导语：海马体对于记忆、想象和建构性推理至关重要。近期模型表明，其神经元反应可以通过建模经验之间转换的“状态空间”来很好地解释。本研究通过模拟和海马体记录来调和这些观点，证明如果状态空间由已有的构建模块（即“原始元素”）组合而成，那么海马反应可以被解释为组合性记忆，将这些原始元素绑定在一起。至关重要的是，这使得智能体能够在无需新学习的情况下，在新环境中实现最优行为，直接从组合中推断行为。研究者预测海马重放在构建和巩固这些组合性记忆中发挥作用，并通过两个数据集验证了这些预测：来自新发现地标的重放事件会诱导并增强新的远端放电野；当地标移动时，重放会相对于新位置以相同的矢量构建一个新的放电野。这些发现共同为推理组合性记忆提供了一个框架，并证明了此类记忆是在海马重放中形成的。
海马体：从“认知地图”到“组合记忆”
海马体一直被认为是认知地图的神经基础，支持空间导航和关系记忆。然而，近年来的理论和实验发现，海马体也参与想象、场景构建和灵活推理，这些功能超越了简单的“地图”概念。传统的状态空间模型（如后继表征）虽然能解释海马的一些反应，但它们在面对新环境时往往需要大量学习，缺乏组合性带来的“一次性”灵活泛化能力。
本研究提出的核心观点是：海马体并非从零开始学习每个新环境的状态空间，而是通过组合一组可重用的、基础的“原始元素”（如空间位置、与边界/物体/奖赏的相对矢量）来即时构建新环境的状态表征。这种组合性记忆使得智能体可以将过去学到的行为策略（如“朝奖赏矢量方向移动”）直接应用于新环境中相同矢量关系的不同位置，实现零样本泛化。
核心发现：海马体作为“组合引擎”，重放作为“建构工具”
1. 组合性表征支持零样本最优行为
模型模拟表明，如果海马神经元编码的是组合性状态空间（例如，将当前位置与到墙壁、物体、奖赏的矢量信息绑定在一起），那么一个简单的策略映射网络就能学会最优行为。更重要的是，这个策略可以直接泛化到全新配置的环境中（例如，奖赏位置改变、墙壁布局改变），而无需任何额外学习。相比之下，只编码绝对空间位置的模型在新环境中完全失效。这解释了为何动物能在首次进入新环境时就展现出一定的适应性行为。
2. 海马“地标细胞”是组合性记忆的体现
研究者将海马中一类对特定地标有矢量关系反应的细胞（如“地标矢量细胞”）解释为组合性记忆的产物：它们是海马将内嗅皮层输入的两种原始元素——网格细胞（编码绝对空间位置）和矢量细胞（编码相对于地标的矢量）——进行外积组合的结果。这种组合使得海马细胞能够在特定位置“记住”相对于远处地标（如家、门、奖赏）的方向和距离。
3. 重放是构建组合性记忆的核心机制
研究提出，重放的主要功能之一是在离线状态下高效地构建组合性记忆。当动物发现一个新地标（如新出现的门）后，它可以通过重放模拟在该地标周围“虚拟行走”，同时进行路径积分，从而自动地将该地标的矢量信息与沿途所有空间位置绑定起来，形成新的“地标矢量细胞”。这个过程无需物理探索整个环境，且对重放轨迹的顺序不敏感（只要路径积分正确），比传统的强化学习回溯（如Dyna算法）高效得多。
4. 实验验证：重放诱导并塑造海马放电野
研究在两个独立的大鼠海马单单位记录数据集中验证了上述预测：
家庭-away well任务：当大鼠在家庭well处休息并发生重放事件时，对于那些在重放中“虚拟”放电的位置，其海马神经元在实际空间中的放电野会在后续显著增强，且增强位置与重放中解码的位置高度一致。这一效应在家庭well重放中显著，而在其他位置的重放中不显著，表明重放确实在“建设”与当前重要地标（家庭well）相关的记忆。
四室可配置迷宫任务：当某些门被锁定（结构改变）后，那些在门锁事件发生时出现“非局部门放电”（重放的一个替代指标）的神经元，更有可能在之后形成新的、位于锁门处的放电野。这支持重放参与了结构性变化（不仅是奖赏变化）的编码。
组合性泛化：在家庭well任务中，一些神经元的放电野表现出组合性泛化：当家庭well的位置在实验日之间改变时，这些细胞会在新家庭well的相同相对矢量位置上形成新的放电野，而旧野消失。并且，这种变化与这些细胞在重放中的活动显著相关，表明重放介导了这种组合性的“重新绑定”。
结论与意义：统一记忆、想象与规划的神经计算框架
这项研究提出了一个统一的框架，将海马体的记忆、空间导航、想象和未来规划等功能整合到组合性状态空间的计算框架下。
理论突破：它调和了“海马体是认知地图”和“海马体是记忆系统”两大经典观点。海马体存储的不是简单的“地图”或“记忆片段”，而是可组合的“记忆原始元素”。通过重放，这些原始元素可以被灵活地重新组合，以模拟新情境、想象未来场景、规划新行为，这正是人类“建构性推理”能力的核心。
功能重塑：对重放的功能提出了全新解释——它不仅是巩固记忆或更新价值，更是主动构建未来行为所需的知识结构。这为重放在睡眠和静息态中的广泛存在提供了新的计算理由。
预测与验证：研究做出了清晰、可检验的预测（重放的位置会诱导新的放电野），并通过公开数据集的分析提供了支持性证据，展示了理论驱动下实验分析的力量。
人工智能启示：该框架对于开发具有强泛化能力和数据效率的强化学习智能体具有启发意义。通过将世界分解为可重用的组件，并在组件层面进行学习和规划，可以极大地提高AI在复杂、动态环境中的适应性。
该研究的通讯作者总结道：“我们的工作表明，海马体不仅仅是一个记录过去的系统。它是一个主动的‘世界建模器’，通过重放将已有的知识碎片组合起来，预演并构建未来可能的行为。这正是我们能够快速适应新环境、进行创造性思维的神经基础。” 这项发表于《Nature Neuroscience》的研究，通过理论建模与实验验证的紧密结合，为我们理解大脑如何利用有限的经验，构建出能够应对无限未来的灵活心智模型，提供了一个优雅而强大的计算框架。