大脑如何用"音量旋钮"实现毫秒级高效编码

论文: Fast efficient coding and sensory adaptation in gain-adaptive recurrent networks
作者: Arthur Prat-Carrabin, Maximilian V. Harl, Samuel J. Gershman
发表: Nature Communications, 2026-05-15
DOI: 10.1038/s41467-026-73032-0

一、世纪矛盾：大脑到底在"吸引"还是"排斥"？

神经科学有一个长期悬而未决的谜题。

理论上，如果大脑遵循 高效编码（Efficient Coding）原则——为了最大化信息传递效率，神经元的调谐曲线应该向环境中出现频率最高的刺激"靠拢"。这被称为 "先验吸引"（Prior attraction）。

但实验看到的恰恰相反。当你反复向动物呈现同一个视觉刺激（比如某个特定朝向的光栅），初级视觉皮层（V1）中偏好该刺激附近的神经元，其调谐曲线反而会 背离 这个高频刺激发生偏移——这被称为 "适配器排斥"（Adapter repulsion）。

更复杂的是，排斥现象还伴随着一系列次生效应：靠近适配器的调谐曲线会变宽，远离的会变窄。这种在 几十毫秒内 就发生的快速形变，用传统的突触可塑性机制来解释，时间尺度根本对不上。

到底哪个理论是对的？大脑是在"吸引"高频刺激，还是在"排斥"重复刺激？

这篇论文给出的答案是：两者都对，而且它们本质上是同一回事。

二、核心发现：同一原则，两种表现

研究团队提出了一个 增益自适应循环网络（Gain-adaptive Recurrent Network）模型。核心洞察在于：

吸引和排斥不是两套独立的神经机制，而是大脑在"最小化解码误差与放电成本"这一单一高效编码原则下，面对不同统计分布时给出的最优解。

2.1 宽先验 → 先验吸引

当环境中的刺激分布较宽（先验概率分布平缓），网络优化出的增益呈 倒U型 分布——先验概率越高的中心位置，增益越大。

在这种增益分布的牵引下，神经元的有效调谐曲线会 自发地向先验中心收缩。先验分布越窄，这种"聚集"效应越强。这就是传统高效编码理论预测的"先验吸引"。

2.2 尖锐先验 → 适配器排斥

当研究者把同样的优化目标应用到极其尖锐的先验分布（模拟实验中反复呈现的单一适配器刺激）时，网络给出了 完全不同的最优解。

面对尖锐先验，为了在极高的局部精度需求和昂贵的放电成本之间找到平衡，最优增益分布不再是单峰，而是演变成了一个 "M型"双峰结构——在适配器正中心，增益反而出现低谷，而在其两侧形成两个高增益峰值。

正是这两个偏离中心的增益峰值，把附近的调谐曲线向两侧"拉扯"，从而自然涌现出了经典的"适配器排斥"现象。

2.3 统一框架

两者都是同一优化问题的解，区别仅在于 先验分布的形状。

三、机制：为什么是"增益"而非"突触"？

3.1 传统解释的问题

现有的适配器排斥模型大多依赖 突触权重的改变——这需要修改神经元之间的所有连接（O(N²)参数）。问题是：

• 突触可塑性太慢（通常需要秒到分钟级别）
• 突触可塑性不可逆或难以快速恢复
• 需要大量突触同时协同修改，生物学可行性存疑

3.2 增益调节的优势

本文提出的模型中，突触连接矩阵完全固定，唯一改变的是每个神经元前馈输入的增益（Gain）——一个标量参数（O(N)参数）。

这就像调节音响的"音量旋钮"：不改变音箱内部的电路，只改变输入信号的放大倍数。但关键在于，这个循环网络中的"音量"变化会通过循环连接传播到整个网络，产生全局协调的适应效应。

