摘要

大腦究竟何時從“還在權衡”轉向“已經決定”？發(fā)表在 Nature 的最新研究給出清晰答案。研究者在大鼠聽覺決策任務中，結合 Neuropixels 大規(guī)模神經記錄與無監(jiān)督深度學習，發(fā)現感知決策呈現雙階段神經動力學：早期由感覺輸入驅動證據積累，隨后迅速轉入由自主動力學主導的決策承諾階段。兩階段神經模式近乎正交，并由“神經推斷承諾時間”（nTc）精準標記。該發(fā)現彌合了經典決策模型與神經機制之間的關鍵缺口。

關鍵詞：感知決策（perceptual decision-making）、神經動力學（neural dynamics）、吸引子動力學（attractor dynamics）、決策承諾（decision commitment）、吸引子網絡（attractor network）、神經推斷承諾時間（neurally inferred time of commitment, nTc）、漂移擴散模型（drift diffusion model, DDM）、無監(jiān)督學習（unsupervised learning）

趙思語丨作者

趙思怡丨審校

論文題目：Transitions in dynamical regime and neural mode during perceptual decisions 論文鏈接：https://doi.org/10.1038/s41586-025-09528-4 發(fā)表時間：2025 年 9 月 17 日 論文來源：Nature

一、研究背景：解碼大腦決策的核心謎題

感知決策是大腦將模糊感覺輸入轉化為明確行為選擇的核心認知過程，其神經機制是認知神經科學的關鍵探索方向。吸引子動力學（attractor dynamics）理論為該領域提供了核心框架，認為感知決策由神經元網絡的穩(wěn)定狀態(tài)演化介導，這一理論已成功解釋運動規(guī)劃、空間表征等腦功能，推測神經網絡可通過動力學計算完成證據積累與選擇確定。

然而，現有理論存在關鍵缺口：決策過程中群體水平的實際神經動力學特征尚未被直接估算，經典模型難以整合神經層面的復雜反應與行為數據的關聯(lián)性。而深度學習技術的發(fā)展為突破這一瓶頸提供了可能，數據驅動方法可從大規(guī)模神經元記錄中挖掘低維神經活動規(guī)律。

本研究立足上述背景，結合吸引子動力學理論與無監(jiān)督深度學習方法，通過同步記錄大鼠前額葉皮層（frontal cortex）和紋狀體（striatum）的神經元活動，聚焦聽覺證據積累過程，旨在解析感知決策背后的核心神經動力學機制。

二、研究設計：從動物模型到技術突破

為了深入探究決策相關的神經動力學，研究團隊設計了一套嚴謹的實驗方案，涵蓋動物行為訓練、神經記錄和數據分析等多個環(huán)節(jié)。

（一）行為任務設計

研究人員訓練大鼠完成一項聽覺辨別任務。大鼠需要將頭部固定，傾聽來自左側和右側揚聲器的隨機定時點擊聲。任務的核心是，大鼠要積累聽覺證據 —— 也就是左右兩側的點擊聲數量信息，每一次點擊都是一次可用于判斷的 “證據單元”，待刺激結束后轉向點擊聲更多的一側以獲得水獎勵。值得注意的是，大鼠最早的反應時間被固定在鼻尖插入中心端口后的 1.5 秒，這一設計避免了反應時范式的干擾，讓大鼠有充足時間完成證據積累與決策。實驗結果顯示，熟練的大鼠對聽覺脈沖數量的微小差異高度敏感，其行為策略與經典的漂移擴散模型（drift diffusion model, DDM）所描述的證據積累過程高度吻合：DDM 的核心正是決策變量隨證據逐步累加而變化，就像給左右兩側分別 “計分”，當累計差值達到某個閾值時，便會觸發(fā)最終決策，這和大鼠統(tǒng)計點擊聲數量、選擇點擊更多一側的過程完全一致。

（二）神經記錄與技術方法

在大鼠執(zhí)行任務的過程中，研究團隊通過植入的神經像素探針（Neuropixels probes），同時記錄了六個前額葉皮層和紋狀體區(qū)域的神經元活動，每個記錄會話平均能捕捉到 318±147 個神經元的信號。為了從復雜的神經信號中提取動力學特征，研究團隊采用了一種創(chuàng)新的深度學習方法 ——FINDR（flow field inference from neural data using deep recurrent networks）。與其他高維確定性的潛在動力學推斷方法不同，FINDR 能夠推斷低維、隨機的潛在動力學，這種特性與決策過程中的噪聲特性高度契合，也更利于結果的解讀。該方法通過一個門控多層感知器網絡近似決策相關的動力學函數，借助這個函數量化神經狀態(tài)隨時間的演變規(guī)律，還原出決策過程中神經群體的動態(tài)流動模式，并將噪聲建模為高斯分布，同時考慮了每個神經元與決策無關的時變基線發(fā)放率，確保模型能聚焦于選擇形成過程。

