯分子）和私有信息（基因表达状态）的双重性。私有记忆通道使不同细胞谱系可以保持和传播"表观遗传"信息，这更接近真实生物发育中的细胞命运决定过程。

段落 3：NCA 在再生医学中的应用

• 核心论点：NCA 在再生医学中展现出巨大潜力，能模拟生物再生过程并指导软机器人修复
• 支撑论据：
• Growing NCA [1] 展示了图案再训练后重生长能力——切割或移除部分结构后的再生
• 通过训练中引入扰动（随机更新和池采样）实现自修复
• 软机器人应用：NCAs 允许模拟机器人仅通过局部细胞交互再生形态 [64,65]
• 2D/3D 体素机器人实验中受损形态达到 99% 结构相似度恢复，运动恢复 67% [64,65]
• 3D Minecraft 虚拟世界中 NCA 生成和修复功能机器——对半结构达到 99% 块再生 [22]
• NCA 与扩散模型集成用于参数高效的图像合成和 inpainting [76]
• 我的分析：此段展示了 NCA 再生能力从图案到机器人的跨尺度验证。99% 结构恢复 [64,65] 是令人印象深刻的定量结果。NCA 与扩散模型的集成 [76] 是一个有趣的交叉——它将 NCA 的局部自组织与扩散模型的全局去噪结合，暗示了两种框架的深层联系（后续 §5 将详细讨论）。

段落 4：NCA 在生物电与衰老建模中的应用

• 核心论点：NCA 已用于建模生物电图案指导组织发育，以及将衰老概念化为组织形态空间中目标导向性的丧失
• 支撑论据：
• NCA 建模了涡虫等生物中指导组织发育的生物电图案 [85]
• NCA 模拟蝌蚪 disrupted 颅面结构通过特定生物电图案重组织 [70]
• 衰老建模 [14]：衰老是组织级形态空间中目标导向性的丧失，导致集体解剖稳态崩溃
• 即使无基因损伤或噪声积累，形态衰退也会发生 [14]
• 衰老组织中存在休眠再生潜力，可通过靶向干预重激活 [14,86]
• 我的分析：此段展示了 NCA 在两个前沿生物问题上的应用。生物电建模 [70] 将 NCA 从纯计算模型推进到可指导治疗干预的框架。衰老建模 [14] 的"目标导向性丧失"概念是一个深刻的重新定义——它将衰老从分子损伤积累转变为信息处理/控制系统的退化，这为衰老干预提供了新思路。休眠再生潜力的发现 [14] 有直接的转化医学意义。

段落 5：NCA 作为生成基因组模型

• 核心论点：NCA 的集体架构映射发育生物学的 bowtie 结构——基因组不编码蓝图而是编码生成性瓶颈，NCA 的 ANN 可建模这一生成性基因组
• 支撑论据：
• 基因组不是蓝图或发育程序，而是实例化生物发育的潜在变量 bowtie [26,30,87]
• 此过程非确定性也非简单涌现，而是基因组和表型之间的创造性问题解决层
• 这是 William James 定义的集体智能——"通过不同手段达到相同目标" [26,27,36]
• NCA 的 bowtie 结构：ANN 作为生成性基因组瓶颈，调控细胞状态（类比转录组表达）实现集体系统级目标
• NCA 可作为分布式模型来适应性地重新配置细胞表达 [6,88]
• 可通过对抗性重编程或组织接管 [15,16] 在真实生物数据上训练
• 我的分析：此段提出了一个深层的理论类比——NCA 的 ANN 对应生物基因组，作为"生成瓶颈"而非"蓝图"。这个类比有价值因为它解释了为何相同基因组（相同 ANN 参数）能产生不同表型（不同细胞状态）。但需要警惕过度类比：NCA 的数值状态与生物转录组/蛋白质组之间的定量映射尚未建立（§5 将讨论这一限制）。

