一个旨在模拟大脑生物结构的计算模型，在分析十年前猕猴学习任务的神经数据时，发现了一类被忽视的神经元。这些被称为“矛盾神经元”（ICNs）的细胞，在学习过程中会持续预测错误的答案。研究人员推断，这种机制可能帮助大脑保持灵活性，以应对环境的变化。这一发现不仅深化了对大脑认知功能的理解，也证明了此类“零训练”模型作为研究工具的巨大潜力，尤其是在神经药物开发等领域。
计算机模型意外揭示“隐藏”信号
大约十年前，研究人员记录了猕猴在学习分类视觉图案时的大脑活动。近期，一个为模拟大脑学习和决策回路而构建的计算模型被赋予了相同的任务。这个模型并非基于任何真实的神经数据进行训练，而是完全按照大脑的生物学规则构建。
令人惊讶的是，模型不仅成功复制了猴子大脑的学习过程，还发现了一种奇特的活动模式。
“我们在模型中看到了一些特殊的大脑活动，”研究员厄尔·米勒说。“有一组神经元预测了错误的答案，但随着模型学习的深入，它们的信号反而变得更强。于是我们回头去查看原始的猕猴数据，发现同样的信号就藏在那里，显而易见。”
这个发现表明，无论是真实大脑还是模拟大脑，在学习过程中都保留了一部分持续预测错误答案的神经元。
一种全新的大脑模型
传统的计算模型通常分为两类：
- 生物学精确模型： 它们能模仿大脑的生理活动（如神经元放电），但通常无法执行学习或决策等复杂认知任务。
- 认知模型（如AI）： 它们能完成认知任务，但其内部结构与真实大脑相差甚远，无法揭示大脑是如何完成这些任务的。
此次研究中的模型填补了两者之间的空白。它既模仿了大脑的生物结构（特别是连接皮层和纹状体的回路），又能够独立完成认知任务。最关键的是，这个模型是 “零训练” 的，它从未接触过任何神经生理数据。这意味着它的所有行为都源于其内在的生物学结构，而非预先设定的答案。
发现“矛盾神经元” (ICNs)
研究团队在模型和真实的猕猴数据中都确认了这种反直觉的神经元活动。它们将这类神经元命名为 矛盾神经元（Incongruent Neurons, ICNs）。
- 反直觉的行为： 通常人们会认为，随着学习的深入，发出错误信号的神经元应该会减弱或消失。
- 持续增强的信号： ICNs 的信号反而随着学习的进步而增强。
- 模型的贡献： 如果没有模型的提示，研究人员可能永远不会注意到这些隐藏在数据中的信号。米勒称：“模型本身做出了一个真正的发现。”
保持灵活：为什么大脑需要“错误”选项？
研究人员推断，ICNs 的存在是为了让大脑保持 灵活性。在一个规则可能随时改变的世界里，保留备用选项是一种优势。
就好比你每天开车走同一条路上班。你对路线了如指掌。但如果有一天这条路突然封闭，你不会直接掉头回家，而是会调用脑海中（或手机上）的备用路线。
ICNs 可能就是大脑用来探索替代方案、更新决策的机制，帮助我们避免在情况突变时陷入僵化的思维模式。正如米勒所说：“大脑拥有这种能力并不奇怪，但现在的发现揭示了这种能力从何而来以及如何产生。”
对未来研究的启示
这项工作最重要的意义在于，它证明了生物学上逼真的计算模型可以像真实大脑一样“思考”，并做出有意义的发现。
- 充当“一双新眼睛”： 模型可以帮助科学家发现那些因反直觉而被忽视的模式。多数时候，人们只能找到自己正在寻找的东西。
- 加速药物开发： 像 Neuroblox 这样的模块化大脑建模平台，允许研究人员在计算机上模拟药物对特定神经回路的影响。这可以在昂贵的动物试验之前，提供一个高效的中间测试步骤，使药物研发更智能、更精确。
- 深化认知理解： 通过模拟大脑回路，研究人员可以更好地理解学习、决策等认知功能的工作原理，以及在精神疾病或学习障碍中可能出现的故障。