PsyBrain 脑心前沿 / 综合神经科学：顶刊文献解读专题 / A · 文献解读 / A019 · Nature正刊：全脑神经活动的降维与涌现，背后是怎样的

A019 Nature正刊：全脑神经活动的降维与涌现，背后是怎样的数学规律？

来源：公众号 PSY-Brain_Frontier ｜发布：2026-05-29 ｜原文链接

认知神经科学前沿文献分享

基本信息

Title: A critical initialization for biological neural networks

发表时间: 2026-05-20

发表期刊: Nature

影响因子: 48.5

获取原文:

添加小助手: PSY-Brain-Frontier 即可获取PDF版本
点击页面底部“阅读原文”跳转论文网页

研究背景

即使在没有外部刺激和明确任务的“发呆”状态下，大脑也会产生持续的自发神经活动。这些活动并非杂乱无章的噪音，而是展现出跨越全脑大量神经元的宏观协调性。更令人惊讶的是，这些宏观模式的持续时间，远远超过了单个神经元放电的微观生物物理时间尺度。

这就引出了一个核心的科学问题：那些寿命极短、只在局部发生作用的微观神经元相互作用，究竟是如何“凑”出长寿命的宏观行为的？

过去的研究观察到，神经群体活动的方差会随着主成分（PC）的增加呈现出一种没有明显截断的幂律衰减。然而，目前仍缺乏机制性的模型来解释这种方差的缩放规律。主流观点通常猜测，这种宏观变异性可能源于神经网络运行在“临界”或“混沌”状态。在这项最近发表于 Nature 的研究中，研究者试图用随机矩阵理论来近似高维神经网络中的复杂相互作用，通过对比大规模小鼠神经记录与线性动力学模型，揭示了大脑自发活动背后的数学规律及其计算意义。

研究核心总结

研究者将真实的大规模神经记录（包括双光子钙成像和Neuropixels电生理记录）与基于随机矩阵的线性动力学模型进行了定量比对，得出了以下几个核心发现。

一、皮层与全脑自发活动符合“对称且临界归一化”的动力学

研究者首先假设，在自发活动期间，非线性的神经网络动力学可以近似为围绕静息点的线性动力学。他们构建了一个由随机矩阵驱动的模型，发现当这个代表神经元相互作用的矩阵是“对称”的，并且被“临界归一化”（最大特征值极度接近1）时，系统产生的协方差特征值谱会呈现出指数约为 2/3 的幂律衰减。

令人兴奋的是，在小鼠视觉皮层、感觉运动皮层以及全脑范围的真实神经记录中，群体活动的方差衰减指数集中在 0.7 到 0.85 之间，这与对称随机矩阵模型的预测高度吻合。同时，真实数据中缺乏非对称矩阵模型所特有的“旋转动力学”（即神经表征随时间的持续漂移），进一步证实了皮层自发活动主要由对称相互作用主导。

Fig 1. 随机对称连接矩阵驱动的线性动力学模型，能够自然产生与真实神经数据相似的幂律协方差结构。

Fig 2. 小鼠皮层和全脑的神经记录显示出与对称临界动力学一致的幂律衰减，而海马CA1则表现出截然不同的特征。

二、海马CA1表现出截然不同的高效独立编码

并非所有脑区都遵循上述规律。研究者对海马CA1区的群体活动进行了同样的特征值谱分析，发现其方差衰减要慢得多，指数仅在 0.4 到 0.5 之间。

在可视化分析中，CA1的神经元放电缺乏皮层中那种明显的宏观协调性。这表明，海马CA1采用了一种更接近独立、无相关性的神经编码策略。考虑到海马体在记忆形成中的核心地位，这种高维度的独立编码可能正是为了最大化信息的存储容量而优化的。

Fig 3. 神经主成分的自相关图表明，方差越大的主成分具有越慢的时间动态，且真实数据缺乏非对称模型中的旋转动力学。

三、生物学约束不改变全局活动模式

真实大脑的神经连接绝不是完全随机的，它们受到空间距离的严格限制，且具有高度的稀疏性和聚类特征。那么，在引入这些生物学约束后，模型还能产生宏观的全局模式吗？

研究者在模型中引入了稀疏连接、局部聚类以及基于空间距离衰减的连接概率。结果表明，只要网络中保留极少量的全局连接（例如全局连接概率仅为局部连接的 1%），高维的全局活动模式就依然能够涌现，并且维持着相同的幂律衰减特征。这意味着，大脑即使在严格的物理布线限制下，依然能通过少数长程连接维持全脑的宏观协调。

Fig 4. 即使在引入稀疏、聚类或空间距离依赖等生物学约束后，只要保留少量全局连接，网络依然能维持全局活动模式。

四、对称动力学为工作记忆提供了理想的“初始状态”

这种对称的线性动力学对大脑究竟有什么用？研究者将其应用于需要维持长时间信息的计算任务中，例如延迟二元分类和零样本（zero-shot）工作记忆任务。

测试表明，相比于非对称网络或传统的混沌回声状态网络（echo-state networks），对称且临界归一化的网络在维持数秒级别的工作记忆时表现得更为出色。原因在于，非对称网络会产生巨大的虚部特征值，导致信息在网络中不断“旋转”而难以被稳定读取；而对称网络则能提供一个稳定的表征空间，让记忆信息在长延迟后依然能被准确解码。

Fig 5. 在工作记忆任务测试中，对称动力学网络能够比非对称网络更稳定地维持信息，展现出强大的计算潜力。

研究意义

这项研究不仅在机制上解释了大脑自发活动为何呈现特定的维度缩放规律，更重要的是，它为我们理解大脑的“出厂设置”提供了一个全新的视角。

在人工智能领域，良好的网络初始化（initialization）是模型成功学习复杂任务的前提。本研究提出，小鼠大脑中广泛存在的自发活动，实际上可能反映了一个被“完美初始化”的脑网状态。通过对称的相互作用和临界调节，大脑为自己搭建了一个理想的动力学“水库”（reservoir）。当面对需要记忆和时间整合的复杂任务时，大脑不需要从头重塑整个网络的动态，而只需在这个现成的、具有长寿命宏观模式的脚手架上，对读出权重进行简单的学习即可。这一发现为未来探索学习过程中神经流形的演变指明了方向。

分享人：饭鸽儿

审核：PsyBrain 脑心前沿编辑部

💡 关于我们

👋 你好，这里是「PsyBrain 脑心前沿」

🧠 专注追踪全球认知神经科学的最尖端突破

🔍 视野直击 Nature, Science, Cell 正刊及核心子刊与顶级大刊

📄 每日速递「深度解读」与「前沿快讯」

科研是一场探索未知的长跑，但你无需独行。欢迎加入 PsyBrain 学术社群，和一群懂你的同行，共同丈量脑与心智的无垠前沿。

👇点击卡片进群，欢迎你的到来👇