自然·通讯:大脑如何感知时间?一个数学模型解释神经元如何“报时”

· 2026-11-20 14:30 · 12 阅读

原创 集智编辑团队 2026-11-20 14:30 浙江

从复平面上的旋转,到时间细胞的依次放电

导语

⼤脑⾥没有⼀只齿轮钟,却能记住“三秒”有多长。2026 年 11 ⽉2日密歇根⼤学团队发表在 Nature Communications 上的研究给出⼀个数学答案:时间细胞与斜坡细胞,也许只是同⼀组复数旋转投在实轴上的影⼦。

关键词:自组装学习、异突触可塑性、局部学习规则、误差反馈、梯度下降、生物神经网络

图片

集智编辑团队丨作者

论文题目:State space models naturally produce time cell and oscillatory behaviors and scale to abstract cognitive functions

论文链接:https://www.nature.com/articles/s41467-026-79286-y

发表时间:2026年11月2日  

论文来源:Nature Communications 

三秒钟有多长?先别急着数“⼀、⼆、三”。你不必看表,也能⼤致答 上来。可如果拆开⼤脑,你找不到任何⼀只齿轮钟。那时间,究竟被记在哪⾥?

图1:论⽂提出的整体图景:感觉输⼊进⼊预先配置的回路动⼒学,形成时间细胞并压缩历史;数学上,这对应⼀个⽤希波(HiPPO)初始化的状态空间模型,把连续输⼊投影到⼀组基函数上。

⼤脑⾥的“报时接⼒队”

神经科学⾥有⼀个漂亮的发现:在海马体、前额叶、纹状体等区域,存在⼀类 “时间细胞”。在⼀段等待⾥,不同的细胞会在不同时刻依次亮起,像⼀⽀接⼒队,把⼀段时间切成许多⼩段。除了它们,还有“斜坡细胞”——放电率在⼀段时间⾥单调上升或下降;以及持续振荡的节律。 

这些现象说明⼤脑确实在⽤某种动态过程表征时间,但也留下了⼀个更硬的问题:这些时间码,是学出来的,还是本来就长在回路⾥的?如果是学出来的,为什么不同动物的时间细胞在延迟改变时会“重映射”,⽽不是简单地把感受野拉长?

把历史,压进⼀个状态

研究者的⼯具是状态空间模型(State Space Model,SSM)。你可以把它想成⼀条不断更新的“记忆河流”:每来⼀个新输⼊,内部状态就顺着⾃⼰的动⼒学往前⼀步,把整段历史压进⼀个向量。它和普通循环⽹络最⼤的不同,是它从连续时间的微分⽅程出发,更像⽣物神经元的连续动⼒学。 

其中 h 是隐藏状态,x 是输⼊,y 是输出。关键在于矩阵 A 怎么初始化。团队采⽤ HiPPO(High-order Polynomial Projection Operators,⾼阶多项式投影算⼦)框架:它让⽹络把连续历史投影到⼀组正交多项式基上,相当于给“记忆”准备了⼀套最优的坐标系。为了让计算可⾏,A 被对⾓化为⼀组复数 λ,每个状态独⽴地按⾃⼰的频率旋转。

⼀句话类⽐:普通⽹络像⼀群各⾃乱⾛的钟摆;希波初始化则像⼀组已经调好频率、刻度均匀的钟摆。学习要做的,不是重新造钟,⽽是学会读哪⼀只钟。

时间细胞,只是旋转的影⼦

这套模型最迷⼈的地⽅,是它把“时间细胞”和“斜坡细胞”统⼀了。每个隐藏单元都是⼀个复数,在延迟期内,它的模长保持在 1 附近,更新就等价于在复平⾯上匀速旋转。把旋转投影到实轴,就得到我们记录到的活动曲线。 

如果影⼦正好扫过正半轴,你会看到⼀个先升后降的峰——这就是时间细胞;如果它从正半轴转向负半轴,你会看到⼀条单调下降的斜坡——这就是斜坡细胞。换句话说,它们可能不是两种不同的细胞,⽽是同⼀⽀旋转在不同相位上的两种投影。

