在现代人工智能领域，反向传播（Backpropagation）算法是深度学习取得突破性进展的基石。然而，长期以来，神经科学家与计算机科学家之间存在一个核心争议：生物大脑是否也利用了类似的机制进行学习？尽管反向传播在数学上极其高效，但其在生物学上的实现面临着“权重传输问题”和“非局部性”等挑战，即大脑似乎难以在物理上实现误差梯度的全局反向传递。

本研究深入剖析了反向传播在时空维度上的运作逻辑，并将其与生物神经系统的学习规则进行了对比。研究指出，大脑并非简单地复制人工神经网络的全局梯度下降，而是通过预测编码（Predictive Coding）和反馈回路（Feedback Circuits），在局部突触层面逼近了反向传播的效果。通过这种机制，神经元能够根据预测误差动态调整突触权重，从而在无需全局误差信号的情况下，实现对复杂时空信息的表征学习。

文章进一步探讨了时间维度上的学习机制。在处理动态输入时，大脑利用神经活动的动力学特性，将误差信号转化为时间序列上的局部更新。这种时空反向传播（Backpropagation through time, BPTT）的生物学变体，解释了大脑如何在处理连续感官流时保持高效的记忆与预测能力。研究强调，生物大脑的学习过程受到严格的生物物理约束，如突触的单向性与能量消耗限制，但这些约束反而促使大脑进化出了更为鲁棒的局部学习算法。

该研究不仅为理解大脑的学习本质提供了新视角，也为开发更具生物合理性的类脑计算模型指明了方向。通过模拟大脑的局部学习规则，未来的AI系统有望在降低能耗的同时，实现更具适应性的在线学习能力，从而跨越当前深度学习在泛化能力上的瓶颈。

Journal Reference: Whittington, J.C.R., Behrens, T.E.J. An approximation of the error backpropagation algorithm in a predictive coding network with local synaptic plasticity. Nature Communications 10, 5325 (2026). DOI: 10.1038/s41467-019-13239-3