3.3 数学机制

在循环网络中，一个神经元的 有效调谐中心 实际上是网络中所有神经元前馈位置的加权平均。当网络中出现非均匀的增益分布时：

• 高增益神经元对周围神经元产生"拉力"
• 调谐曲线的偏移方向由增益梯度的空间分布决定

这就是"不改变突触权重就能实现快速适应"的数学基础。

四、行为学证据：人类能在单次试验中重新校准

为了验证感觉系统确实能在极短时间内根据先验分布调整编码，研究者进行了一项人类数量估计行为实验。

在每个试次中，受试者会被随机告知一个先验分布（窄、中、宽），随后要求估计屏幕上闪现的圆点数量。

结果：受试者估计值的 方差与先验分布的宽度呈线性比例关系。这意味着，即使先验分布在每次试验（秒级尺度）都在随机变化，人类依然能够 迅速重新分配内部的表征资源。

这种快速的精度调整，为"大脑能够实时执行高效编码"提供了坚实的行为学基础。

五、与现有模型的关系

5.1 与 Duong et al. (2023) 的对比

Lyndon Duong 等人在2023年的预印本（arXiv:2305.19869）也提出了类似的增益自适应循环网络模型，但：

• Duong 的模型主要关注 适配器排斥 和 去相关（decorrelation）
• 没有明确区分 尖峰先验 vs 宽先验 的预测
• 没有提供 行为实验证据

本文可以看作是在 Duong 2023 基础上的 扩展和深化：

• 明确统一了先验吸引和适配器排斥
• 预测了不同先验分布下的不同适应模式
• 用人类行为实验验证了模型的预测

5.2 与突触可塑性模型的根本差异

六、理论意义：一个框架，多种现象

这项工作在理论层面上打破了感觉适应领域长期以来的认知割裂：

过去，人们将"先验吸引"视为高效编码的产物，将"适配器排斥"归结为疲劳或抑制。现在我们知道，它们都是 同一原则 在不同条件下的表现。

这类似于物理学中"光的波粒二象性"——看似矛盾的现象，其实源于更深层的统一原理。

6.1 对神经工程学的启示

增益自适应机制为设计 快速适应的神经网络 提供了新思路：

• 不需要昂贵的权重更新
• 只需要调节神经元的"增益参数"
• 可以实现毫秒级的网络形变

6.2 对理解大脑计算的启示

这项研究支持了一种 "动态计算" 的观点：大脑不是一台固定的计算机器，而是一台能够 实时重塑自身表征空间 的柔性系统。关键在于，这种重塑不是通过"重新布线"（改变突触），而是通过"调节音量"（改变增益）来实现的。

七、局限与未解之谜

7.1 下游解码问题

如果神经元的调谐曲线在毫秒级时间尺度上不断变化，下游脑区如何知道当前的编码方案？这是一个"元表征"问题：大脑需要一种机制来追踪自身表征的动态变化，这超出了本文的讨论范围。

7.2 增益调节的生物学实现

本文从计算层面证明了增益调节的充分性，但增益调节在生物神经系统中的具体实现机制仍不清楚。可能的候选包括：

• 神经调质（如乙酰胆碱、多巴胺）的局部释放
• 神经元的内在兴奋性变化（如离子通道调节）
• 局部网络活动的反馈调节

7.3 从速率模型到脉冲模型

本文使用的是线性速率模型（firing rate model），没有考虑脉冲时序和脉冲可塑性。增益自适应在脉冲神经网络中是否同样有效，是一个重要的扩展方向。

八、结语：一个优雅的统一

这篇论文的优雅之处在于，它用一个极简的数学模型——固定连接的循环网络 + 可变的神经元增益——解释了看似矛盾的两个现象。

这提醒我们：在神经科学中，最深刻的洞察往往来自于找到正确的抽象层次。不是去模拟每一个离子通道的打开，而是去识别计算原则层面的统一性。

大脑用"音量旋钮"而非"重新布线"来实现快速适应——这个隐喻本身，就是对生物智能之美的最好注解。

参考论文信息：
Prat-Carrabin, A., Harl, M.V. & Gershman, S.J. Fast efficient coding and sensory adaptation in gain-adaptive recurrent networks. Nat Commun (2026). https://doi.org/10.1038/s41467-026-73032-0

#神经科学 #高效编码 #循环网络 #感觉适应 #计算神经科学 #NatureCommunications