同樣一隻神經元，為什麼在亮房間與暗房間講的是兩種「語言」？

同樣一隻神經元，為什麼在亮房間與暗房間講的是兩種「語言」？

你已經知道感覺系統會把光、聲、壓力轉成神經訊號，也知道大腦是在「猜測」世界。但這裡有一個更尖銳的問題：一個神經元發射動作電位的速率上限大約只有每秒幾百次，而它要編碼的外在世界——比如光的強度——卻可以橫跨十個數量級（從星光到正午陽光，亮度相差約十億倍以上）。一條頻寬如此有限的「電纜」，怎麼可能塞得下這麼大的動態範圍？

答案不是「塞不下」，而是「不硬塞」。感覺系統選擇了一個極其聰明的策略：它不編碼絕對值，而是不斷地重新校準自己，只編碼「相對於當下脈絡的偏差」。同樣一個神經元，在暗房間裡，它把微弱的光差講得很大聲；在亮房間裡，它整個重設靈敏度，對同樣的絕對亮度幾乎沉默。它講的是兩種「語言」，因為它在用最少的位元（bit），傳遞當下最有資訊量的內容。

這篇進階文章不再重述轉導與拓樸地圖，而是要帶你進入感覺系統的編碼理論（coding theory）視角：它如何用有限的神經資源，逼近資訊論的效率極限；如何在毫秒到秒的尺度上動態調整增益；以及為什麼「貝氏觀察者（Bayesian observer）」這個數學框架，能把錯覺、適應與個體差異統一在同一支方程式底下。

效率編碼假說：大腦是一位資訊論工程師

1961 年，神經科學家 Horace Barlow 提出了一個影響深遠的想法——效率編碼假說（efficient coding hypothesis）。他主張：感覺系統在演化與發育中，被塑造成能用最少的神經活動，去傳遞最多關於自然環境的資訊。換句話說，感覺神經元的設計目標，與通訊工程師 Claude Shannon 在《資訊論》中追求的目標是一致的——最大化通道的資訊傳輸效率。

這個假說有兩個具體且可驗證的預測：

預測一：神經元的反應曲線應該配合刺激的統計分布。 如果某個刺激值在自然界很常出現，神經元就應該把較多的「可分辨等級」分配給它；反之，罕見的刺激值不值得浪費頻寬。這正是「直方圖等化（histogram equalization）」的概念。1981 年，Simon Laughlin 在蒼蠅的視覺系統（大單極細胞，large monopolar cell）做了一個經典實驗：他先測量蒼蠅自然棲地中對比度（contrast）的機率分布，然後預測——如果神經元是效率最佳的，它的反應曲線（contrast-response curve）形狀，應該正好等於這個分布的累積分布函數（cumulative distribution function, CDF）。實測結果與理論預測驚人地吻合。這是「神經元的形狀，是被環境的統計雕刻出來的」最漂亮的證據之一。

預測二：神經元之間應該盡量「去相關（decorrelation）」。 自然影像中，相鄰的像素高度相關（天空這一點是藍的，旁邊那一點多半也是藍的）。如果每個神經元都忠實地重複鄰居的訊息，那是巨大的浪費。側抑制（你在入門篇學過的機制）在這裡有了更深的詮釋：它的數學功能其實是白化（whitening）——移除空間上的冗餘相關，讓每個神經元攜帶的訊息盡量獨立。視網膜神經節細胞那個著名的「中央-周邊拮抗（center-surround antagonism）」感受野，正可以從「在自然影像統計下做最佳去相關」這個原則推導出來。

換句話說，感覺系統的許多「設計」，並不需要逐一硬編碼，而是從一條原則——讓神經反應的統計，去匹配環境輸入的統計——自然湧現。

適應不是疲勞，而是即時的「重新對焦」

回到開頭的動態範圍問題。效率編碼還有一個關鍵推論：最佳的反應曲線會隨環境統計改變而改變。自然界的統計不是固定的——你從室內走到豔陽下，亮度分布整個平移了；你戴上耳機，聲音的對比結構變了。如果神經元的反應曲線是固定的，它在新環境下就會「飽和」或「沉默」，浪費頻寬。