图2:(a) 三段刺激、两段延迟的时间判断任务与读出结构;(b) 按峰值时间排序后的隐藏状态热图,呈现清晰的时序级联;(c) 典型时间细胞与斜坡细胞的调谐曲线;(d) 复平⾯上三类旋转投影到实轴后,分别形成斜坡下降、时间细胞与斜坡上升。

三道刺激,⼀条⾃⼰⻓出来的瀑布

团队设计了⼀个“⽐长短”的任务:智能体依次看三段刺激,选出最长的那段。任务⽐常见的两段刺激更难,避免⽹络轻松触顶。训练⽤演员—评论家强化学习,SSM 层与下游的价值⽹络、策略⽹络之间通过脉冲信号通信,脉冲⽤替代梯度反传。 

训练后,智能体在 10 次独⽴训练中平均正确率达到 88.1%。更有意思的是⽹络内部:把隐藏单元按激活峰值排序,会看到⼀条清晰的瀑布。约 21.0% 的单元表现为时间细胞,61.8% 表现为单调的斜坡细胞。没有⼈教它这样排——这是动⼒学⾃⼰长出来的结构。

热图底部还藏着⼀群⾼频振荡的单元。它们和时间细胞、斜坡细胞共享同⼀套数 学形式,只是在实验⾥会表现为不同频段的振荡。团队指出,这些⾼频模式在训 练中⼏乎被保留下来,像是基函数⾥更⾼频的那⼏根“琴弦”。

同⼀道题,两种内部世界

真正让这篇论⽂有说服⼒的,是初始化对照。⽤希波初始化,⽹络还没训练就已经出现时间细胞序列;⽤随机初始化,⽹络即使训练很久,内部仍是⼀团⾼熵噪声。两者都能把任务做对,但内部解完全不同。 

参数变化把这件事量化了:希波⽹络的内部旋转参数 λ 平均只变了 0.093,随机⽹络却变了 1.154,相差约 12 倍;⽽输⼊矩阵 B 和读出矩阵 C 的变化幅度两者相近。更直接的证据是冻结实验:把内部参数冻住、只训练读出层,希波⽹络还能保持 50.4% 的准确率,随机⽹络则塌到 34.1%,接近三选⼀的机会⽔平。

图3:(a)(b) 训练前与训练后的隐藏状态热图:希波初始化⾃带时序结构,随机初始化始终缺乏可辨的时间秩序;(c) 训练后 λ、B、C 的相对变化分布,希波⽹络的 λ ⼏乎不动,学习负担主要落在读出层。

这意味着什么:学习并不是从零搭建时间码,⽽是在⼀组预先存在的基函数 上“选频道”。时间细胞更像是被读出层选中的那⼏路信号,⽽不是被强⾏训练出来的新结构。

换⼀条更⻓的跑道

如果旋转真是时间的底稿,那么把延迟拉长,它应该还能⽤。研究者把在 30 步延迟上训练好的⽹络,直接放到 100 步延迟上,不重新训练。结果,原有节律没有重置,⽽是继续旋转,把更长的区间重新铺满。这很像海马体⾥观察到的“重映射”:不是把感受野简单拉长,⽽是种群重新组织。 

直接外推当然会掉准确率。但只要把内部动⼒学冻住、重新训练读出层,希波⽹络的性能就能恢复;随机初始化的⽹络则彻底失效。延迟越长,两者的差距越明显。

图4:(a) 30 步延迟训练的⽹络在 100 步延迟下,时间细胞序列没有重置,⽽是继续铺展;(b) 直接外推与只重训读出层两种条件下的准确率曲线,希波初始化在⻓延迟下明显更稳。

从计时,到数圈

最后,团队把同⼀套内部状态接到更难的任务上:数圈。智能体沿着跑道前进,每经过⼀个终点地标,就要把圈数加⼀。难点在于,不同圈⾥的奔跑感觉⼏乎⼀样,⽹络必须把“这是第⼏圈”这个抽象变量单独留在状态⾥。 

