自然·通讯：聪明的人，一定拥有更“快”的大脑吗？

导语

为了更好地理解网络结构是如何塑造智能行为的，作者们开发了一种学习算法，并利用此算法给650个人类连接组的被试建立了个体化模型。发现：更高智力分数的被试需要更长时间来解决困难问题，而那些分数低的则有更高的平均功能连接性。通过模拟，作者发现一个在功能连接性、智力、处理速度和大脑同步性的机制联系，这种联系在兴奋-抑制平衡中权衡准确性和速度。同步性的降低导致决策环路快速地得出结论，而同步性的增高使得证据更好地整合并增强了工作记忆的鲁棒性。同时，严格测试确保了所得到的结果的可复制性和普遍性。在此，作者发现大脑结构与功能之间的联系能使我们从非侵入式记录得到连接组的拓扑结构，并将其引射到个体间的行为差异，这表明其具有研究和临床应用的广泛实用价。

关键词：全脑模型（Whole-brain model）、功能连接（Functional connectivity）、兴奋-抑制平衡（Excitation-inhibition balance）、流体智力（Fluid intelligence）、决策（Decision making）

周骁俊丨作者

赵思怡丨审校

论文题目：Learning how network structure shapes decision-making for bio-inspired computing 论文链接：https://www.nature.com/articles/s41467-023-38626-y 发表时间：2023年5月23日 论文来源：Nature Communications

聪明的人，大脑真的更快吗？

从心理学诞生开始，大量研究都发现：智力越高的人，完成简单反应任务所需的时间越短。“聪明的人反应更快”，几乎已经成为了一种常识。然而这种结论几乎都来自非常简单的任务，例如按键反应、图形匹配等。如果真正面对一个需要持续推理、保持工作记忆、不断验证假设的复杂问题，更快是否意味着更聪明？

图1. 智力、反应时间和功能连接之间的关系。反应时间（Reaction Time，RT）、一般智力因子（general intelligence，g-factor）以及流体智力测试成绩之间的相关分析表明，高智力个体在复杂任务中决策更慢，但正确率更高，并表现出更高的静息态功能连接。

本文作者通过分析了 Human Connectime Project 中超过一千名被试的数据，并使用 Penn Matrix Reasoning Test（PMAT）测量流体智力（Fluid intelligence）。结果非常有趣：对于简单题，高智力被试确实回答得更快，但是随着题目难度增加，高智力被试反而需要更多时间，但却得到了更高的正确率。与此同时，解决问题时间越长的人，其静息态功能连接（Functional connectivity， FC）通常也越高。这说明，大脑并非越快越聪明，而是在面对复杂问题时，更倾向于延长证据积累过程，从而获得更可靠的判断。

流体智力：与晶体智力相对。指人不需要依赖过去的经验，就能灵活思考、快速解决全新问题和进行抽象推理的能力。类似电脑出厂时自带的“处理器速度”，大多是天生的。

从 MRI 到数字大脑：为每个人建立一个数字大脑

然后这些统计只能说明脑活动与行为之间存在相关性，却无法解释其中的神经机制。作者在此利用每位被试的扩散磁共振成像（diffusion MRI）构建包含379个脑区的大尺度脑网络模型；随后利用静息态功能磁共振（resting-state fMRI）进行拟合：不断调整模型中的兴奋-抑制（Excitation–Inhibition，E/I）比例，使模拟得到的功能连接尽可能接近真实数据。最后得到脑网络模型视为该被试的个体化脑网络模型。

图 2. 个体化建模流程。a. 利用MRI构建个体化脑网络。b. 每个脑区的 E-I 动力学网络。c.利用真实数据FC来拟合E/I参数。d. 经典的前额叶-后顶叶决策网络。

E/I平衡如何改变大脑的决策模式？

完成个体化建模后，作者进一步分析模型内部的神经动力学。结果发现，随着兴奋-抑制比率增加，脑区之间神经输入的同步性逐渐增强，而输入电流的平均振幅则逐渐降低。这意味着，大脑并不是简单地增强神经活动，而是重新组织不同脑区之间的信息传递方式。

