關注視頻號：丘腦大叔

早上好，我是腦叔，一個愛聊腦的家伙。

想象一下，你正坐在火車上。你向窗外望去，看到旁邊軌道上另一列火車似乎正在行駛。但是，是你的火車停了下來而另一列火車在行駛，還是你在移動而另一列火車停了下來？

同樣的感官體驗——看到一列火車——卻能產生兩種截然不同的感知，讓你感覺自己在運動，或者感覺自己靜止不動而周圍有物體在移動。

人腦不斷地面對著這種模糊的感覺輸入。為了消除這種模糊性并正確感知世界，我們的大腦會運用一種被稱為因果推理的過程。

因果推理是學習、推理和決策的關鍵，但研究人員目前對參與這一過程的神經元知之甚少。

在發表于《eLife》期刊的一篇新論文中，羅切斯特大學的研究人員，包括喬治·伊士曼腦與認知科學教授格雷格·德安吉利斯（Greg DeAngelis）及其在成均館大學和紐約大學的同事，描述了一種參與因果推理的新型神經機制，該機制有助于大腦在自身運動過程中檢測物體的運動。

“雖然此前人們對大腦如何處理視覺運動已有諸多了解，但大多數神經元實驗室研究都忽略了自身運動帶來的復雜性，”德安吉利斯說。“在自然條件下，大腦識別物體在世界中的運動方式要困難得多。”

現在想象一下，一頭靜止不動、蹲伏著等待獵物的獅子；對獅子來說，發現一只移動的瞪羚輕而易舉。就像靜止的獅子一樣，當觀察者靜止不動時，她很容易察覺到周圍物體的運動，因為周圍物體的運動會直接映射到視網膜上的運動。然而，當觀察者自身也在移動時，由于她相對于場景中物體的位置變化，她的眼睛會接收到視網膜上所有位置的運動信息。這導致了一種復雜的運動模式，使得大腦更難區分物體是在運動還是靜止；在這種情況下，大腦必須區分觀察者自身產生的圖像運動和周圍其他物體產生的圖像運動。

研究人員在大腦中發現了一種具有特定反應特性組合的神經元，這種神經元非常適合用于區分自身運動和其他物體的運動。

“雖然大腦可能使用多種技巧來解決這個問題，但這種新機制的優勢在于它可以并行地在視野的每個局部區域執行，因此可能比更全局的處理速度更快，”德安吉利斯說道。 “這種機制或許也適用于自動駕駛汽車，它們同樣需要快速檢測移動物體。”

2020 年，羅切斯特大學等多個機構的研究人員，獲得了 1220 萬美元的撥款，用于研究大腦如何利用因果推理來區分自身運動和物體運動。

“這項NIH腦計劃獎是腦與認知科學系歷史上獲得的最大科研獎項，”羅切斯特大學腦與認知科學系主任兼教授杜耶·塔丁（Duje Tadin）在2020年表示，“它旨在解決一個關鍵問題：我們的大腦如何解讀感官收集的信息。這項研究建立在腦與認知科學系長期以來的優勢之上，即運用計算方法來理解行為及其潛在的神經機制。”

揭開復雜的神經元回路

德安吉利斯（DeAngelis）指出，因果推理涉及復雜的神經元回路和其他感覺機制，而這些機制尚未被廣泛理解，因為“感覺知覺在大多數情況下運作良好，所以我們理所當然地認為這是一個計算難題。”

實際上，感覺信號是嘈雜且不完整的。此外，世界上可能發生許多事件，這些事件都會產生類似的感官輸入模式。

想象一下，一束光點在視網膜上移動。同樣的視覺輸入可能源于多種情況：它可能是由物體在移動而觀察者保持靜止引起的，例如一個人站在窗邊觀察一輛閃著燈的救護車；它可能是由移動的觀察者觀察靜止的物體引起的，例如跑步者從遠處注意到路燈；或者它可能是由物體運動、自身運動和深度等多種因素組合引起的。

大腦面臨著一個難題：它必須推斷出最有可能導致接收到的特定感官信號模式的原因。然后，它才能對情況做出判斷，并計劃采取相應的行動。

基于這些最新成果，并運用數據科學、實驗室實驗、計算機模型和認知理論，德安吉利斯、哈夫納及其同事將繼續致力于精確定位參與這一過程的單個神經元和神經元群。他們的目標是揭示大腦如何通過處理感覺刺激的大腦區域與負責決策和行動計劃的大腦區域之間的相互作用，生成一致的現實認知。

開發療法和人工智能

了解大腦如何運用因果推理來區分自身運動和物體運動，可能有助于設計人工智能和自動駕駛設備。

“理解大腦如何推斷自身運動和物體運動，或許能為改進飛機和自動駕駛汽車的現有自動駕駛算法提供靈感，”哈夫納說道。例如，飛機的電路必須考慮到飛機在空中的自身運動，同時還要避開周圍出現的其他移動飛機。

About the au thor: Lindsey Valich

參考文獻：

https://www.rochester.edu/newscenter/rochester-leads-novel-research-project-on-how-the-brain-interprets-motion/

聲明：本文版權屬于原作者，僅用于學術交流！