（三）模型構建與驗證

為了檢驗現有的吸引子假說，并發(fā)現潛在的未知動力學，研究團隊構建了兩種核心模型：一是無約束的 FINDR 模型，純粹基于神經發(fā)放數據和感覺輸入時間進行推斷，不納入任何現有假說的假設；二是約束性的cFINDR（constrained FINDR）模型，將動力學參數限制在現有三種主流吸引子假說（雙穩(wěn)吸引子、DDM 線吸引子、非正態(tài)線吸引子）的框架內。

研究團隊通過對比兩種模型的數據擬合度與樣本外預測能力發(fā)現：盡管 cFINDR 參數更少，但 FINDR 對神經數據的擬合精度顯著更高，且能更準確地預測未參與訓練的神經數據；而 cFINDR 的擬合效果和樣本外預測表現均明顯不足 —— 這說明現有吸引子假說框架（即 cFINDR 依賴的理論假設）無法完整捕捉實際的神經動力學特征。

正是從這種擬合效果的差距中，研究人員識別出了超出傳統(tǒng)假說的新動力學特征：現有假說假設自主動力學在決策全程起主導作用，但 FINDR 的擬合結果揭示，實際決策過程是 “輸入驅動證據積累→自主動力學主導決策承諾” 的雙階段模式，且兩階段的神經流動方向基本正交 —— 這一規(guī)律是 cFINDR 受限于傳統(tǒng)假說無法解釋的，也正是通過兩種模型的擬合對比被明確發(fā)現的。

此外，基于FINDR發(fā)現的核心動力學特征，研究團隊還開發(fā)了一種簡化的多模式漂移擴散模型（multimode drift diffusion model, MMDDM）。該模型保留了經典DDM的核心結構，同時加入了神經模式轉換的機制——每個神經元在證據積累階段和決策承諾階段采用不同的編碼權重，從而能夠捕捉到多樣化的單神經元時間特征，并精確估計每個試驗中的決策承諾時間。

三、核心發(fā)現：決策過程中的兩次關鍵轉變

通過對實驗數據的深入分析，研究團隊取得了一系列突破性的發(fā)現，揭示了感知決策過程中神經動力學的核心規(guī)律。

（一）動力學狀態(tài)的雙階段演變

決策過程的神經動力學呈現明確的雙階段特征：初期由感覺輸入主導，左右兩側的聽覺點擊作為證據，推動決策變量沿 “證據積累軸” 演變，此時自主動力學作用微弱；后期動力學狀態(tài)反轉，自主動力學占據主導，神經軌跡脫離感覺輸入影響，轉而沿 “決策承諾軸” 發(fā)展。更關鍵的是，兩條軸線方向大致正交，導致神經軌跡出現明顯彎曲 —— 初期沿輸入驅動方向直線推進，后期在自主動力學引導下轉向決策承諾方向。這一現象在不同大鼠和行為會話中穩(wěn)定存在，不受模型參數或數據分割方式影響，是決策過程固有的神經特征。

圖1：該圖為決策過程中神經動力學雙階段轉變的核心可視化結果，基于 dmFC 和 mPFC 區(qū)域 96 個選擇選擇性神經元的記錄數據。圖中 c 為自主動力學向量場，箭頭方向代表動力學流動方向，顏色深淺對應自主速度（||F (z,0)||），可見左右邊緣區(qū)域自主速度更強；d 為自主動力學速度熱力圖，量化了不同 z 空間位置的自主運動強度；e 為左右聽覺點擊對應的輸入動力學向量場（F (z,left)-F (z,0) 和 F (z,right)-F (z,0)），箭頭方向反映感覺輸入對決策變量 z 的驅動方向，整體呈略順時針于水平的方向；f 為輸入動力學速度熱力圖，顯示輸入驅動的運動強度分布；g 為自主與輸入動力學速度差值圖，顏色越偏向負端表示輸入驅動占優(yōu)，越偏向正端表示自主驅動占優(yōu)，清晰呈現了從輸入主導到自主主導的空間過渡；h 為不同時間點（0.33s、0.67s、1.0s）的神經軌跡演變，不同顏色代表不同證據強度的試驗，可見初始階段（0.33s）軌跡沿輸入動力學方向（證據積累軸）直線發(fā)展，后期（1.0s）轉向自主動力學方向（決策承諾軸），形成明顯彎曲，直觀印證了 “輸入主導→自主主導” 的動力學狀態(tài)轉換及兩階段流動方向的正交關系。

