生物行移动版

人类的日常感知本质上具有前瞻性。当司机看到黄灯、远处传来救护车鸣笛或走廊里响起脚步声时，人脑会瞬间构建多维度的预测：预测即将发生什么感官事件、它何时发生以及发生的统计概率有多大。

尽管大脑能够轻而易举地完成这些计算，但计算神经科学和人工智能在生物学层面复制这一过程一直面临挑战。传统机器学习模型通常将这些维度分割到独立、专用的模块中，或者依赖反向传播（backpropagation）——这是一种数学上强大但依赖全局协调反馈信号的训练算法，极难与生物突触的物理布线和代谢约束相协调。

近日，由东京大学国际神经智能研究中心（WPI-IRCN）副教授 Zenas C. Chao 领导、学术专员 Yohei Yamada 参与的研究团队，引入了一种统一且具有生物学基础的替代方案。

该研究发表在《Communications Biology》上，研究人员证明，单一的循环脉冲神经网络（recurrent population of spiking neurons）仅使用严格的局部学习规则，就能同时学习并更新事件的身份、时间和概率。

“日常生活中的预测本质上是多维的，”Chao 教授表示，“我们的计算结果表明，单一的循环脉冲群体可以学习预期的内容、时间和可能性，并在环境统计数据发生变化时更新这些预测。”

为了探究神经回路如何管理复杂的期望，东京团队构建了一个由 1,000 个相互连接的神经元组成的循环脉冲神经网络（RSNN）。

他们设计了一项“多事件期望任务”，向网络提供一个简短的感官提示，以预测随后两个目标事件中的一个。关键在于，每个事件都有其独立的延迟窗口，且每个事件发生的概率均被独立调制。模型的学习严格局限于网络读出连接（readout connections）的突触权重。

当在 100 个试验（trial）的区块中进行训练时，网络在没有干扰的情况下整合了所有三个预测维度：

• 幅度反映概率：当某个事件的概率增加时，代表该期望的内部发放活动（firing activity）会按比例放大。
• 时间动态调整：当预期的延迟改变时，网络会动态调整其预期爆发的时间以匹配新的时间间隔。
• 在单一回路内分解：网络没有将“什么”和“时机”分配给不同的细胞簇，而是在完全相同的神经元群体中形成了分解的、重叠的模式。

值得注意的是，该网络在训练区块的前 50 次试验内就达到了其预测精度的绝大部分，展示了快速、样本高效的学习能力。

真实世界环境是不断变化的：延迟可能会延长，或者原本可能发生的结果突然变得罕见。

为了测试灵活性，研究人员突然打乱了时间间隔和结果概率。变化发生后预测误差立即激增，但网络迅速调整了其内部模型。

在与替代计算框架（包括全局最小二乘优化以及缺乏在线时间更新的模型）进行基准测试时，局部学习网络显示出更强的稳定性和更快的恢复时间。该框架还可以推广到不同数量的潜在事件、时间抖动（temporal jitters）和教学信号形状。

“我们希望将关于预测的简单日常想法与能够局部运行的学习机制联系起来，”Chao 教授解释道，“该模型为研究灵活预测如何在没有全局协调学习的情况下产生提供了计算基础。”

尽管作者强调该模型是一个计算概念验证，而非生物大脑运作方式的直接生理证据，但它为神经科学家研究皮质回路以及传递局部预测误差的神经调制系统（如多巴胺或乙酰胆碱）提供了具体、可检验的假设。

除了基础生物学，这一发现对神经形态计算和低功耗边缘 AI 硬件也具有重大前景。由于该架构依赖于局部突触可塑性，而不是资源消耗巨大的随时间反向传播，因此它为必须实时学习、预测和适应不可预测的现实世界数据流的自主芯片提供了对硬件友好的设计。