段落 6：NCA 在分子设计中的应用

• 核心论点：NCA 已用于药物发现和蛋白质对接，虽在性能上尚不及 SOTA 扩散/transformer 基础模型，但展现了在精准医学中的潜力
• 支撑论据：
• 将小分子和蛋白质表示为体素结构
• NCA 用于设计小分子相互作用子、重建蛋白质结构、建模生物分子相互作用
• 可进行目标导向分子设计（条件化于特定蛋白质靶标）
• 可重建缺失蛋白质区域和建模异构化等动态过程
• 但性能尚不及扩散或 transformer 基础模型 [89,90]，不过在概念转化到精准医学和生物分子工程中有潜力 [91]
• 我的分析：此段诚实承认 NCA 在分子设计领域尚不如 SOTA 方法。这种诚实很重要——它界定了 NCA 的当前能力边界。NCA 在分子设计中的优势可能不在于绝对性能，而在于其局部、分布式特性可能更适合某些特定场景（如大分子复合物的分布式组装建模）。

4. NCAs as a model of choice for biology, and beyond?

段落 1：多尺度能力架构与 NCA 的对应

• 核心论点：NCA 的多尺度能力架构使其特别适合解决深层生物学问题——生物系统在不同复杂度层级展现认知能力，从分子网络到整体生物体
• 支撑论据：
• 生物系统在分子网络、细胞、组织、器官、整体生物体层级展现分布式问题解决能力 [26,27]
• GRN 展现学习和记忆能力 [92]
• 各层级的认知能力（记忆、决策、预期、学习）有大量研究支持 [26,27]
• 组织级集体行为产生伤口愈合和形态发生 [31]
• 器官和整体生物体跨尺度协调实现解剖稳态和环境适应 [93]
• Basal Cognition [94–97]：进化将细胞集体导航形态空间的能力转化为脑基 3D 空间导航 [26,27,98]
• 形态发生是细胞集体导航形态空间解决目标导向系统级控制任务 [29]
• 使用与神经元相同的分子硬件（离子通道、间隙连接、神经递质）[26,27,94–99]
• TAME 框架 [27] 形式化了从细胞到解剖稳态的目标扩展
• 我的分析：此段是综述的理论核心——将 NCA 定位为多尺度能力架构的计算实现。Basal cognition 理论提供了关键桥梁：如果认知不限于神经元，而是存在于所有生物组织层级，那么 NCA（作为具有局部决策中心的计算系统）天然映射这种架构。但这一论证依赖 basal cognition 理论的可接受性，而该理论本身在生物学界有争议。NCA 的价值可能不在于"证明"生物认知，而在于提供了一个可操作的计算框架来探索这些概念。

段落 2：NCA 与传统 AI 的对比

• 核心论点：当前 AI（LLM, transformer）未利用生物系统模块化、跨尺度的能力整合——深度学习中的每个神经元仅作为滤波器，而 NCA 的每个细胞包含可学习的 ANN，更接近生物皮层柱结构
• 支撑论据：
• 深度学习中每个形式神经元仅作为滤波器，达到阈值后发射预定义信号
• 神经元模型本身不能学习或形成记忆——学习和信息处理仅在网络整体尺度发生
• 这与生物神经元（特别是新皮层皮层柱）形成对比 [32,33,105,106]
• 皮层柱被论证能学习任意概念并作为世界模型/参考框架 [32,33]
• NCA 在每个细胞中维护可训练 ANN，可表示任意概念的参考框架 [108]
• NCA 可能建模新皮层的高级认知过程如主动感知 [71,109]
• 我的分析：此段提出了 NCA 相对于传统深度学习的根本优势——"每细胞可学习"vs"仅网络级可学习"。这个对比有意义但需要谨慎：NCA 细胞的 ANN 很小（~10²–10⁶ 参数），与皮层柱的复杂度差距巨大。不过架构原则的类比是有价值的——它指出了当前 AI 架构的局限性和可能的改进方向。

段落 3：NCA 与智能扩展的新范式

• 核心论点：当前 AI 通过数据/参数/计算扩展，而 NCA 通过生物启发的跨尺度学习动力学实现智能扩展，代表了不同的范式
• 支撑论据：
• 当前扩展智能的焦点是训练数据、模型参数和计算资源的扩展 [110]
• 这种方式极度资源密集，仅模仿了生物学能力的一小部分
• LeCun [111] 推广基于世界模型的方法
• NCA 的自调节推理动力学代表了一种解决方案——实现生物启发的跨尺度桥接学习动力学
• 生物进化模块化地将最小集体目标导向行为（稳态回路）重新利用为更高级的问题解决代理 [9,27]
• NCA 架构通过设计实现了从局部细胞通讯到系统级行为（可能到集成的世界模型）的智能扩展
• 我的分析：此段触及 AI 研究的核心争论——scaling laws vs 架构创新。作者主张 NCA 代表了一种不同于 scaling 的智能扩展路径：通过模块化重用和能力层级叠加。这是一个有前景的方向，但 NCA 当前的规模和性能远不足以验证这一主张的可行性。ARC-NCA [24,25] 的竞争力结果是支持证据，但样本有限。

