J014 哈佛最新NC：大脑如何实现“快速高效编码”？基于循环神经网络的增益适应机制
来源：公众号 PSY-Brain_Frontier ｜ 发布：2026-05-22 ｜ 原文链接
认知神经科学前沿文献分享
基本信息
Title: Fast efficient coding and sensory adaptation in gain-adaptive recurrent networks
发表时间: 2026-05-15
发表期刊: Nature Communications
影响因子: 15.7
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
感觉系统的一个核心特征是能够根据环境中刺激统计规律的变化进行动态适应。在理论神经科学中，“高效编码”（Efficient coding）假说提供了一个极具影响力的解释框架：为了最大化信息传递效率，神经元的调谐曲线应当向环境中出现频率最高的刺激聚集。换句话说，如果某种刺激变多了，神经元应该主动“靠拢”它，这被称为“先验吸引”（Prior attraction）。
然而，大量的电生理实验却观察到了截然相反的现象。当研究者向动物反复呈现同一个视觉刺激（即“适配器”，Adapter）后，初级视觉皮层中偏好该刺激附近的神经元，其调谐曲线反而会背离这个高频刺激发生偏移。这种现象被称为“适配器排斥”（Adapter repulsion），并且通常伴随着复杂的形态变化：靠近适配器的调谐曲线会变宽，而距离较远的调谐曲线会变窄。
Fig 2. 经典的适配器排斥现象：神经元调谐曲线不仅背离重复刺激（适配器）发生偏移，还会伴随宽度的动态变化，这与传统高效编码理论预测的“吸引”现象形成了鲜明矛盾。
为什么大脑在某些情况下表现出“吸引”，而在另一些情况下又表现出“排斥”？此外，适配器排斥通常在几十毫秒内就会发生，传统的突触可塑性（如短时程突触抑制）机制在时间尺度和灵活性上往往难以满足这种“快速高效编码”的需求。为了解开这一谜团，哈佛大学的研究团队提出了一种全新的增益适应（Gain-adaptive）循环网络模型，试图在一个统一的计算框架下调和这两个看似水火不容的现象。
研究核心总结
这项研究并没有引入复杂的突触权重更新，而是证明了仅仅通过调节循环网络中神经元的“增益”（Gain），就能在平衡解码精度与放电成本的前提下，自然涌现出丰富的适应性行为。
一、 行为学证据：人类具备单次试验级别的“快速高效编码”能力
为了验证感觉系统确实能在极短时间内根据先验分布调整编码，研究者首先进行了一项人类数量估计行为实验。在每个试次中，受试者会被随机告知一个先验分布（窄、中、宽），随后要求估计屏幕上闪现的圆点数量。
结果表明，受试者估计值的方差与先验分布的宽度呈线性比例关系。这意味着，即使先验分布在每次试验（秒级尺度）都在发生随机变化，人类依然能够迅速重新分配内部的表征资源。这种快速的精度调整，为“大脑能够实时执行高效编码”提供了坚实的行为学基础。
Fig 1. 数量估计任务表明，人类受试者能够在单次试验的秒级尺度上，根据先验分布的宽度快速调整其内部编码的精度，表现出快速高效编码的特征。
二、 机制解析：增益调节驱动调谐曲线的动态偏移
在明确了快速适应的存在后，研究者构建了一个包含局部兴奋性连接的循环神经网络模型。在这个模型中，神经元之间的突触连接矩阵保持不变，唯一改变的是每个神经元前馈输入的“增益”。
数学解析和模拟结果揭示了一个关键机制：在循环网络中，一个神经元的有效调谐中心，实际上是网络中所有神经元前馈位置的加权平均。当网络中出现非均匀的增益分布时，具有较高增益的神经元会对周围神经元产生“拉力”。因此，调谐曲线的偏移方向，本质上是由网络中增益梯度的空间分布决定的。
Fig 3. 在循环网络中，非均匀的增益分布会使得神经元的有效调谐曲线向高增益神经元所在的方向发生偏移，这为不改变突触权重的快速适应提供了机制基础。
三、 宽先验环境下的“先验吸引”
当研究者要求该网络在宽泛的先验分布下最小化解码误差，同时施加一个与神经元放电率成正比的代谢成本时，网络优化出了一种呈倒U型的增益分布——先验概率越高的中心位置，增益越大。
在这种增益分布的牵引下，网络中神经元的有效调谐曲线会自发地向先验分布的中心收缩。先验分布越窄，这种向中心的“聚集”效应就越强。这不仅完美契合了传统高效编码理论预测的“先验吸引”，也定量解释了行为学实验中受试者估计方差随先验宽度变化的规律。
Fig 4. 当面对较宽的先验分布时，网络优化出的增益在中心达到峰值，促使调谐曲线向高频刺激聚集，形成“先验吸引”。
四、 尖锐先验（重复刺激）诱发的“适配器排斥”
研究的最精彩之处在于，当把同样的优化目标应用到极其尖锐的先验分布（模拟实验中反复呈现的单一适配器刺激）时，网络给出了完全不同的最优解。
面对尖锐先验，为了在极高的局部精度需求和昂贵的放电成本之间找到平衡，最优增益分布不再是单峰，而是演变成了一个“M型”双峰结构——在适配器正中心，增益反而出现低谷，而在其两侧形成两个高增益峰值。正是这两个偏离中心的增益峰值，把附近的调谐曲线向两侧“拉扯”，从而自然涌现出了经典的“适配器排斥”现象。不仅如此，该模型还精准复现了靠近适配器的调谐曲线变宽、远离适配器的调谐曲线变窄等一系列复杂的次生效应。
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. 面对尖锐的适配器刺激，最优增益呈现双峰（M型）分布，完美复现了调谐曲线背离适配器偏移、靠近适配器变宽等一系列复杂的排斥现象。
研究意义
这项工作在理论和机制层面上都极具启发性。
在理论层面上，它打破了感觉适应领域长期以来的认知割裂。过去，人们往往将“先验吸引”视为高效编码的产物，而将“适配器排斥”归结为底层的疲劳或单纯的抑制机制。这项研究证明，吸引和排斥并不是两套独立的逻辑，它们都是大脑在“最小化解码误差与放电成本”这一单一高效编码原则下，面对不同统计分布（宽泛 vs. 尖锐）时给出的最优解。
在机制层面上，该研究将目光从缓慢的突触可塑性转移到了循环网络中的增益调节上。增益调节不仅响应速度极快，而且能够维持足够长的时间，这为理解大脑如何在瞬息万变的自然环境中实时重塑感觉表征提供了一个极具潜力的计算框架。不过，这种动态编码也对下游脑区的解码能力提出了挑战——下游网络如何实时“知晓”并适应这些不断变化的调谐曲线，将是未来研究需要跨越的新边界。
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👇
一键关注，点亮星标 ⭐ 前沿不走丢！
一键分享，让更多人了解前沿
预览时标签不可点
作者提示: 内容由AI生成
阅读原文
不喜欢
微信扫一扫
关注该公众号
知道了
微信扫一扫
使用小程序
取消 允许
取消 允许
取消 允许
× 分析
微信扫一扫可打开此内容，
使用完整服务