生物行移动版

大脑为何天生会犯错？——新研究揭示，错误并非缺陷，而是演化赋予的“探索性”机制。 达特茅斯学院、麻省理工学院与纽约州立大学石溪分校团队在 Nature Communications 发表的研究，构建了一个基于生物学原理（而非动物数据拟合）的类脑计算模型，模拟视觉分类学习任务。模型不仅以与动物几乎相同的速度与波动模式学会任务，其内部神经活动也与真实动物脑记录惊人吻合。更意外的是，模型自发产生了约20%的“不和谐神经元”，其活动模式强烈预测错误的发生——当这些神经元活跃时，模型更可能做出错误判断。返回动物数据后发现，这些神经元真实存在于动物脑中，此前却被忽略。研究者提出：这类神经元可能通过故意偏离已有知识，在稳定环境中偶尔引入“变异”，使大脑在环境变化时能灵活适应（“探索”）。该模型现正被开发为神经药物筛选与脑疾病机制研究的计算平台，有望加速治疗精神疾病与神经退行性疾病的药物发现。

类脑模型：从“模仿数据”到“生长认知”

传统脑模型常通过深度学习在动物数据上训练以拟合行为。本研究反其道而行之：基于已知的神经回路（皮层-纹状体-脑干-强直性活动神经元TAN）与神经递质（谷氨酸、乙酰胆碱）作用规则，构建一个自下而上的模型。认知与行为并非“编程”进去，而是从回路相互作用中涌现。

模型结构：微观“基元”与宏观环路

1. 微观基元（primitives）

• 模拟局部皮层回路：兴奋性神经元接收视觉输入（谷氨酸能），连接到抑制性神经元，形成“赢家通吃”结构——符合真实皮层抑制性微环路的组织原则。

2. 宏观环路

• 皮层：处理信息；

• 纹状体：学习行动与结果关联；

• 脑干：基础唤醒；

• TAN（强直性活动神经元）：释放乙酰胆碱，为系统注入随机噪声，促使模型在早期尝试不同策略（探索），而非固化于某种反应。

学习过程：从探索到利用

• 初始阶段：TAN驱动探索，模型行为多变，正确率低；

• 学习进行：皮层-纹状体连接强化，逐渐抑制TAN的随机性，系统转向“利用”（基于已学知识稳定选择）。

• 神经节律：学习过程中，皮层与纹状体在β频带（约15-30 Hz）的同步活动增强，且同步峰值出现在正确判断时刻——与动物脑电（EEG）记录一致。

意外发现：“不和谐神经元”预测错误

在分析模型内部活动时，研究者发现约20%的神经元在模型即将做出错误判断时出现特征性活动模式。他们将这些神经元命名为“不和谐神经元”（incongruent neurons）。起初以为模型存在“缺陷”，但当回到真实动物数据中检查时，发现同样的神经元活动模式确实存在，只是此前未被注意。

功能假说：错误是“探索”的种子

研究者提出，这些神经元可能通过在稳定环境中偶尔引入错误，防止大脑陷入僵化。当环境变化时，这些“错误种子”可成为新策略的起点——这种“探索-利用”平衡是智能系统（无论是生物还是人工）高效学习的基础。

“学习规则很有价值，但环境会变。一个只遵循已知知识的脑，在环境变化时可能陷入困境。尝试替代方案——即使是错的——可能为发现新策略打开大门。”麻省理工学院皮考尔研究所Earl K. Miller教授解释道。

应用前景：神经药物筛选与疾病建模

研究团队已成立Neuroblox.ai公司，将该模型发展为药物发现平台：

• 机制理解：模拟精神分裂症、帕金森病等疾病中特定回路（如多巴胺/乙酰胆碱失调）的效应；

• 药物筛选：在模型中测试候选药物对网络动力学与行为的影响，再进入动物实验，降低临床前开发成本与风险；

• 个性化建模：未来可根据患者脑成像数据构建个体化模型，预测治疗响应。

未来方向

• 扩展模型至更多脑区（如杏仁核、海马）与神经调质（如多巴胺、血清素）；

• 在模型中“诱导”疾病状态（如TAN活性异常），模拟强迫症或注意缺陷多动障碍（ADHD）的表型；

• 将模型应用于探索“元学习”与“认知灵活性”的神经机制。

参考信息
Reference: “Biomimetic model of corticostriatal micro-assemblies discovers a neural code” by Anand Pathak et al., 2025, Nature Communications.
DOI: 10.1038/s41467-025-67076-x