图 3. E/I 平衡影响脑网络动力学及决策表现。左两图：更高的兴奋-抑制比率提高了脑区间神经活动同步性、降低了输入振幅。右四图：PFC 和 PPC 噪声幅值的降低以及 PPC 噪声同步性的提高，使得决策网络的决策更加正确，积分时间更长。

为了验证这种变化是否会影响认知，作者进一步利用个体化全脑模型中前额叶（PFC）和后顶叶（PPC）产生的神经活动，驱动经典的决策网络（Decision-making circuit）（图 2 d）。模拟结果表明，当输入信号具有更高同步性、更低振幅时，决策网络需要更长时间积累证据，因此决策速度变慢；与此同时，随机噪声对决策过程的干扰也随之减少，使最终正确率得到提高。这一结果说明，大脑真正调节的并不是单纯的计算速度，而是证据积累的过程，通过改变速度与准确率之间的平衡，形成不同的决策策略。

个体化脑模型能够预测真实认知表现

最后，作者将这一框架应用于全部650名受试者，检验模型是否能够解释真实个体之间的认知差异。结果显示，模型预测的决策正确率与真实流体智力测试（PMAT）成绩呈显著正相关，而模型预测的决策时间也成功再现了实验中的行为规律：流体智力越高，模型完成决策所需时间越长。此外，并非所有脑区都与认知表现相关，而是主要由前额叶（PFC）和后顶叶（PPC）等认知相关脑区携带这些信息，进一步支持了前额叶-顶叶网络在复杂决策中的关键作用。

E/I 比率 ↑ --> 神经活动同步性↑ 输入振幅↓ --> 证据积累时间↑ --> 决策准确率↑

图 4. 个体化脑模型预测真实认知表现

从脑网络到认知：大脑如何在“快”与“慢”之间切换？

这项工作的意义并不仅仅在于建立了一个能够预测认知表现的全脑模型，更重要的是，它为长期存在于心理学和神经科学中的"速度—准确率权衡"提供了一种可能的神经机制。作者认为，大脑网络的连接方式决定了局部兴奋-抑制平衡，进而改变神经输入的同步性和证据积累过程，使不同任务能够在快速决策与深度推理之间灵活切换。因此，真正决定认知表现的并非单纯的计算速度，而是大脑如何根据任务需求动态调节信息整合策略。

进一步地，作者将这一机制与多个经典神经科学理论联系起来。例如，自上而下注意（Top-down Attention）、意识加工的点燃理论（Ignition Theory）、顶叶-额叶整合智力理论（P-FIT）以及相干性通信理论（Communication through Coherence）都认为，复杂认知依赖于前额叶-顶叶网络更强的长程同步和更长的时间尺度。作者的模型不仅再现了这些理论所描述的动力学特征，还进一步提出，功能连接较高的脑区可能以更慢的时间尺度进行交互，形成由感觉皮层到联合皮层逐渐延长的层级式信息处理过程，为理解脑网络结构如何塑造认知行为提供了一个统一的计算框架。

神经动力学模型读书会

为了促进神经科学、系统科学以及计算机科学等多领域学术工作者的交流合作，吸引更多朋友共同探索脑科学与类脑研究，周昌松、臧蕴亮、杨冬平、郭大庆、陈育涵、曹淼、刘泉影、王大辉、刘健、王鑫迪等来自国内外多所知名高校的专家学者在集智俱乐部共同发起「 」读书会，历时四个月研讨，近日圆满结束。

本季读书会形成了聚集500+成员的神经动力学社区，积累了40+小时综述、解读、研讨的视频记录，以及多篇社区成员总结的词条、笔记、翻译、科普资料等。现在报名加入读书会，即可加入社区交流讨论（微信），并解锁相关视频、文本资料。我们对脑的探索才刚刚起航，欢迎你一道参与，共同点亮更多脑科学研究的岛屿！

详情请见：

1.

2.

3.

4.

5.

6.

7.

#速递