段落 4：ARC-NCA 的推理能力

• 核心论点：ARC-NCA 在 ARC-AGI-1 推理基准上表现竞争力，仅用 2–3 个训练样本就能泛化生长目标图案，而标准 AI/ML 技术难以做到
• 支撑论据：
• ARC-AGI-1 是精心设计的通用智能和抽象推理基准 [4,5]
• vanilla NCA 和 EngramNCA 在 ARC 上与 ChatGPT-4.5 表现竞争力，且计算成本远低 [24,25]
• NCA 利用"生长"复杂图案的发育过程——体现了 basal cognition 的计算能力 [27,34]
• ARC-NCA 可从 2–3 个训练样本泛化——标准 AI/ML 难以实现
• 我的分析：此段提供了 NCA "超越经典 AI"主张的关键实证证据。2–3 样本泛化能力尤其有意义——这暗示 NCA 的发育式学习可能具有与人类相似的 few-shot 学习能力。但需要注意：ARC-AGI-1 是一个特定基准，NCA 的竞争力可能仅限于特定类型的任务（特别是那些涉及空间图案生长的任务）。将此推广到"通用智能"需要更多验证。

段落 5：生物系统的自建模架构

• 核心论点：生物组织在每个尺度都是其环境特征的"具身模型"——从双稳态酶到转录组到生物电场到整个生物体——NCA 提供了镜像这种层级表征架构的计算框架
• 支撑论据：
• 复合代理对象是否是环境相关特征的具身模型 [112]？
• 层级表征结构如何跨时空尺度涌现 [9,26]？
• 生物代理在每个层级既是组件/效应器，也是环境的具身表征 [26,27,113]
• 双稳态酶 = 配体特异性决策的具身模型
• 转录组 = 形态发生场中细胞命运规范的具身模型
• 生物电场 = 引导细胞集体进行大规模图案形成的粗粒度时空模型 [114]
• 动物 = 活体世界模型 [111,115]——大脑不仅是预测工具，更是环境规律性的动态具身表征
• 神经回路整合感知、行动和预期 [30,32,33,107,116]
• 这种建模在每个尺度上不是重新发明的，而是作为规律性被重用 [117,123]
• 进化是"修补"（tinkering）——重用、重构、跨尺度重新利用 [26,124]
• 生物组织可能是 models-within-models 而非 layers-within-layers [6,9,26,28,29,92,100,125]
• 变分自由能原理/主动推断形式化了这一观点 [116]
• 我的分析：此段是综述的理论最深部分——提出生物组织是"models-within-models"而非简单的"layers-within-layers"。这个视角有启发性：它将生物组织理解为嵌套的具身模型层级，而非被动的组织层级。NCA 作为计算框架能镜像这种架构——每细胞 ANN 可作为"参考框架"建模概念。但这是哲学层面的论证，缺乏可操作的定量验证。变分自由能原理 [116] 的引入为这一框架提供了理论基础，但 NCA 与 FEP 的定量对应尚未建立。

段落 6：NCA 与通用计算

• 核心论点：近期研究表明 NCA 可通过训练实现通用计算——逻辑门可作为计算原语被 NCA 动态整合
• 支撑论据：
• Béna et al. [127] 训练 NCA 执行连续状态空间中的通用计算——通过任务特定目标引导基本计算原语（逻辑门）的涌现
• Miotti et al. [128] 用可微分逻辑门建模离散 CA 的更新函数——DiffLogicCA
• 这些是迈向基于集体智能的自组装通用计算的初步步骤
• 我的分析：此段展示了 NCA 通用计算能力的前沿进展。逻辑门涌现 [127] 是重要的一步——它表明 NCA 不仅能生长图案，还能执行任意计算。DiffLogicCA [128] 将离散逻辑与可微分训练结合，可能为 NCA 的可解释性开辟新路径。但这些仍处于早期阶段。