所以感覺系統演化出適應（adaptation）——一種在多重時間尺度上持續進行的增益控制（gain control）。請特別注意：適應不等於疲勞或耗竭。它是一個主動、有計算目的的歷程，目的是把神經元有限的反應範圍，動態地「對準」當下最常見的刺激區間。

這在實驗上可以用 Adrienne Fairhall 與 William Bialek 等人的工作來理解：當他們改變刺激的變異數（variance，可理解為對比的強弱）時，神經元的輸入-輸出函數會在數百毫秒內沿著輸入軸縮放（rescaling）——高變異環境下曲線變寬、斜率變緩；低變異環境下曲線變窄、斜率變陡。而且這個縮放幾乎正好維持了固定的資訊傳輸率。神經元不是被動地累了，而是聰明地換檔。

看一個例子：瀑布錯覺與運動後效

請你盯著一段持續往下流動的瀑布看 30 到 60 秒，然後把視線移到旁邊靜止的岩石上。岩石看起來會緩緩向上漂移——儘管它明明是靜止的。這就是運動後效（motion aftereffect, MAE），俗稱「瀑布錯覺（waterfall illusion）」，亞里斯多德的時代就有記載。

它的機制是適應的絕佳示範。視覺皮質（如 MT/V5 區）裡有偵測不同運動方向的神經元，它們彼此以「對立」方式平衡——「向下」細胞群與「向上」細胞群的活動相減，得到你感知到的運動。當你長時間看向下的運動，「向下」細胞群被持續驅動、增益被調降（適應）；此時再看靜止畫面，靜止本應讓兩群細胞活動相等、相互抵消，但因為「向下」群被壓低了，平衡被打破，「向上」群相對佔了上風——於是你「看到」了不存在的向上運動。

這個例子的深層啟示是：你感知到的「靜止」與「運動」，其實是兩群相對立神經元的差值，而這個基準線會被最近的歷史悄悄移動。 適應不是 bug，而是讓系統永遠對「變化」最敏感的 feature——畢竟在自然界，會動的東西（掠食者、獵物）通常比靜止的背景更值得你立刻注意。

數量、時序、與群體：訊息藏在哪裡？

入門篇談的是「哪一條神經被活化」（標籤線原理，labelled line）。但進階的問題是：就算鎖定一條神經元，訊息究竟編碼在它的什麼性質裡？ 神經科學長期有一場「率編碼 vs. 時序編碼」的辯論。

• 率編碼（rate coding）：訊息在於一段時間窗內的平均發射率。刺激越強，每秒動作電位越多。這是最早由 Edgar Adrian（1932 年諾貝爾獎）在蛙的牽張感受器上發現的——他看到刺激強度與放電頻率的單調關係。率編碼穩健、抗雜訊，但「慢」：要估計一個平均率，需要累積時間。

• 時序編碼（temporal coding）：訊息在於動作電位精確的時間結構，而非只是平均。聽覺是最有力的例子——你的聽覺神經會把放電「鎖定」在聲波的特定相位上（相位鎖定，phase locking），讓兩耳之間僅僅幾十微秒的時間差（interaural time difference, ITD）就能被偵測出來，這是你定位低頻聲源左右方位的基礎。Carr 與 Konishi 在倉鴞身上發現的「延遲線（delay line）+ 重合偵測（coincidence detector）」迴路，是時序編碼的教科書範例。

• 群體編碼（population coding）：許多訊息並不在單一神經元，而在一整群神經元的活動向量裡。經典案例是 Apostolos Georgopoulos 在運動皮質發現的群體向量（population vector）：單一神經元只「粗略偏好」某個方向，但把上百個神經元的偏好方向，依其活動強度加權求和，就能精準解碼出手臂實際的運動方向。感覺系統同理——氣味的組合編碼、顏色的對立通道，本質上都是群體編碼。它的好處是容錯（少數神經元壞掉不致命）與高解析度（群體能比任何單一成員都更精確，這叫超敏銳，hyperacuity）。

