长期以来，关于大脑演化的理解，往往被简化为新旧区域的简单叠加斗争。然而，最新的科学研究揭示，大脑的演化历程远比我们想象的更为复杂和精妙。

佐治亚理工学院计算科学与工程学院助理教授、神经科学、神经技术与社会研究所（INNS）的教员Nabil Imam解释道：“20世纪50年代曾提出一种理论，认为大脑是分层演化的，从控制基本身体机能的区域，到爬行动物脑中负责情感的区域，最终发展出人类复杂的推理能力。但这种观点与现代演化生物学家的思考方式并不一致。”这一被称为“三位一体脑”或“蜥蜴脑”的假说，虽然流行，却未能充分解释大脑演化的全貌。

最近发表在权威期刊《科学进展》（Science Advances）上的一项研究，为我们理解大脑演化提供了全新的视角。该研究指出，大脑的演化或许不应被简单地视为新区域在旧区域之上堆叠，而应从神经网络的“布线”方式来更好地理解。

Imam教授及其团队通过深入研究生物大脑和人工神经网络的组织结构，发现了演化可能涉及在有限的大脑空间内，对相互竞争的布线策略进行资源分配的证据。他们构建的模型描绘了两种根本不同的神经组织方式之间存在着一场计算性的“拔河”，而这两种组织方式甚至在出生前就已经确立。

这些突破性的发现不仅有望解释大脑演化中长期存在的诸多谜团，还可能为构建更高效、更节能的人工智能系统指明新的方向，使其能够以更少的数据和能量进行学习。

“蜥蜴脑”模型为何不足？

“逻辑脑”和“蜥蜴脑”等术语，实际上指的是功能迥异的大脑区域群。例如，通常与高级思维相关联的新皮层，构成了大脑的外层，负责视觉、感知、推理以及其他复杂的认知能力。

然而，所谓的“蜥蜴脑”则难以如此清晰地界定。Imam教授解释说：“边缘系统，有时被称为‘爬行动物脑’，广义上控制着情感——但它也包含其他具有独特功能的组成部分。”这个系统内部包含着分别参与记忆、嗅觉、导航和情绪调节的独立区域。Imam教授质疑道：“为什么人们会将所有这些不同的区域归为同一个大系统？对于这些不同回路之间的共同点，此前一直缺乏一个令人信服的理论。”

为了探究这一疑问，研究人员比较了这些大脑系统在不同物种间的演化变化。他们没有孤立地审视单个区域，而是考察了边缘系统和新皮层在演化历史中如何协同变化。

一个清晰的模式浮现出来：当边缘系统的某个部分相对较大时，其他边缘区域也倾向于更大；与此同时，新皮层通常会相对较小。这一发现强烈暗示，这些大脑区域并非独立演化。

Imam教授强调：“恰恰相反，这是这些区域在不同物种间协同扩张或收缩的结果。”这种模式表明，边缘系统更像一个整合的网络，而非一系列不相关的结构集合。在演化过程中，其不同的组成部分似乎是同步地扩张和收缩的。

紧接着，研究人员面临的下一个问题是：究竟是什么原因导致了这种协调一致的转变？

大脑的两种截然不同的布线方式

Imam教授的解释核心在于，不同的大脑系统在出生前就已经以特定的方式进行“布线”。

新皮层的神经网络回路通常以空间映射的形式排列。例如，处理身体相邻部位（如拇指和食指）的大脑区域，在空间上也彼此靠近。在处理视觉和听觉的系统中，也出现了类似的空间组织模式。

而边缘系统的组织方式则截然不同。它的布线并非空间布局，而是更像条形码，通过分布式活动模式来代表特定的嗅觉或复杂的记忆。

为了验证这些差异是源于固有的神经架构还是主要通过经验学习形成，研究人员利用人工智能模型进行了测试。

结果显示，当一个AI网络被设计成具有局部化、空间连接时，它天生就非常适合处理视觉、听觉和触觉信息。相反，要实现强大的嗅觉识别和记忆表现，分布式“条形码式”网络则是必不可少的。

大脑空间的演化性竞争

接下来，研究人员深入探究了为何这些大脑系统的相对大小在不同物种间会如此一致地发生变化。

其核心思想是：大脑的资源是有限的。空间和能量都是稀缺的，因此自然选择可能会倾向于在特定环境中对生存最有益的布线系统。

为了验证这一假说，研究团队构建了一个多模态人工神经网络，其中空间系统和分布式系统相互竞争“地盘”。

实验结果令人信服：当模拟环境奖励嗅觉时，分布式系统内的每个区域都扩张了，而新皮层则变小；反之，当视觉受到青睐时，这种模式则完全逆转。

这种此消彼长的权衡关系，有助于解释真实动物之间显著的大脑结构差异。例如，高度依赖嗅觉的九带犰狳（nine-banded armadillo）拥有一个非常庞大的边缘系统；而强烈依赖视觉的松鼠猴（squirrel monkey），其大脑则由新皮层占据主导地位。

这项研究涵盖了182个物种，其发现表明，大脑的演化与其说是逐步增加新的“逻辑”层，不如说是根据何种布线系统最有助于动物生存，而在不同布线系统之间进行空间的重新分配。

大脑演化对人工智能的启示

这项研究的原理可能不仅限于生物学领域，对人工智能的发展也具有深远意义。

如果工程师们能够将这种内置的神经组织方式复制到人工智能系统中，他们就有望创造出更接近生物大脑学习模式的系统，从而显著减少训练所需的数据量和能耗。

Imam教授指出：“当今的人工神经网络依赖海量数据进行训练——这关乎‘后天培养’。然而，大脑并非一张通过经验训练的白板。它融合了‘先天’和‘后天’，而‘先天’正是指那些预设的布线架构。”

他进一步展望：“我们可以将这种（预设）架构转化应用于AI系统，使其更像大脑，或者使其像大脑一样高效地学习和运作。”

这项研究由佐治亚理工学院与康奈尔大学合作完成，并获得了美国国家科学基金会的资助。