段落 7：临界性与 NCA 的认知潜力

• 核心论点：临界动力学可能是连接 NCA 与生物认知的关键桥梁——临界状态为探索与稳定性提供最优平衡，且可能是跨尺度自调节能力的功能支架
• 支撑论据：
• 未来研究需探索 NCA 中计算介质是否经历类似从多细胞通讯到神经元网络中无标度激活的转变
• 这可能涉及显式分层架构 [10,11] 或含短程和长程连接的图状组织
• 展现临界动力学的 NCA——通过匹配幂律雪崩统计验证——为下游任务提供更高效的初始条件 [109,129]
• 随机 CA 的分析支持使用幂律诊断评估临界性 [130]
• 识别 NCA 中临界性的鲁棒定量度量和开发维持/调节临界性的训练方案是重要挑战
• 脑网络中的临界性假设通过维持长程相关、幂律分布雪崩和高效信号传播来最大化计算能力 [131–135]
• 临界性可能是脑功能的通用设定点 [136]
• 认知是光谱——不限于神经元动力学 [26–28,31,85,113]
• 临界性可能不仅是动力学状态，而是跨尺度（从离子通道到组织到行为）支持自调节代理性的功能支架
• 大脑临界态不是进化的顶峰，而是允许去中心化系统维持稳态可塑性的基本可调阈值
• 仿效这种动力学的 NCA 可能改善学习效率并揭示连接生物组织和计算韧性的基本原理
• NCA 可能是生命底层（近临界）计算逻辑的模型 [6]
• 我的分析：此段将综述推向了更深层的问题——临界性与认知的关系。临界性在脑科学中的证据 [131–136] 较为稳健，但将其推广到 NCA 和非神经生物系统是一个大胆但尚需验证的假设。NCA 中预训练到近临界态可提升下游任务性能 [109,129] 是支持性证据，但样本有限。这一方向有潜力但需要大量后续工作。

5. Challenges and limitations

段落 1：模型复杂性与可解释性

• 核心论点：NCA 虽比大型全连接网络简单，但平衡单细胞模型复杂性与涌现动力学的可解释性远非易事，当前 NCA 仍是生物组织的玩具模型
• 支撑论据：
• NCA 细胞内的 ANN 比大型全连接网络简单
• 但平衡模型复杂性和可解释性困难
• 如何解释和分析分布式计算系统的集成动力学不清晰
• NCA 迄今代表生物组织和自调节复杂系统的玩具模型
• 可作为透明模型系统——复杂性和能力可设计调节
• 我的分析：此段诚实地承认 NCA 当前作为"玩具模型"的地位。"透明模型系统"的定位是有价值的——即使 NCA 当前不能完全建模真实生物系统，其可调复杂性使其成为研究自调节系统网络动力学的理想平台。

段落 2：训练困难与坍塌

• 核心论点：NCA 训练仍面临坍塌到平凡吸引子和陷入次优解的问题，特别是梯度方法中的池中毒和神经进化中的特征精度不足
• 支撑论据：
• 梯度方法中可能坍塌到平凡吸引子（特别是池中毒导致）
• 神经进化训练可能陷入缺乏特征精度的次优解
• 临界性和预训练可能提供良好的下游学习初始状态 [71,109,129,130]
• 多目标图案训练困难——存储多个系统级吸引子状态具有挑战性
• 部分方法通过共进化多初始条件和共享 ANN 参数解决 [7]
• EngramNCA 通过公私状态双轨制规避 [8]
• 扩展图案存储和细胞分辨率能力以与现代生成 AI 竞争是活跃研究领域 [72,76]
• 我的分析：此段揭示了 NCA 训练的主要技术困难。池中毒是梯度训练中的已知问题——训练样本多样性导致模型退化为平凡解。多图案存储困难限制了 NCA 的实用性——当前一个 NCA 主要学习一个目标图案。这与生物系统（一个基因组产生多种细胞类型）形成对比。

