一条“抑制细胞去抑制另一批抑制细胞”的神经回路,可能是大脑把任务规则悄悄塞进眼睛看到的第一层信号里的关键机制。哥伦比亚工程学院团队7月2日在《PLOS Biology》发表的论文给出了这个候选答案,论文题为《Disinhibitory signaling enables flexible coding of top-down information in cortical networks》,作者是Tomas Gallo Aquino、Robert Kim和Nuttida Rungratsameetaweemana。这项研究没有推翻教科书里的视觉通路理论,但它给“早期视觉皮层不是被动中转站”这个猜测,第一次配上了一个可以被拿掉、被验证的具体零件。
视觉皮层不是流水线终点站
传统说法里,眼睛采集原始信号,一路往深处传,真正的思考要等信号抵达高级皮层才开始。Rungratsameetaweemana团队去年用fMRI发现,人在执行不同分类规则时,连最早接收视觉信号的那层皮层活动模式都会跟着变——同一张图形,规则一换,早期视觉区的反应就不一样。问题是fMRI看得到区域亮不亮,看不到细胞和回路层面到底发生了什么。
这次团队搭了一个简化循环神经网络,只放进已知为真的生物学规则:兴奋性神经元、抑制性神经元,以及一个负责感知、一个负责高级任务的两级结构。让它做一个跟人类实验参与者类似的规则切换任务后,团队拆开模型才发现,真正传递“该用哪套规则”这条高层信息的,是一类专门抑制其他抑制细胞的连接——业内称之为disinhibitory connections。
削弱这条连接,模型切换任务的能力直接崩溃;削弱别的连接类型,性能基本没受影响。团队随后翻出荷兰神经科学研究所提供的小鼠视觉皮层记录,沉默对应的抑制细胞后,小鼠皮层追踪任务情境的能力同样下降,和模型预测吻合。
挑战模块化叙事,但离人脑证据还差一步
这项研究真正的分量,不在于给大脑装了个AI标签,而在于挑战“大脑按模块分工,各管一段”的老叙事。Rungratsameetaweemana早年研究缺失海马体的病人时就注意到:按模块化理论,少了负责记忆的核心区域,病人应该丧失一大片能力,但实际情况并非如此。这次的回路研究,是给“信息在大脑里冗余存储、早期区域也参与高级加工”这条思路,补上一个具体机制。
候选机制,不等于最终答案。
对AI研究者来说,这条线索的价值也不在于教ChatGPT怎么想。论文用的是循环神经网络,和支撑大语言模型的Transformer架构是两条完全不同的路子。Rungratsameetaweemana把大脑和ChatGPT做过一个对比:大脑能用极小一部分能耗,应付远比大模型更多样的情境,还不需要吃下整个互联网的数据。团队想找的是这种低能耗、自适应背后的具体线路原则,disinhibitory这个动机只是其中一条。
- 风险.模型足够简化才能被拆解验证,但简化也意味着离真实大脑的复杂度还有距离;小鼠数据能证明相关,却不能直接证明人脑用的是同一条回路。
下一步,团队已经把方向转向人类。他们正和监测癫痫患者的临床团队合作,用植入颅内的电极在病人执行认知任务时直接记录神经活动——这是目前能拿到的最接近细胞分辨率的人类数据,团队希望用它检验这条回路在人脑里是否真的成立。在拿到那批数据之前,这仍然只是一个写得漂亮、逻辑自洽,但尚待人体证据补齐的候选机制。