编辑推荐：
为了深入理解大脑如何为复杂的感知运动信号生成预测，本研究探讨了循环神经网络中高维多模态预测表征的涌现。研究人员通过构建丰富刺激集来违反动物的习得预期，从而验证了模型预测。研究发现，在进行稳健预测处理时，刺激与预测误差的表征是去分离的，且当兴奋/抑制平衡较为宽松时预测处理最为优化。该研究揭示了内部模型的神经表征高度分布式分布，但具备支持灵活读取行为相关信息的结构，为理解内部模型如何计算提供了一个统一框架。
大脑并非对外部世界的被动接收者，而更像是一位积极的预测家，它通过构建内部的“世界模型”来预测即将到来的感觉信息，并据此指导行为。预测处理（Predictive Processing）理论认为，神经活动一方面编码感觉预测，一方面计算预测与实际输入之间的误差，正是这些内部模型运作的签名。然而，一个核心谜题是：大脑如何为复杂多变的感觉运动信号生成如此高效的预测？传统模型倾向于假设存在功能特化的细胞类型，分别负责信号预测和误差计算，但这与神经网络灵活、鲁棒的运作特性似乎存在矛盾。为了解答这些问题，研究人员在《Nature Communications》上发表了一项研究，深入探究了高维多模态预测表征在神经网络中的涌现机制。
研究人员首先利用循环神经网络（Recurrent Neural Networks, RNNs）进行建模，以理解预测表征是如何形成的。他们通过精心设计一个丰富的刺激集，在动物实验中主动违反动物通过学习建立的预期，以此检验模型的预测。这种方法使他们能够直接观察在预测被打破时神经活动的变化。
主要研究技术与方法概述
本研究结合了计算建模与在体神经生理学记录。关键方法包括：1. 构建并训练循环神经网络模型，模拟内部模型的形成与预测过程；2. 使用多通道电极阵列记录动物在感知任务中的神经群体活动，作为验证模型的实验数据；3. 设计丰富、多变的刺激序列，旨在系统地违反动物对刺激序列的习得性预期，以诱发预测误差（Prediction Error）；4. 对记录的神经活动数据进行表征相似性分析（Representation Similarity Analysis, RSA）和解码分析，以量化刺激、预测及预测误差的神经表征模式。
模型预测与实验验证
预测与误差表征的去分离
研究发现，与传统设想不同，在能够进行稳健预测处理的网络中，刺激（或上下文）的表征与预测误差的表征并非由不同的、功能特化的神经元群体分别编码。相反，这两种信息高度交织、去分离地分布于整个神经群体中。这意味着，同一群神经元可能同时携带关于当前感觉输入和预测偏差的信息。这一模型预测在动物实验中得到验证：当动物预期被违反时，表征分析显示预测误差信号广泛分布，而非局限于某个特定子网络。
兴奋/抑制平衡的宽松性优化预测处理
研究进一步提出，预测处理的最优化并非依赖于严格的兴奋/抑制（Excitation/Inhibition, E/I）平衡。模型表明，当E/I平衡相对“宽松”时，网络能更鲁棒地支持预测处理的动态计算。这与某些要求严格平衡以实现稳定性的经典网络模型形成对比。研究揭示了兴奋性神经元和抑制性神经元在此过程中的不同功能角色：兴奋性神经元更多地参与构建和传递预测信号，而抑制性神经元则在调节预测误差信号的增益和网络动态稳定性方面起着关键作用。
分布式但结构化的内部模型表征
综合模型与实验数据，研究得出结论：支持内部模型的神经表征是高度分布式的，它们并没有被局限在某个特定的脑区或细胞类型中。然而，这种分布式表征并非杂乱无章，而是具有一种内在的结构。这种结构使得下游脑区能够根据需要，灵活地“读取”出与当前行为最相关的信息，无论是当前的感官状态、对未来的预测，还是预测的偏差程度。
研究结论与意义
这项研究通过整合计算模型与实验神经科学，对大脑如何计算其内部世界模型提出了新的见解。其结论可以归纳为三点：第一，表征的去分离性是稳健预测处理的标志，功能分离假说可能需要被修正，预测与误差计算更可能共享同一群神经元的计算资源。第二，网络动力学的特定状态（如宽松的E/I平衡）是支持复杂预测计算的关键，这为理解神经系统在动态环境中的适应性提供了新视角。第三，内部模型的实现方式是“分布式但结构化”的，这解释了大脑在处理复杂信息时兼具鲁棒性与灵活性的能力。
这项研究的意义重大。它将预测、误差计算、网络动力学和细胞类型功能等多个层面的计算统一到一个框架中，推动了预测处理理论从概念框架向具体神经机制理解的转变。它提示，未来对高级认知功能神经基础的研究，可能需要更多地关注大规模神经群体中信息的分布式混合表征，以及不同神经元类型在塑造这些群体动态中的精细分工。这些发现不仅增进了我们对感知、学习和决策背后基本计算原理的理解，也为发展新一代类脑人工智能算法和干预精神神经疾病（如精神分裂症、自闭症谱系障碍，这些疾病常被认为与预测处理异常和E/I平衡失调有关）提供了潜在的理论基础。