段落 3：模块化与兼容性不足

• 核心论点：不同 NCA 训练可能产生相同的系统级输出但完全不同的微观动力学，限制了模块化和跨 NCA 兼容性
• 支撑论据：
• 不同训练可能产生相同系统级输出但微观动力学完全不同
• 这限制了多 NCA 在同一环境中的模块化和兼容性
• 与生物学形成对比——生物学都使用相同的生物化学语言通讯
• 神经进化提供了迁移性和可进化性实验的一些见解 [7,10,11]
• EngramNCA 展示了通过公私状态交替实现不同种子"基因"形态间的接口 [8]
• 但学习到的更新规则仍是黑箱，在参数和交互层面难以解释
• 更新动力学不遵循物理或生物相关的 ODE
• 分层 NCA 中合理的多尺度耦合原理不清晰
• 机器人中的真实世界实验尚处萌芽
• 稳定性、条件动力学和普遍性的理论理解需要大量努力
• 我的分析：此段揭示了 NCA 的根本局限——缺乏标准化的"通讯语言"。生物系统通过统一的生化信号（蛋白质、离子等）实现跨细胞类型通讯，而不同 NCA 训练产生不兼容的微观动力学。这限制了 NCA 的模块化组合能力——无法像生物系统那样"即插即用"地组合不同功能的细胞群体。"更新动力学不遵循物理/生物 ODE"的承认特别重要——这限制了 NCA 对生物系统的定量预测能力。

段落 4：混合训练范式

• 核心论点：提升 NCA 能力可能需要混合训练范式——结合可微分学习和进化策略各自的优势
• 支撑论据：
• 可微分学习在任务特定动力学（如目标图案形成）上高效高精度 [1,82]
• 进化算法提供更大的解多样性，产生对噪声/损坏鲁棒、具有增强可进化性和迁移性的 NCA [7,9–11,18,19,57,58]
• 不同 ANN 架构（前馈、电路、注意力、循环、世界模型等）可能强烈影响 NCA 学习能力
• NCA 与 RL、反向传播、主动推断、神经进化的关系仍探索不足
• 条件扩散-进化方法 [88,137] 提供了空前的质量-多样性分数，条件采样允许向多种目标结果的偏置
• 我的分析：此段指出了 NCA 训练的未来方向——混合范式。梯度方法擅长精确学习特定任务，进化方法擅长产生鲁棒和可迁移的解。两者结合可能产生最优 NCA。条件扩散-进化方法 [88,137] 是一个有趣的交叉——它将扩散模型的生成能力与进化算法的多样性结合。

段落 5：多尺度建模的挑战

• 核心论点：生物组织集成的多尺度特性对建模和计算提出重大挑战，分层 NCA 尝试克服但面临存储容量和扩展性限制
• 支撑论据：
• 分层 NCA [10,11] 通过固定架构的分层堆叠尝试解决——低层实现动力学，高层控制低层
• 如何最好地解耦不同尺度、或识别在不同语境下组合的细胞子群不清晰
• 存储容量（多系统级目标或功能模态）和扩展性受限
• 在单细胞分辨率模拟器官级复杂度当前不可行
• NCA 可从分层推理 [138]、多智能体 RL [139–143] 和 JEPA [111] 学习
• Latent NCA [144] 将计算从输入空间移到自动编码器设计的潜空间，降低计算需求
• 我的分析：此段揭示了 NCA 多尺度建模的根本挑战——在单细胞分辨率模拟器官级复杂度不可行。这是计算资源而非理论框架的限制。Latent NCA [144] 和 JEPA [111] 的引入是可能的解决路径——通过将计算移到潜空间来降低维度。但这些方法仍处于早期阶段。

段落 6：生物描述能力的局限

• 核心论点：NCA 的生物描述能力严重过度简化——难以与分子通路、GRN 和生物力学力整合，且合成细胞状态到生物组学数据的映射缺失
• 支撑论据：
• NCA 将细胞视为同质单元，数值状态和交互最多是生物过程的抽象
• 难以整合 NCA 动力学与分子通路、GRN 或生物力学力
• 训练主要关注系统级输出的准确性，忽略能量、代谢或其他物理/化学/生物约束
• 如何将 NCA 合成细胞状态映射到生物对应物（转录组、蛋白质组等组学数据）不清晰
• 这是限制 NCA 对生物学预测能力的关键缺失环节
• 若解决，NCA 可成为优秀的生物动力学第一性原理模型
• 首批努力已在细胞簇形态发生 [145] 和通过稳态原理扩展生物目标 [9] 中做出
• 对复杂跨尺度生物体仍未解决
• 我的分析：此段是综述最重要的局限承认——NCA 细胞状态到生物组学数据的映射缺失。这是 NCA 从"玩具模型"到"预测性生物模型"的关键瓶颈。"忽略能量/代谢约束"也是重要局限——生物形态发生受到热力学和代谢约束，而当前 NCA 训练仅优化目标图案准确性。这些限制共同界定了 NCA 当前作为生物模型的适用边界。

