大腦作為自然界最復雜的計算系統，其信息處理展現出高度動態與多變的特性：皮層神經元在持續放電過程中具有顯著的時間變異性，即使在重復相同實驗條件下，單個神經元的放電模式也常常表現出隨機性和高度不一致性。

但令人矚目的是，面對相同的外部刺激，神經系統整體卻表現出高度穩定的響應。

這種“微觀神經活動的高度隨機性”與“宏觀功能輸出的高度穩定性”并存的現象，構成了計算神經科學長期關注的基礎問題之一：神經系統如何在內部動態高度可變的活動中，可靠地編碼和表征外部信息？

過去，研究者們普遍認為，大腦神經網絡對外界刺激能產生可靠穩定的響應，是由于興奮性與抑制性神經元之間達到某種動態平衡。然而，這一理論主要適用于簡單輸入信號的處理，其無法解釋復雜、多變的外部信號。

在近期的一項研究中，之江實驗室楊冬平研究員團隊揭開了這種現象背后的神經動力學機制。通過系統建模和仿真，他們發現，大腦神經元之間的“多樣性”才是調節單個神經元活動的隨機性與整體神經網絡的可靠信息處理能力并存的關鍵。正如交響樂團里不同的樂器各司其職，神經元性質的差異性反而增強了系統的靈活性與穩定性。

該研究不僅為理解大腦在復雜環境中的計算原理提供了全新理論框架，也為類腦神經形態系統的設計與優化開辟了全新的思路。

日前，相關論文以《神經異質性增強穩健神經信息處理：局部敏感性與全局輸入從屬的瞬態動力學》（Neural heterogeneity enhances reliable neural information processing: Local sensitivity and globally input-slaved transient dynamics）為題發表在Science Advances[1]。之江實驗室高級研究專員吳生礅是第一作者，楊冬平擔任唯一通訊作者。

圖丨相關論文（Science Advances）

楊冬平研究員具有扎實的理論物理背景，他在澳大利亞悉尼大學和香港浸會大學完成博士后研究后，加入之江實驗室并組建研究團隊，專注于大腦信息處理機制的理論探索。

早在 2017 年，他以第一作者發表的研究成果 [2]，便系統地分析了大腦皮層神經網絡從單個神經元、局部神經元群落到整體網絡層面的動力學特性，旨在揭示統一闡釋神經生物實驗普遍觀測到的多尺度神經活動特征的內在機制。該研究提出，大腦信息處理在保證低能耗的同時，遵循著最大化信息容量與能效比的優化設計原則。

而在這項新研究中，他的團隊進一步引入神經生物系統中普遍存在的神經異質性概念，構建出一套能夠有效解釋高維復雜信號可靠處理的理論模型，首次明確了神經異質性在可靠信息處理中的關鍵作用。

圖丨楊冬平（楊冬平）

楊冬平向 DeepTech 解釋道：“雖然大腦僅占人體重量的 2%，卻消耗了 20% 的總能量。因此進化壓力促使大腦發展出既節能又高效的信息處理模式，而我們發現神經實驗普遍觀測到的多尺度神經活動模式恰恰符合這一優化設計原則。”

研究團隊提出的理論框架可以形象地理解為“信息輸入與留存”的雙重機制。他們揭示了兩個關鍵過程：首先是信息輸入機制，依賴于神經系統對外部刺激的響應敏感性；其次是信息保持機制，通過系統內部敏感區域與非敏感區域的協同作用，形成由外部信息引導的動態編碼模式。

（Science Advances）

研究團隊采用空間擴展的脈沖神經網絡模型進行驗證，該模型模擬了興奮性與抑制性神經元之間的動態相互作用。仿真數據顯示，在參數均勻的網絡中，神經元傾向于形成高度同步的活動模式，這種過度同步會顯著降低網絡對外部輸入的響應能力。而引入時間尺度等參數的異質性后，神經活動的同步性被有效抑制，網絡表現出更靈活的響應特性和更精確的信號跟蹤能力。

值得注意的是，這項研究首次建立了統一的異質性理論框架。楊冬平指出，盡管學界已普遍認識到異質性的重要性，但缺乏系統性理論闡釋。這項工作為理解大腦信息處理原理提供了全新視角。

（Science Advances）

這項研究的創新之處在于，展示了一種在有限計算資源和數據條件下實現復雜信號可靠處理的新范式，這對類腦芯片設計和類腦計算具有重要指導意義。與當前主流的反向傳播訓練方法不同，該研究為只需要優化系統關鍵參數就能實現高效學習創造了可能性。

楊冬平補充道：“理論物理學早有預言，處于混沌邊緣的系統具有最優的信息處理能力。雖然基于此發展的儲備池計算仍屬小眾領域，但我們通過解決其可靠性問題，為其發展注入了新的活力。”

需要指出的是，雖然該機制在小樣本學習場景展現出應用潛力，但目前研究仍局限于一維序列信號處理，在圖像等復雜信息的處理上仍面臨挑戰，距離實際工程應用還有待進一步研究突破。目前，研究團隊正在積極探索將該理論框架擴展到更復雜的信息處理任務中。

圖丨計算可靠性增強（Science Advances）

楊冬平認為，在探索大腦皮層在復雜環境下的信息處理機制方面，可以從 AI 和具身智能等前沿領域獲得重要啟示。

團隊的目前研究重點聚焦于信息處理的感知階段，即大腦如何接收和處理外部信息這一前端過程。然而，真正體現大腦強大功能的在于其后端的認知處理能力，包括推理、記憶和決策等高級認知功能。

“多模態 AI 需要處理視覺、聽覺等各種信號，這些信號最終都要轉化為認知階段，以進行推理等高級智能功能。”楊冬平解釋說道，“該領域現階段存在的一個重要的研究空白是，如何建立有效的感知表征以及這些表征如何轉化為認知內容，進而支持學習、推理等高級智能功能，這最終也關系到機器人的決策問題。”

在他們最新完成的研究工作中，提出了一種具有強泛化能力的認知機制模型，相關成果目前已發表在預印本網站bioRxiv[3]。這項研究對推動具身智能和多模態 AI 的發展具有重要價值。未來，團隊計劃進一步解決感知與認知的銜接這一關鍵科學問題上。

參考資料：

1.S. Wu. et al. Neural heterogeneity enhances reliable neural information processing: Local sensitivity and globally input-slaved transient dynamics.Science Advances11, eadr3903(2025). https://www.science.org/doi/10.1126/sciadv.adr3903

2.Dong-Ping Yang, Hai-Jun Zhou, and Changsong Zhou, Co-emergence of multi-scale cortical activities of irregular firing, oscillations and avalanches achieves cost-efficient information capacity.Plos Computational Biology13(2): e1005384(2017). https://doi.org/10.1371/journal.pcbi.1005384

3.https://www.biorxiv.org/content/10.1101/2025.07.27.666997v1

運營/排版：何晨龍