一群神經元的「形狀」，藏著大腦的計算嗎？

一群神經元的「形狀」，藏著大腦的計算嗎？

你已經知道，計算神經科學把大腦看成資訊處理系統，也知道單一神經元會對特定特徵「調諧」、群體會用分散的活動模式編碼資訊。但這裡有一個更尖銳的問題：當你記錄到幾百顆神經元、每一顆都在以複雜的方式變化，你要怎麼說「這群神經元正在計算」？

換個方式問——大腦做決策、產生動作、維持一段工作記憶，這些過程在時間中展開。它們不是一張靜止的特徵地圖，而是一段持續演化的歷程。如果說入門篇談的是「大腦把世界寫成什麼格式」，那麼進階篇要談的是「這些格式如何隨時間流動、被推擠、被吸引、被穩定下來」。這正是當代計算神經科學最活躍的轉向之一：從把神經活動看成「表徵」（representation），轉向把它看成一個動態系統（dynamical system）的軌跡。本文要帶你進入這個視角，並看它如何與貝氏推論、預測編碼，以及人工智慧裡的遞迴網路深深咬合。

把神經活動放進「狀態空間」

先建立一個關鍵的幾何直覺。假設你同時記錄了 N 顆神經元的瞬間發放率，那麼在任何一個時刻，整群神經元的狀態就可以寫成一個 N 維向量——每一個維度是一顆神經元的活動。隨著時間推進，這個點在 N 維空間中移動，畫出一條軌跡（trajectory）。這個 N 維空間就叫神經狀態空間（neural state space）。

這個轉換看似只是換個座標，意義卻很深。它讓我們不再追問「第 37 號神經元代表什麼」，而是追問「整群活動的軌跡長什麼形狀、往哪裡走、被什麼拉著走」。計算，於是變成軌跡在狀態空間中的幾何與動態。

一個反覆被觀察到的現象是：雖然你記錄了幾百個維度，神經群體的活動其實常常被限制在一個低得多的子空間裡——它躺在一個低維流形（manifold）上。也就是說，神經元彼此不是各自獨立亂跳，而是高度協調，真正「自由」的維度遠少於神經元數目。這個低維結構不是冗餘的浪費，反而可能正是計算的所在：大腦把高維的神經硬體，組織成少數幾個有意義的「集體變數」（collective variables）來運算。

對學過線性代數的同學，這裡的工具一點都不陌生——主成分分析（PCA）、因子分析這類降維方法，正是用來把高維神經紀錄投影到少數幾個主軸，好讓我們「看見」那條軌跡的形狀。但要小心：降維後看到的漂亮結構，是真實的計算原理，還是只是分析方法強加的視覺假象？這個分寸，後面會再回來談。

吸引子：用「地形」理解穩定與選擇

有了狀態空間，我們需要一個語言來描述軌跡為什麼這樣走。最有力的概念是吸引子（attractor）。

想像狀態空間像一片有高低起伏的地形，而神經活動的當前狀態，像一顆在這片地形上滾動的球。地形的低谷會把附近的球吸進去，這些低谷就是吸引子。一旦球落入某個谷底，就算被輕輕推一下（受到雜訊干擾），它也會自動滾回谷底——這就是穩定性的來源。吸引子的「地形」並非真實存在的物理表面，而是由神經元之間的連結（突觸權重）所隱含決定的動態。

這個比喻能解釋好幾種核心認知功能：

• 記憶：入門篇提過的霍普菲爾德網路，正是一種點吸引子（point attractor）系統。每段記憶是一個谷底；給網路一個殘缺線索，狀態就會滾向最接近的谷底，把完整記憶「補全」出來。聯想記憶，本質上是落入吸引子的過程。
• 工作記憶：當你心裡默記一個電話號碼、一個角度、一個位置，外在刺激早已消失，但相關的神經活動卻能持續好幾秒。一種主流解釋是，大腦維持著一個連續吸引子（continuous attractor）——不是孤立的谷底，而是一條相連的「山谷」，狀態可以停在這條谷線上的任何一點，藉此穩定地保存一個連續變數（例如頭部朝向的角度）。
• 決策：當你要在兩個選項間抉擇，可以把它想成一個有兩個谷底的地形。證據像是一股股推力，緩緩把球推向其中一邊；一旦越過分水嶺、落入某個谷底，決策就「定了」，而且不容易反悔。這對應到行為學上熟悉的「證據累積到閾值」模型。

吸引子之所以重要，是因為它把抽象的「計算」翻譯成可以分析、可以用神經連結實現的動態。穩定的記憶、可靠的決策、持續的注意，都可以理解為大腦在狀態空間裡，巧妙地塑造出對的吸引子地形。

大腦是一台「推論機器」嗎？

換一個層次，我們從「動態怎麼跑」上升到「大腦為什麼要這樣跑」。這就回到入門篇點過、但值得深挖的規範性觀點：貝氏大腦假說（Bayesian brain hypothesis）。