段落 7：具身性的开放问题

• 核心论点：具身性在 NCA 框架中如何以及在不同尺度如何体现是一个开放问题，特别是与生物系统在软件/硬件边界上的差异
• 支撑论据：
• 如果认真对待生物的多尺度能力架构，建模通过具身性在每个尺度发生
• 生物通过进化问题解决代理跨尺度推广学习 [6,26,28,117,118,123,124]
• 关键区别：NCA 使用逻辑单元作为信号载体，而生物系统使用物理（生物）信号
• 在生物学中，低层代理成为高层信号——模糊了软件和硬件、计算和具身性的边界 [27,34,113]
• NCA 提供了理解跨组织层级的建模和控制如何涌现的独特试验台
• 澄清计算框架中什么构成具身性对推进这一研究方向至关重要
• 我的分析：此段触及了 NCA 与生物系统的根本区别——信号载体性质。生物系统的信号是物理实体（分子、电信号），既是信息也是物理作用（如力学力）。NCA 的信号是数值，仅携带信息。这种区别在生物力学建模中尤为关键——生物组织中的力学力不仅是信号还是物理效应，而 NCA 无法自然表达这种双重性。

段落 8：NCA 与扩散模型的深层联系

• 核心论点：NCA 展现自调节去噪行为类似扩散模型，但缺乏显式时间反馈——扩散模型条件化于时间步来引导去噪，而 NCA 必须端到端学习时间结构
• 支撑论据：
• 两者都迭代地将高熵噪声初始状态 x_t 转化为结构化数据 x_0
• 扩散模型显式训练预测和去除噪声 ε_t，条件化于编码破坏程度的时间步 t
• 扩散模型利用时间参数编排层级精炼：粗特征先涌现，然后通过数据流形中的对称性破缺转变产生细粒度细节 [148–150]
• NCA 缺乏显式时间反馈和监督——不接收 t 作为输入
• NCA 的动力学通过集体循环状态更新隐式编码发育时间
• 未来 NCA 架构可从混合设计中受益——仿真扩散式层级去噪同时保留分布式空间计算优势
• 我的分析：此段是综述技术分析的高亮点——揭示了 NCA 与扩散模型的深层联系和关键区别。扩散模型的时间条件化使它能编排层级精炼（粗→细），而 NCA 必须隐式学习这种时间结构。这是 NCA 在生成质量上可能不及扩散模型的原因之一。混合设计（NCA + 扩散式时间条件化）是一个有前景的未来方向。

6. Conclusion

段落 1：NCA 作为计算生物学的模型选择

• 核心论点：NCA 是 AI 导向计算生物学的模型选择——整合生物多尺度能力架构，分布式天然适合建模自组织和时空信息处理
• 支撑论据：
• NCA 整合生物多尺度能力架构 [6,8,9,14,24,25,57,63,129]
• 分布式天然适合建模自组织和时空信息处理
• 可模拟形态发生、组织再生等生物过程
• 可在不同组织层级获得深层见解
• 认知按 basal cognition 原理扩展 [26,27]
• 我的分析：结论的第一段重申了综述的核心主张——NCA 作为多尺度生物建模的计算框架。basal cognition 原理的再次提及强调了 NCA 的理论定位不仅仅是工具而是框架。

段落 2：NCA 与 AI 的正反馈循环

• 核心论点：NCA 与生物学之间存在正反馈循环——用 NCA 理解生物信息处理，反过来用生物学原理设计新 AI 架构
• 支撑论据：
• 用 NCA 理解细胞集体系统的信息处理
• 反过来应用生物原理设计新 AI 架构和算法
• 生物启发式 AI 可能有益于 AI 对齐问题——可构建更适应、韧性强、协作、模块化集成的 AI
• 利用 NCA 的分布式能力
• 可用神经科学和心理学工具箱理解和交互——因共享多尺度能力架构
• 这种共生关系提供了计算生物学和 AI 未来的乐观新范式
• 我的分析：结论以"正反馈循环"收尾——NCA 理解生物学，生物学启发新 AI。这是综述核心论点的精炼总结。AI 对齐的提及将 NCA 的意义从计算生物学扩展到 AI 安全领域。尽管挑战和局限显著，作者的乐观基调是合理的——NCA 确实代表了一种不同于当前 scaling-law 主流的 AI 范式。但需要更多定量验证来支撑这一乐观展望。

