科学家揭示神经元处理信息机制，为神经形态计算设计提供重要启示

大脑作为自然界最复杂的计算系统，其信息处理展现出高度动态与多变的特性：皮层神经元在持续放电过程中具有显著的时间变异性，即使在重复相同实验条件下，单个神经元的放电模式也常常表现出随机性和高度不一致性。

但令人瞩目的是，面对相同的外部刺激，神经系统整体却表现出高度稳定的响应。

这种“微观神经活动的高度随机性”与“宏观功能输出的高度稳定性”并存的现象，构成了计算神经科学长期关注的基础问题之一：神经系统如何在内部动态高度可变的活动中，可靠地编码和表征外部信息？

过去，研究者们普遍认为，大脑神经网络对外界刺激能产生可靠稳定的响应，是由于兴奋性与抑制性神经元之间达到某种动态平衡。然而，这一理论主要适用于简单输入信号的处理，其无法解释复杂、多变的外部信号。

在近期的一项研究中，之江实验室杨冬平研究员团队揭开了这种现象背后的神经动力学机制。通过系统建模和仿真，他们发现，大脑神经元之间的“多样性”才是调节单个神经元活动的随机性与整体神经网络的可靠信息处理能力并存的关键。正如交响乐团里不同的乐器各司其职，神经元性质的差异性反而增强了系统的灵活性与稳定性。

该研究不仅为理解大脑在复杂环境中的计算原理提供了全新理论框架，也为类脑神经形态系统的设计与优化开辟了全新的思路。

日前，相关论文以《神经异质性增强稳健神经信息处理：局部敏感性与全局输入从属的瞬态动力学》（Neural heterogeneity enhances reliable neural information processing: Local sensitivity and globally input-slaved transient dynamics）为题发表在Science Advances[1]。之江实验室高级研究专员吴生礅是第一作者，杨冬平担任唯一通讯作者。

杨冬平研究员具有扎实的理论物理背景，他在澳大利亚悉尼大学和香港浸会大学完成博士后研究后，加入之江实验室并组建研究团队，专注于大脑信息处理机制的理论探索。

早在 2017 年，他以第一作者发表的研究成果 [2]，便系统地分析了大脑皮层神经网络从单个神经元、局部神经元群落到整体网络层面的动力学特性，旨在揭示统一阐释神经生物实验普遍观测到的多尺度神经活动特征的内在机制。该研究提出，大脑信息处理在保证低能耗的同时，遵循着最大化信息容量与能效比的优化设计原则。

而在这项新研究中，他的团队进一步引入神经生物系统中普遍存在的神经异质性概念，构建出一套能够有效解释高维复杂信号可靠处理的理论模型，首次明确了神经异质性在可靠信息处理中的关键作用。

杨冬平向 DeepTech 解释道：“虽然大脑仅占人体重量的 2%，却消耗了 20% 的总能量。因此进化压力促使大脑发展出既节能又高效的信息处理模式，而我们发现神经实验普遍观测到的多尺度神经活动模式恰恰符合这一优化设计原则。”

研究团队提出的理论框架可以形象地理解为“信息输入与留存”的双重机制。他们揭示了两个关键过程：首先是信息输入机制，依赖于神经系统对外部刺激的响应敏感性；其次是信息保持机制，通过系统内部敏感区域与非敏感区域的协同作用，形成由外部信息引导的动态编码模式。

研究团队采用空间扩展的脉冲神经网络模型进行验证，该模型模拟了兴奋性与抑制性神经元之间的动态相互作用。仿真数据显示，在参数均匀的网络中，神经元倾向于形成高度同步的活动模式，这种过度同步会显著降低网络对外部输入的响应能力。而引入时间尺度等参数的异质性后，神经活动的同步性被有效抑制，网络表现出更灵活的响应特性和更精确的信号跟踪能力。

值得注意的是，这项研究首次建立了统一的异质性理论框架。杨冬平指出，尽管学界已普遍认识到异质性的重要性，但缺乏系统性理论阐释。这项工作为理解大脑信息处理原理提供了全新视角。

这项研究的创新之处在于，展示了一种在有限计算资源和数据条件下实现复杂信号可靠处理的新范式，这对类脑芯片设计和类脑计算具有重要指导意义。与当前主流的反向传播训练方法不同，该研究为只需要优化系统关键参数就能实现高效学习创造了可能性。

杨冬平补充道：“理论物理学早有预言，处于混沌边缘的系统具有最优的信息处理能力。虽然基于此发展的储备池计算仍属小众领域，但我们通过解决其可靠性问题，为其发展注入了新的活力。”

需要指出的是，虽然该机制在小样本学习场景展现出应用潜力，但目前研究仍局限于一维序列信号处理，在图像等复杂信息的处理上仍面临挑战，距离实际工程应用还有待进一步研究突破。目前，研究团队正在积极探索将该理论框架扩展到更复杂的信息处理任务中。

杨冬平认为，在探索大脑皮层在复杂环境下的信息处理机制方面，可以从 AI 和具身智能等前沿领域获得重要启示。

团队的目前研究重点聚焦于信息处理的感知阶段，即大脑如何接收和处理外部信息这一前端过程。然而，真正体现大脑强大功能的在于其后端的认知处理能力，包括推理、记忆和决策等高级认知功能。

“多模态 AI 需要处理视觉、听觉等各种信号，这些信号最终都要转化为认知阶段，以进行推理等高级智能功能。”杨冬平解释说道，“该领域现阶段存在的一个重要的研究空白是，如何建立有效的感知表征以及这些表征如何转化为认知内容，进而支持学习、推理等高级智能功能，这最终也关系到机器人的决策问题。”

在他们最新完成的研究工作中，提出了一种具有强泛化能力的认知机制模型，相关成果目前已发表在预印本网站bioRxiv[3]。这项研究对推动具身智能和多模态 AI 的发展具有重要价值。未来，团队计划进一步解决感知与认知的衔接这一关键科学问题上。

参考资料：

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

运营/排版：何晨龙