新研究挑战关于大脑如何做出决策的长期信念：早期感觉皮层已参与决策，且存在反馈调节

2026-05-07 19:11 泉水生物行阅读 0

核心摘要： 长期以来科学家基于层级模型认为决策信号是从早期感觉区域开始最终到达额叶皮层通过逐级信息流完成的这一假设也是卷积神经网络等人工智能系统的设计基础伊利诺伊大学厄巴纳-香槟分校的新研究发表在美关键词：前额叶皮层、运动皮层

长期以来，科学家基于层级模型，认为决策信号是从早期感觉区域开始，最终到达额叶皮层，通过逐级信息流完成的。这一假设也是卷积神经网络等人工智能系统的设计基础。伊利诺伊大学厄巴纳-香槟分校的新研究发表在《美国国家科学院院刊》上，通过记录小鼠在虚拟现实走廊中运动并基于感知做出决策时的神经活动，发现：

该研究为开发更高效、更智能（低功耗、更优决策）的下一代人工智能架构提供了新思路。

传统层级模型 vs. 新研究发现

特征	传统层级模型（前馈）	新发现（交互式/递归）
信息流方向	单向（前馈）：感觉区域 → 联合皮层 → 运动皮层 → 运动输出。	双向（前馈+反馈/循环）：高级区域（额叶、前额叶）通过反馈投射调节早期感觉区域（如S1）。
决策相关活动	定位于高级脑区（前额叶皮层，顶叶皮层，前运动皮层）。	初级感觉皮层（S1）中也出现决策信号（与感觉编码同时而非延迟出现）。
脑区角色	早期区域仅执行感觉/知觉功能，不参与决策本身。	早期区域不仅参与知觉，还主动整合自上而下的信号（例如，用于冲突解决，或根据任务上下文调节感觉增益）。
处理模式	串行（S1 → S2 → 额叶）。	并行/分布式（决策相关活动在多个脑区同时呈现）。

项目	内容
模型	小鼠（头部固定，在虚拟现实（VR）线性轨道中运动）。
任务	感知决策：基于触觉提示（例如，左侧 vs. 右侧刺激）做出选择以获取奖励。
记录	初级躯体感觉皮层（S1，处理触觉/本体感觉信息）的神经尖峰信号（多电极阵列/硅探针）。
分析	解码模型（用于预测决策选择的神经活动）；连通性分析（识别自上而下的反馈回路）。

发现	证据	意义
S1中的决策信号	S1的尖峰模式在提示后早期（<200ms）即可解码出即将到来的决策选择（例如，“左” vs. “右”）。	决策相关活动不局限于高级皮层；它出现在感觉处理的早期。
反馈回路已识别	沉默或光遗传抑制高级区域（例如，次级感觉皮层，S2，或运动皮层M1）会改变S1的决策解码准确性（与刺激驱动的预期相反）。	高级区域通过反馈投射发送自上而下的信号，调节S1的决策相关活动。
动态重配置	决策过程中的反馈连接强度随时间变化（在提示、延迟和运动阶段之间波动）。	反馈不是静态的，而是灵活地参与决策过程的不同计算需求。
与AI对比	人工神经网络通常使用前馈连接，缺乏生物系统这种复杂的递归结构。	潜在的增强方向：将反馈机制纳入深度网络可能提高决策能力和能源效率。

当前AI局限	生物启示	潜在应用
在不确定或模糊条件下决策能力差（边界案例，对抗性攻击数据）。	利用自上而下的反馈信号来调节早期层的增益（“注意力”效应）。	计算机视觉：先行部署低分辨率预处理，通过自上而下信号聚焦于高显著性特征，减少计算负载。
高能耗（GPU密集型）。	大脑实现高效能决策（稀疏编码），动态回调反馈，而不是对所有输入数据进行相同的处理。	脉冲神经网络（SNN）中的事件驱动计算。
缺乏对快速变化环境的适应性（需要重新训练）。	反馈回路允许实时调节连通性/增益。	元学习系统，通过反馈动态在上下文学习（超网络）。

项目	内容
传统信念	决策开始于额叶皮层，感觉脑区是被动的早期信号输入区，信息传递是单向的前馈层级。
新发现（小鼠S1）	初级感觉脑区（S1）显示与决策相关的尖峰活动（不仅对感觉刺激的被动反应）；通过识别自上而下的反馈回路（从高级脑区→S1）调节。
方法	虚拟现实任务 + 皮层电生理记录（多电极阵列）。
对AI的提示	AI架构应融合递归连接（反馈）和早期-晚期脑区交互（而非仅前馈）。
发表期刊	PNAS。

——本文基于伊利诺伊大学厄巴纳-香槟分校在 PNAS 发表的研究编译，为神经科学家、人工智能研究人员及认知科学家提供关于跨脑区（包括初级感觉皮层）决策相关活动的新见解及对大脑-人工智能反馈回路的启示。

TAGS: 神经网络躯体感觉运动皮层前额叶皮层