共计 1037 个字符，预计需要花费 3 分钟才能阅读完成。
一项革命性的仿生脑模型在精准模拟动物学习过程时，不仅成功复现了动物的行为，更意外揭示了一类神经元“反常识”的活动模式。这项由达特茅斯学院、麻省理工学院及纽约州立大学石溪分校的科学家共同开发的研究，为理解大脑工作机制和开发神经疗法开辟了新途径。
该仿生脑模型的独特之处在于其构建方式。它并非通过机器学习拟合实验数据，而是从零开始，严格依据神经元的生物物理特性、连接规则以及脑区间的信息交流原理进行设计。当模型执行与真实动物相同的视觉分类任务时，其学习曲线和内部的神经活动动态，与实验室记录的数据高度吻合。
“我们生成了一套全新的大脑活动模拟，然后与动物数据对比。匹配度如此之高，令人震惊。”达特茅斯学院的理查德·格兰杰教授表示。这项研究成果已发表于《自然通讯》期刊。
研究团队指出，构建此类仿生脑模型的目标深远。麻省理工学院的厄尔·K·米勒教授解释道，这不仅能帮助理解健康大脑，更能模拟疾病状态下的异常机制，并测试潜在干预措施。为此，团队已联合创立了公司 Neuroblox.ai，致力于将这一大脑仿生建模平台应用于更高效的神经疗法发现与药物测试。
该仿生脑模型的核心创新在于其“兼顾树木与森林”的建模策略。模型既包含了模拟单个神经元及其微小连接回路（“树木”）的“基元”计算单元，也整合了皮层、脑干、纹状体等关键脑区（“森林”）的宏观架构以及神经调节物质（如乙酰胆碱）的影响。
在执行任务时，模型中的“紧张性活动神经元”会释放“噪音”，初期确保行为的可变性以进行探索学习。随着学习推进，其他脑区回路会抑制这种噪音，使决策趋于稳定。有趣的是，模型在学习过程中自发涌现出了真实脑的特征，例如特定脑电频段（β 波）同步性的增强，这与正确判断的时刻相关联。
然而，最令人意外的发现来自于模型内部。研究人员注意到，模型中约有 20% 的神经元，其活动高度预示着即将发生的错误判断。起初他们以为这是模型缺陷，但回溯分析真实的动物大脑数据时，竟发现了完全相同的、“不一致”的神经元活动模式。
“我们查看已有数据，心想这不可能没人发现过。但它确实存在，只是从未被注意到。”格兰杰说道。米勒教授推测，这些看似违反直觉的神经元可能具有进化意义：在环境规则可能改变时，偶尔尝试错误或不同的方案，或许能让大脑偶然发现新的成功策略。
目前，研究团队正在持续扩展该仿生脑模型的复杂性与处理能力，例如纳入更多脑区和神经调节系统，并开始测试药物等干预措施如何影响其动态。这项研究获得了包括 Baszucki 脑研究基金在内的多项支持。