结果,⽹络在四圈任务上达到接近 100% 的准确率,归⼀化编辑距离为 0.999。每⼀圈,时间细胞的序列都会重置、重放;但内部状态会停在状态空间⾥不同的位置。⼀个线性分类器就能以接近完美的精度分开第 1 到第 4 圈,说明“圈数”这个抽象变量在状态空间⾥是线性可分的。

图5:(a) 数圈任务示意;(b) 圈数准确率与 VP 对⻬分数;(c) 四圈中时间细胞序列反复重置、重放;(d) 圈数解码的混淆矩阵;(e) 隐藏状态在前两个线性判别轴上的分布,四圈各⾃成簇。

它不是⼤脑的证明

论⽂⾃⼰把边界写得很清楚。⾸先,任务复杂度有限:随机初始化的⽹络也能拿到不错的准确率,说明这些任务未必需要希波基座那么强的长程压缩能⼒。其次,希波只是“数学上最优”的⼀种在线函数逼近⽅案,并不能保证⽣物进化真的选了它;⼤脑完全可能⽤另⼀类预配置动⼒学。

作者也给出了下⼀步:把进化看成⼀个元学习过程,看看只按“记忆容量”选择,权重矩阵会不会⾃发收敛到希波式结构;以及系统测量学到的旋转频率谱,和theta、gamma 等真实振荡频段做对⽐。

为什么值得看

这篇论⽂的价值,不在于它“证明”了⼤脑就是状态空间模型,⽽在于它给出了⼀个⾜够简洁、可计算、可证伪的候选解释:⼀组多时间尺度的复旋转,既能⽣成时间细胞、斜坡和振荡,也能在延迟改变时重映射,还能向上⽀撑数圈这样的抽象认知。它把毫秒级的细胞动⼒学和秒级的⾏为,放进了同⼀个数学框架⾥。 

如果这个框架成⽴,那么我们在神经记录⾥看到的“时间细胞”,可能只是冰⼭露出⽔⾯的那⼀⾓;⽔⾯之下,是⼀组预先配置好的、缓慢旋转的基函数。

计算神经科学第三季读书会

从单个神经元的放电到全脑范围的意识涌现,理解智能的本质与演化始终是一个关于尺度的问题。更值得深思的是,无论是微观的突触可塑性、介观的皮层模块自组织,还是宏观的全局信息广播,不同尺度的动力学过程都在共同塑造着认知与意识。这说明,对心智的研究从最初就必须直面一个核心挑战:局部的神经活动如何整合为统一的体验?局域的网络连接又如何支撑灵活的智能行为?

继「神经动力学模型」与「计算神经科学」读书会后,集智俱乐部联合来自数学、物理学、生物学、神经科学和计算机的一线研究者共同发起「从神经动力学到意识:跨尺度计算、演化与涌现」读书会,跨越微观、介观与宏观的视角,探索意识与智能的跨尺度计算、演化与涌现。重点探讨物理规律与人工智能如何帮助我们认识神经动力学,以及神经活动跨尺度的计算与演化如何构建微观与宏观、结构与功能之间的桥梁。

图片

推荐阅读

1. 自然·神经科学:脑体节律的层级系统,如何塑造我们的主观时间感?

2. 自然 · 通讯:让“未来”反过来教模型如何预测——一种受大脑预测编码启发的时间序列学习框架

3. Nature:大脑中的多时间尺度强化学习

4. 9900分可兑换“涌现”文化衫,报名任意读书会送299积分!

5. 集智学园精品课程免费开放,解锁系统科学与 AI 新世界

6. 高考分数只是张入场券,你的科研冒险在这里启航!

7. 加入集智字幕组:成为复杂科学知识社区的“织网人”

点击“阅读原文”,报名读书会

阅读原文

跳转微信打开

本文转载自微信公众号「集智俱乐部」,查看原文。版权归原作者所有,如有侵权请联系删除。