核心想法是：感官給大腦的證據永遠是不完整、有雜訊、且有歧義的。你的視網膜收到的是二維的光影，外面卻是三維的世界；同一片影像可能對應無數種外在原因。大腦的根本任務，因此不是「讀取」世界，而是「推論」世界——在不確定中，估計最可能的外在狀態。

用貝氏定理的語言：大腦結合先驗（prior，過去經驗告訴你世界通常長怎樣）與似然（likelihood，當下感官證據的支持程度），算出後驗（posterior，對世界的最佳估計）。一個漂亮的可驗證預測是：當感官證據越不可靠，大腦就應該越倚賴先驗。許多錯覺正是這樣產生的——在資訊不足時，大腦用「世界通常的樣子」去填補空白，結果填出了與物理現實不符、卻符合統計常理的知覺。

從貝氏推論再往前一步，就是近年極具影響力的預測編碼（predictive coding）框架。它的核心主張是：大腦不是被動等著感官資訊湧入，而是主動地、不斷地對下一刻的輸入做出預測。高層腦區把自己的預測往下傳給低層，低層拿真實輸入和預測相減，只把「沒被預測到的部分」——也就是預測誤差（prediction error）——往上送。整個系統的目標，是讓預測誤差最小化。

這個架構優雅地把好幾件事接了起來。第一，它解釋了為什麼大腦這麼省能量：如果上層已經準確預測，下層幾乎不必傳訊號，安靜就是成功。第二，它把「知覺」與「學習」統一在同一個原則下：短期內，調整你對世界的估計來消除誤差，那是知覺；長期下，調整你的內部模型（突觸權重）來讓未來預測更準，那是學習。第三，它甚至延伸到行動——你也可以透過「動起來、改變感官輸入」來消除預測誤差，這就把感知和運動納進了同一個迴圈。當然，預測編碼究竟在多大程度上是大腦真實的運作方式，仍有爭論，但它無疑是當前最具整合野心的計算框架之一。

看一個例子

讓我們用一個能被實驗操弄的場景，把狀態空間、吸引子、推論這三件事串起來：知覺決策（perceptual decision-making）中的隨機點運動任務。

想像螢幕上有一群隨機飄動的點，其中一定比例的點往同一方向（比如往右）一致移動，其餘的點則是純粹的雜訊。受試者（人或獼猴）要判斷「整體往左還是往右」。實驗者可以調整「一致移動的比例」來控制難度——比例越低，證據越微弱、越接近純雜訊，這恰好對應了貝氏觀點裡「感官證據不可靠」的情境。

在這個任務裡，研究者記錄了頂葉與前額葉的神經活動，看到了清晰的「證據累積」訊號：某些神經元的發放率，隨著支持某一方向的證據累積而緩緩上升，一旦衝到某個水準，動物就做出選擇並行動。這正是「球被推向某個谷底」的動態圖像——決策對應狀態軌跡越過分水嶺、落入吸引子。

把這三層連起來看就很完整：從推論的目標（在雜訊中估計運動方向，且證據越弱越該謹慎）出發，落實為動態的機制（活動軌跡在狀態空間中被證據持續推動），最後穩定為吸引子的結果（落入「往右」的谷底，做出決策）。而當研究者訓練一個遞迴神經網路去做同樣的任務，再去剖析它內部的動態時，往往也會發現類似的低維軌跡與近似吸引子的結構——再一次，人工網路成了一面照亮大腦動態的鏡子。這個取徑，常被稱為「逆向工程一個被訓練好的網路」。

動手試試

你不需要實驗室也能對這些概念建立手感，這裡有兩個可以在紙上或腦中進行的思想練習。

第一個，關於連續吸引子。請你閉上眼睛，在心裡想像一個時鐘的指針指向三點鐘方向，並試著「維持」這個方向幾秒鐘。在你維持的這幾秒裡，沒有任何外在刺激，但某個內部狀態被穩定地保持著——這就是連續吸引子要做的事：把一個連續的角度，鎖在一條「山谷線」上的某一點。接著想像有人輕喊一聲「往右轉一點」，你的內部指針平滑地滑動到四點鐘——這對應狀態沿著谷線移動，而不是跳到另一個孤立的谷底。連續吸引子之所以叫「連續」，正是因為它允許這種無縫的滑動。

第二個，關於先驗如何主宰知覺。找一張著名的「空心面具錯覺」（hollow-mask illusion）說明，或回想任何一次你把凹陷的臉看成凸出的臉的經驗。物理上，那是一張凹進去的臉；但你的視覺系統幾乎無法把它看成凹的，總是「強迫」看成正常凸出的臉。為什麼？因為「臉是凸的」這個先驗，在你的一生中被無數次驗證，強到足以推翻當下明明指向「凹」的感官證據。這就是貝氏大腦的活教材：當先驗夠強、證據夠弱，後驗會倒向先驗，而你「看見」的，永遠是後驗。

雜訊：是敵人，還是計算的一部分？

最後一個進階轉折，足以顛覆許多人對大腦的直覺。神經活動充滿了變異性（variability）：同一個刺激重複呈現，神經元每次的反應都不完全一樣；自發的、看似隨機的放電，無處不在。傳統觀點把這些雜訊當成需要被平均掉、被克服的麻煩。

