生物行移动版

神经科学家长期寻求理解大脑中庞大连接和活动模式中结构与功能之间的关系。Tatiana Engel（普林斯顿神经科学研究所副教授）开发了潜回路模型——显式建模驱动任务性能的隐藏变量——以解释低维神经群体活动如何嵌入并从更高维的神经回路连接结构中涌现。她还讨论了流形的概念如何继续为神经科学解释提供信息，以及她与国际脑实验室合作测量全脑单神经元放电模式的研究。本文基于《The Transmitter》的“Brain Inspired”播客内容，系统解析Engel的建模方法及其对理解神经计算的意义。

一、核心问题：高维结构与低维功能之间的鸿沟

大脑由数十亿神经元和数万亿突触连接构成，形成极高维度的神经回路。然而，行为、决策、记忆等认知功能却可以用相对较少的参数描述，即低维认知功能。核心问题在于：低维认知功能如何从高维神经回路中涌现？

二、潜回路模型：一种解决方案

潜回路模型通过显式建模驱动任务性能的隐藏变量（潜变量），来解释低维神经群体活动如何嵌入并从更高维的连接结构中涌现。这些潜变量不能被直接观察到，但可以从行为中推断。

三、流形与维度降低

神经群体活动所在的低维几何结构称为神经流形。通过维度降低方法，将高维神经活动投影到低维潜空间。流形的几何特性（如分离性、曲率、速度）可能编码认知变量。

四、与国际脑实验室的合作

Engel团队使用Neuropixels探针，通过多实验室协作测量全脑单神经元放电模式，理解决策信号如何分布在全脑，而不仅限于少数“决策中心”。全脑数据为潜回路模型提供约束和验证。

五、对神经科学解释的启示

潜变量模型有助于区分相关和因果，预测新条件下的行为，识别跨任务的潜变量，并解释个体之间的行为差异。

六、未来方向

未来研究将把潜回路模型应用于更自然、更复杂的行为，比较不同物种中潜变量的结构，将潜变量与解剖连接联系起来，并使用潜变量模型理解神经精神疾病中的计算缺陷。

七、结论：用潜变量弥合结构与功能之间的鸿沟

Tatiana Engel的潜回路模型提供了一种有前景的方法来弥合高维神经回路和低维认知功能之间的鸿沟。通过显式建模驱动任务性能的隐藏变量，这些模型可以解释低维神经群体活动如何从更高维的连接结构中涌现。与国际脑实验室的合作（全脑单神经元记录）为这些模型提供了关键的约束和验证。

核心信息：

• 大脑是高维的，但认知功能是低维的。
• 潜回路模型显式建模驱动行为的隐藏变量。
• 神经流形是神经群体活动所在的低维几何结构。
• 流形的几何特性可能编码认知变量。
• 全脑数据为潜变量模型提供约束。
• 潜变量模型可以帮助区分相关和因果。

参考来源：
Engel, T. (2025). Connecting high-dimensional neural circuitry with low-dimensional cognitive functions. The Transmitter（Brain Inspired播客）.