認知神經科學前沿文獻分享

基本信息

Title:Fast efficient coding and sensory adaptation in gain-adaptive recurrent networks

發表時間:2026-05-15

發表期刊:Nature Communications

影響因子:15.7

獲取原文:

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

研究背景

感覺系統的一個核心特征是能夠根據環境中刺激統計規律的變化進行動態適應。在理論神經科學中，“高效編碼”（Efficient coding）假說提供了一個極具影響力的解釋框架：為了最大化信息傳遞效率，神經元的調諧曲線應當向環境中出現頻率最高的刺激聚集。換句話說，如果某種刺激變多了，神經元應該主動“靠攏”它，這被稱為“先驗吸引”（Prior attraction）。

然而，大量的電生理實驗卻觀察到了截然相反的現象。當研究者向動物反復呈現同一個視覺刺激（即“適配器”，Adapter）后，初級視覺皮層中偏好該刺激附近的神經元，其調諧曲線反而會背離這個高頻刺激發生偏移。這種現象被稱為“適配器排斥”（Adapter repulsion），并且通常伴隨著復雜的形態變化：靠近適配器的調諧曲線會變寬，而距離較遠的調諧曲線會變窄。

Fig 2. 經典的適配器排斥現象：神經元調諧曲線不僅背離重復刺激（適配器）發生偏移，還會伴隨寬度的動態變化，這與傳統高效編碼理論預測的“吸引”現象形成了鮮明矛盾。

為什么大腦在某些情況下表現出“吸引”，而在另一些情況下又表現出“排斥”？此外，適配器排斥通常在幾十毫秒內就會發生，傳統的突觸可塑性（如短時程突觸抑制）機制在時間尺度和靈活性上往往難以滿足這種“快速高效編碼”的需求。為了解開這一謎團，哈佛大學的研究團隊提出了一種全新的增益適應（Gain-adaptive）循環網絡模型，試圖在一個統一的計算框架下調和這兩個看似水火不容的現象。

研究核心總結

這項研究并沒有引入復雜的突觸權重更新，而是證明了僅僅通過調節循環網絡中神經元的“增益”（Gain），就能在平衡解碼精度與放電成本的前提下，自然涌現出豐富的適應性行為。

一、 行為學證據：人類具備單次試驗級別的“快速高效編碼”能力

為了驗證感覺系統確實能在極短時間內根據先驗分布調整編碼，研究者首先進行了一項人類數量估計行為實驗。在每個試次中，受試者會被隨機告知一個先驗分布（窄、中、寬），隨后要求估計屏幕上閃現的圓點數量。

結果表明，受試者估計值的方差與先驗分布的寬度呈線性比例關系。這意味著，即使先驗分布在每次試驗（秒級尺度）都在發生隨機變化，人類依然能夠迅速重新分配內部的表征資源。這種快速的精度調整，為“大腦能夠實時執行高效編碼”提供了堅實的行為學基礎。

Fig 1. 數量估計任務表明，人類受試者能夠在單次試驗的秒級尺度上，根據先驗分布的寬度快速調整其內部編碼的精度，表現出快速高效編碼的特征。

在明確了快速適應的存在后，研究者構建了一個包含局部興奮性連接的循環神經網絡模型。在這個模型中，神經元之間的突觸連接矩陣保持不變，唯一改變的是每個神經元前饋輸入的“增益”。

數學解析和模擬結果揭示了一個關鍵機制：在循環網絡中，一個神經元的有效調諧中心，實際上是網絡中所有神經元前饋位置的加權平均。當網絡中出現非均勻的增益分布時，具有較高增益的神經元會對周圍神經元產生“拉力”。因此，調諧曲線的偏移方向，本質上是由網絡中增益梯度的空間分布決定的。

Fig 3. 在循環網絡中，非均勻的增益分布會使得神經元的有效調諧曲線向高增益神經元所在的方向發生偏移，這為不改變突觸權重的快速適應提供了機制基礎。

當研究者要求該網絡在寬泛的先驗分布下最小化解碼誤差，同時施加一個與神經元放電率成正比的代謝成本時，網絡優化出了一種呈倒U型的增益分布——先驗概率越高的中心位置，增益越大。

在這種增益分布的牽引下，網絡中神經元的有效調諧曲線會自發地向先驗分布的中心收縮。先驗分布越窄，這種向中心的“聚集”效應就越強。這不僅完美契合了傳統高效編碼理論預測的“先驗吸引”，也定量解釋了行為學實驗中受試者估計方差隨先驗寬度變化的規律。

Fig 4. 當面對較寬的先驗分布時，網絡優化出的增益在中心達到峰值，促使調諧曲線向高頻刺激聚集，形成“先驗吸引”。

研究的最精彩之處在于，當把同樣的優化目標應用到極其尖銳的先驗分布（模擬實驗中反復呈現的單一適配器刺激）時，網絡給出了完全不同的最優解。

面對尖銳先驗，為了在極高的局部精度需求和昂貴的放電成本之間找到平衡，最優增益分布不再是單峰，而是演變成了一個“M型”雙峰結構——在適配器正中心，增益反而出現低谷，而在其兩側形成兩個高增益峰值。正是這兩個偏離中心的增益峰值，把附近的調諧曲線向兩側“拉扯”，從而自然涌現出了經典的“適配器排斥”現象。不僅如此，該模型還精準復現了靠近適配器的調諧曲線變寬、遠離適配器的調諧曲線變窄等一系列復雜的次生效應。

Fig 5. Properties of the encoding network across priors of different widths.Gain (A), tuning curve width and density (B), Fisher information (D), l...

Fig 6. 面對尖銳的適配器刺激，最優增益呈現雙峰（M型）分布，完美復現了調諧曲線背離適配器偏移、靠近適配器變寬等一系列復雜的排斥現象。

研究意義

這項工作在理論和機制層面上都極具啟發性。

在理論層面上，它打破了感覺適應領域長期以來的認知割裂。過去，人們往往將“先驗吸引”視為高效編碼的產物，而將“適配器排斥”歸結為底層的疲勞或單純的抑制機制。這項研究證明，吸引和排斥并不是兩套獨立的邏輯，它們都是大腦在“最小化解碼誤差與放電成本”這一單一高效編碼原則下，面對不同統計分布（寬泛 vs. 尖銳）時給出的最優解。

在機制層面上，該研究將目光從緩慢的突觸可塑性轉移到了循環網絡中的增益調節上。增益調節不僅響應速度極快，而且能夠維持足夠長的時間，這為理解大腦如何在瞬息萬變的自然環境中實時重塑感覺表征提供了一個極具潛力的計算框架。不過，這種動態編碼也對下游腦區的解碼能力提出了挑戰——下游網絡如何實時“知曉”并適應這些不斷變化的調諧曲線，將是未來研究需要跨越的新邊界。

分享人：飯鴿兒

審核：PsyBrain 腦心前沿編輯部

你好，這里是「PsyBrain 腦心前沿」

專注追蹤全球認知神經科學的最尖端突破

視野直擊 Nature, Science, Cell 正刊 及核心子刊與頂級大刊

每日速遞「深度解讀」與「前沿快訊」

科研是一場探索未知的長跑，但你無需獨行。歡迎加入PsyBrain 學術社群，和一群懂你的同行，共同丈量腦與心智的無垠前沿。

點擊卡片進群，歡迎你的到來

一鍵關注，點亮星標 ? 前沿不走丟！

一鍵分享，讓更多人了解前沿