這三者不是互斥的。真實的感覺系統往往同時用率、時序與群體三種維度承載不同訊息，像一條多工的通道。

把錯覺、適應、先驗統一起來：貝氏觀察者

現在我們把前面的線索收攏成一個數學框架。入門篇說「知覺是大腦的最佳猜測」——進階版本是：這個猜測可以寫成貝氏推論（Bayesian inference）的形式。

大腦想知道世界的真實狀態 (s)（例如物體真正的運動速度、光源真正的方向），但它只能拿到帶雜訊的感覺證據 (x)。貝氏定理告訴我們，最合理的估計來自：

後驗（posterior） ∝ 似然（likelihood）× 先驗（prior）

• 似然 (P(x\mid s))：感覺輸入有多可靠。雜訊越大、訊號越弱，似然就越「寬」（不確定）。
• 先驗 (P(s))：大腦對「世界通常長什麼樣」的內建假設，是長期演化與經驗統計（也就是效率編碼學到的環境統計）的沉澱。
• 後驗 (P(s\mid x))：兩者相乘後的最佳信念，知覺就讀取這個後驗（通常取其峰值或期望值）。

這個框架的威力在於它能定量解釋許多現象：

• 錯覺不是大腦犯錯，而是先驗在發揮作用。 一個經典例子是運動感知的「慢速先驗（slow-speed prior）」：自然界大多數東西移動得慢，所以大腦預設低速。當感覺證據很弱（低對比、昏暗），似然很寬，後驗就被先驗往「慢」拉。這正是為什麼昏暗中物體看起來移動得比實際慢——也解釋了某些車禍中駕駛低估了暗處來車的速度。

• 適應就是先驗（或似然）的動態更新。 前面講的運動後效，可以理解為近期統計改變了系統的基準/先驗。貝氏框架讓「適應」與「學習」變成同一件事的不同時間尺度。

• 多感覺整合是「最佳加權平均」。 當你同時用眼睛和手感知一個物體大小，大腦會依各感覺的可靠度（似然寬度的倒數，即精確度 precision）來加權——哪個感覺此刻更可靠，就更聽它的。Ernst 與 Banks（2002）用視覺-觸覺實驗精準驗證了人類的整合行為，與貝氏最佳整合的預測在統計上無法區分。麥格克效應之所以發生，正是因為在判斷子音時，視覺（嘴型）的可靠度有時高於聽覺。

於是「主動推論（active inference）」「預測編碼」「效率編碼」「適應」這些看似分散的詞彙，在貝氏-自由能的數學底下，其實是同一座大山的不同側面：大腦持續地用先驗預測輸入、用輸入修正先驗，並把神經資源花在最不確定（最有資訊量）的地方。

重點回顧

• 效率編碼假說（Barlow） 主張感覺神經元被環境統計雕刻，以最少活動傳遞最多資訊。Laughlin 的蒼蠅實驗證明反應曲線等於刺激分布的累積分布函數；側抑制的本質是去相關／白化。
• 適應（adaptation）不是疲勞，而是增益控制：神經元在數百毫秒內沿輸入軸縮放反應曲線，動態對準當下的刺激變異數，藉此維持近乎固定的資訊傳輸率。瀑布錯覺（運動後效）是其行為證據。
• 訊息可藏在三個維度：率編碼（平均發射率，穩健但慢）、時序編碼（精確時間，聽覺 ITD 達微秒級）、群體編碼（活動向量，容錯且能超敏銳）。三者常同時運作。
• 貝氏觀察者框架 把知覺寫成「後驗 ∝ 似然 × 先驗」，能定量解釋慢速先驗造成的錯覺、依可靠度加權的多感覺整合（Ernst & Banks），並把適應、學習、預測編碼統一起來。
• 核心轉變：感覺系統的目標不是「忠實複製世界」，而是「在有限資源下，對最有資訊量的部分做最佳推論」。