但計算的觀點提供了另一種可能：雜訊也許是計算的一部分，甚至是被善用的資源。

如果大腦真的在做貝氏推論，那它不只需要知道「最可能的答案」，還需要表徵「答案的不確定性」——也就是整個機率分布。一個誘人的假說是，神經活動的變異性，可能正是大腦在用「採樣」（sampling）的方式表徵機率分布：每一個瞬間的活動模式，是從後驗分布中抽出的一個樣本；看似隨機的波動，其實是在「探索」各種可能的世界狀態。在這個觀點下，變異性不是雜訊污染，而是不確定性的載體。

雜訊也可能在學習與探索中扮演積極角色。在強化學習裡，行為若毫無隨機性，個體就會困在已知的選項裡、無法發現更好的策略；一點點隨機探索，反而是找到更優解的前提。大腦中的隨機性，或許也提供了這種「跳出局部最優」的能力。當然，這些都還是活躍的假說而非定論——但它示範了計算視角的威力：同一個現象（變異性），在「描述」框架下是要被消除的瑕疵，在「計算」框架下卻可能是被精心利用的功能。看待事物的層次一變，問題的意義就全變了。

重點回顧

• 狀態空間與低維流形：把整群神經元的瞬間活動看成高維空間中的一個點，計算就成了這個點隨時間畫出的軌跡；而軌跡往往被約束在少數幾個維度構成的流形上，暗示大腦用「集體變數」運算。
• 吸引子動態：用「地形上滾動的球」這個比喻，點吸引子解釋聯想記憶、連續吸引子解釋工作記憶、雙穩態地形解釋決策——抽象的計算被翻譯成可由突觸連結實現的動態。
• 貝氏大腦與預測編碼：感官證據總是不完整且有雜訊，大腦的根本任務是「推論」而非「讀取」世界；預測編碼進一步主張大腦主動預測、只上傳預測誤差，把知覺、學習、行動統一在最小化誤差的原則下。
• 雜訊可能是功能而非瑕疵：神經變異性也許承載著不確定性（採樣假說），或支持探索（強化學習），提醒我們同一現象在「描述」與「計算」兩種框架下意義截然不同。
• 動態系統視角貫穿全篇：從表徵轉向軌跡、從靜態地圖轉向流動歷程，是當代計算神經科學與遞迴神經網路對話最密集的前沿。

深入探討（研究所視角）

對想更進一步的同學，這個動態與推論的視角下，有幾條真正前沿的線索與必要的警覺。

第一，動態系統工具的數學深度。 把神經群體當成動態系統來分析，需要的不只是降維。近年發展出一系列方法：高斯過程因子分析（GPFA）能在單次試驗層級萃取平滑的低維軌跡；LFADS（latent factor analysis via dynamical systems）用遞迴變分自編碼器去推斷「生成」觀測到的脈衝序列的潛在動態；而要嚴謹刻畫吸引子，則牽涉到固定點（fixed point）分析、線性化後的特徵值、流形的曲率等動態系統理論的核心工具。把這套數學練扎實，是進入這個領域的門檻。

第二，相關不等於因果——「擾動」才是試金石。 觀察到漂亮的低維軌跡或吸引子結構，只是相關證據；它不能證明大腦「真的用」這個結構在計算。真正的檢驗來自因果操弄：用光遺傳學（optogenetics）精準地把神經活動「推離」軌跡，看系統是否會如吸引子理論預測的那樣自動滾回、或滾向特定方向。降維分析給出假說，擾動實驗才能驗證假說。沒有擾動，再美的幾何都可能是過度詮釋。

第三，貝氏與預測編碼的可否證性難題。 貝氏大腦假說極具解釋力，但也正因為太有彈性而難以否證——幾乎任何行為，事後都能找到一組先驗與似然來「解釋」它。嚴謹的研究因此必須事先獨立地測量先驗、預測後驗、再用實驗檢驗，而不是反過來湊。預測編碼同樣面臨「神經實作證據」的考驗：哪些神經元真的在傳預測、哪些在傳誤差？不同腦層之間的訊號流向，是否符合理論要求的方向？這些都還在被積極檢驗中。

第四，跨維度的整合視野。 把這套動態與推論的框架放回 Educational Omics 的脈絡，它與優生物（突觸與離子通道如何實現吸引子所需的遞迴連結與持續活動）、優心理（決策、工作記憶、知覺錯覺的行為層次）以及 AI（遞迴神經網路、變分推論、強化學習中的探索）天然相連。對學習科學尤其值得玩味：如果知覺與學習都是「最小化預測誤差」的過程，那麼一個好的教學設計，或許正是在學習者心中製造「恰到好處的預測誤差」——既不是早已預測到的無聊，也不是完全無法預測的混亂，而是落在能驅動內部模型更新的甜蜜點上。理解大腦如何在動態中推論世界，最終可能回過頭來，照亮我們如何設計能驅動有效學習的歷程。