快速判断

• 一句话结论：本文综述了 Neural Cellular Automata（NCA）在生物学及超越经典 AI 领域的应用，涵盖形态发生、再生、衰老、机器人控制和抽象推理任务，主张 NCA 是连接多尺度生物智能与现代生成式 AI 的统一计算范式。
• 阅读范围：仅 metadata、first page、abstract、最多 3 个 figure/table captions 和 conclusion；未通读正文
• 处理决定：保留参考
• 决定理由：作为综述，提供了 NCA 在生物自组织建模中的全景视图，与我的血管 G&R 和细胞迁移建模有潜在方法学交叉，但核心关注点不在力学建模上。

摘要概述

该综述系统地回顾了 Neural Cellular Automata（NCA）在生物学和生物工程应用中的现状。NCA 通过将人工神经网络（ANN）嵌入为局部决策中心，扩展了经典元胞自动机，使更新规则可训练、可微分，从而捕捉生命物质的自适应自调节动力学。NCA 可跨分子、细胞、组织和系统级尺度模拟过程，覆盖进化、发育、再生、衰老、形态发生和机器人控制。综述还强调 NCA 在生物学之外的鲁棒目标导向动力学能力，如复合机器人形态的控制/再生和 ARC-AGI-1 推理任务，并将其迭代状态精炼原理与现代生成式 AI（如概率扩散模型）联系起来。作者主张 NCA 构成了一种计算高效且统一的范式，能够桥接多尺度生物学与现代生成式 AI。最大限制在于作为综述，缺乏对具体方法实现的定量评估和基准比较。

关键证据

• 证据 1（定位）：Abstract
• 展示或报告：NCA 通过嵌入 ANN 作为局部决策中心，可模拟从分子到系统级的多尺度生物过程，包括进化、发育、再生、衰老和形态发生
• 支持的结论：NCA 是一个统一的计算范式，能桥接多尺度生物学与现代生成式 AI

• 注意事项：摘要为综述性陈述，未提供具体定量结果

• 证据 2（定位）：Fig. 1 caption

• 展示或报告：NCA 的多种应用概览，包括形态发生的多尺度能力架构、进化发育的分布式决策、对抗性表型实验、MNIST 自分类、迷宫求解、去中心化机器人控制、Xenobots 和 ARC-AGI-1 推理任务
• 支持的结论：NCA 的应用范围极广，从生物模式生成到机器人控制再到抽象推理

• 注意事项：caption 仅列出应用类型，未报告具体性能指标

• 证据 3（定位）：Conclusion

• 展示或报告：作者认为 NCA 是 AI 导向计算生物学的首选模型之一，能整合生物多尺度能力架构；利用 NCA 理解细胞集体系统的信息处理，反过来可用于设计新的 AI 架构和算法，可能有助于 AI 对齐问题
• 支持的结论：NCA 与生物学之间存在正向反馈循环——用 NCA 理解生物学，再用生物学原理设计生物启发式 AI
• 注意事项：结论为展望性陈述，缺乏定量验证

局限与未核实项

• 最大局限：作为综述论文，主要进行文献综合与展望，缺乏对新方法的定量评估或实验验证
• 未核实项：NCA 在具体生物过程（如形态发生、再生）中的模拟精度；NCA 与传统机器学习方法在生物学任务上的定量对比；NCA 的计算效率和可扩展性的具体数据

与我的关联

• 可复用点：NCA 作为一种可训练的局部规则更新框架，其"局部交互产生全局涌现行为"的思路可能对血管组织重塑的细胞级建模有方法学启发
• 关联的当前问题：血管 G&R 中细胞群体行为和自组织过程的建模；但 NCA 与连续介质力学方法的衔接方式本次未核实
• 下一步动作：保留参考；若需要探索 NCA 在血管组织自组织建模中的潜在应用，可升级 deep 阅读其方法实现细节