深入探討（研究所視角）

1. 自然刺激統計與「自然主義轉向」。 早期感覺生理學多用光點、正弦光柵、純音等簡化刺激，但效率編碼假說邏輯上要求我們用自然刺激（naturalistic stimuli）來檢驗——因為神經元是被自然統計優化的，餵它人工刺激可能完全錯估它的計算。這帶來方法學上的「自然主義轉向（naturalistic turn）」：研究者改用自然影像、真實語音、自由觀看的電影片段，搭配如最大雜訊熵（maximum noise entropy）、廣義線性模型（GLM）與深度編碼模型（deep encoding models）來估計感受野。一個富有張力的發現是：在自然刺激下，許多神經元的反應遠比在人工光柵下更稀疏、更非線性，這支持了 Olshausen 與 Field（1996）的稀疏編碼（sparse coding）——他們證明，若要求一組基底函數既能重建自然影像、又讓任一時刻只有少數單元活化，學出來的基底竟自發地長成 V1 簡單細胞那種「局部、定向、多尺度」的感受野。這把效率編碼從「去相關」推進到「稀疏性」這個更強的目標函數。

2. 增益控制的生物物理與規範性張力。 增益控制（gain control）在機制層次有多種實現：突觸短期可塑性（short-term depression）、抑制性迴路的除法正規化（divisive normalization，Heeger 1992）、神經調質（如乙醯膽鹼、正腎上腺素調節皮質增益與訊雜比）、乃至離子通道層次的適應電流。除法正規化尤其重要——它是一個被反覆發現的規範性運算（canonical computation），從 V1 對比正規化、嗅球的群體正規化，到注意力對神經反應的調控，甚至深度學習裡的 normalization 層，都是同一個數學形式的化身。研究所層次的張力在於：規範性理論（normative theory，「系統應該做什麼」） 與 機制理論（mechanistic，「系統實際怎麼做」） 之間如何對接——效率編碼告訴你最佳曲線該長怎樣，但真正的神經元用的是有限、帶雜訊、能耗受限的生物元件，兩者的落差正是當代計算神經科學最肥沃的研究地帶。值得一提的是，代謝能耗（metabolic cost） 應被納入目標函數：動作電位昂貴，所以「效率」的完整版本是「每焦耳能量傳遞最多資訊」，這部分修正了純資訊論的預測，也解釋了為何稀疏編碼在能量上如此划算。

3. 與 AI 的雙向對話，以及對優心理／優生物的連結。 貝氏知覺與深度學習正在快速融合：變分自編碼器（VAE）、擴散模型（diffusion model）本質上都在做「似然 × 先驗」的生成式推論，與大腦的預測編碼在數學上同源；而神經科學啟發的正規化、適應、稀疏性也反過來改良了 AI 模型的穩健性與能效。但要謹慎一個陷阱：深度網路中間層能預測 IT 皮質反應，不代表機制相同——人工網路缺乏生物的回饋連結、時序動態、增益自適應與能耗約束。對連結 優生物學，本文的關鍵詞是「發育與經驗如何雕塑感受野」：稀疏編碼基底要在發育中靠自然輸入學出來，呼應視覺關鍵期可塑性與感覺剝奪研究。對連結 優心理學，貝氏框架提供了把「個體差異」操作化的工具——例如有理論主張，自閉特質與某些感覺處理差異，可以用「先驗權重過低／感覺精確度過高」來建模（precise-likelihood/weak-prior 假說），讓主觀的知覺經驗差異變成可量化、可實驗的精確度參數。延伸思考方向：如果知覺是貝氏推論，那「先驗」存在大腦的哪裡、以什麼突觸形式儲存？當預測與輸入長期嚴重失配（如幻覺、慢性疼痛、耳鳴），是否正是「先驗失靈」或「精確度錯配」的臨床表現？從感覺編碼出發，你已經站在計算精神醫學（computational psychiatry）的入口。