（二）現有吸引子假說的局限性

為驗證現有理論，研究團隊對比了無約束的 FINDR 模型與限定于主流吸引子假說的 cFINDR 模型。結果顯示，盡管 cFINDR 參數更少，但 FINDR 對數據的擬合效果顯著更優(yōu)，尤其在樣本外預測中表現突出。這表明現有吸引子假說存在局限性，例如其認為自主動力學在整個決策過程中均起關鍵作用，但本研究發(fā)現其僅在后期占據主導，且無法解釋決策初期輸入驅動的持續(xù)積累過程。

（三）神經推斷承諾時間（nTc）的發(fā)現與驗證

基于雙階段動力學特征，研究團隊通過 MMDDM 模型提出神經推斷承諾時間，精準標記大鼠下定決心的時刻。與傳統(tǒng)僅基于行為的估算不同，nTc 結合神經活動與行為選擇數據，具有顯著的變異性和特異性：它與刺激起始、結束或運動反應等外部事件無時間鎖定，在不同試驗中廣泛分布，體現決策承諾的內在性；同時，nTc 是感覺證據影響決策的臨界點 —— 之前的聽覺點擊會顯著改變選擇，之后的則無影響，這一預測被行為分析充分驗證。此外，nTc 無法識別的試驗中行為準確性更低，證據強度越大越易檢測到 nTc，進一步證實其是決策承諾的可靠神經標記物。

圖2：該圖聚焦nTc的核心特征與驗證。圖 b 為 nTc 相對于刺激起始的時間分布直方圖，共納入 34.7% 可檢測到 nTc 的試驗，可見 nTc 在 0-1.0s 范圍內廣泛分布，與刺激起始無鎖定關系，其頻率隨時間下降反映了刺激持續(xù)時間的隨機性（0.2-1.0s）；圖 c 為 nTc 相對于運動反應起始（退出中心固定端口）的時間分布直方圖，nTc 同樣呈現寬范圍變異，最左側區(qū)間包含 nTc 早于運動起始 1s 以上的試驗，證實其與外部運動反應無時間鎖定；圖 d 為感覺證據權重隨 nTc 相對時間的變化曲線（黑色實線），綠色線為 MMDDM 模型預測，陰影為 95% 置信區(qū)間，結果顯示 nTc 之前（相對時間 <0）的聽覺點擊對決策有顯著影響（權重> 0），而 nTc 之后（相對時間 > 0）權重急劇降至零，直接驗證了 nTc 作為決策承諾臨界點的核心假設。右側 “Shuffled” 曲線為 nTc 隨機打亂后的對照，無明顯權重下降趨勢，進一步佐證了結果的特異性。

（四）單神經元特征與腦區(qū)功能分化

研究還發(fā)現，MMDDM 模型能很好地解釋單神經元的多樣化時間特征：斜坡式、階梯式等反應模式，均源于決策承諾時刻神經元群體活動的快速重組。根據神經元在兩階段的參與程度，可分為三類：均衡參與型表現為斜坡式反應，更多參與證據積累型呈斜坡 - 下降式，更多參與決策承諾型則為階梯式。不同腦區(qū)也存在功能分化：內側前額葉皮層神經元在決策初期選擇選擇性達峰，側重證據積累；前額葉定向區(qū)神經元后期選擇性最高，聚焦決策承諾，這種分工與神經元在兩階段的參與程度高度相關，揭示了前額葉 - 紋狀體網絡的協(xié)作模式。

圖3：該圖整合了單神經元反應特征與腦區(qū)功能分化的核心結果。圖 a 為三類神經元的承諾期神經反應時間直方圖（PCTH），左圖是 “更多參與證據積累” 的神經元（n=1529），呈現斜坡 - 下降式反應；中圖是 “均衡參與證據積累與決策承諾” 的神經元（n=1116），表現為斜坡式反應；右圖是 “更多參與決策承諾” 的神經元（n=414），呈現階梯式反應，縱坐標為偏好選擇與非偏好選擇的發(fā)放率差值（Δspikes / s），陰影為 95% 置信區(qū)間。圖 d 為 MMDDM 與單模式 DDM 的樣本外對數似然差值分布（Δbits/(neurons×trials)），證實 MMDDM 對數據的擬合效果更優(yōu)。圖 e 為不同腦區(qū)神經元平均選擇選擇性的時間分布，可見 mPFC 神經元在決策初期（約 0.2s）選擇性達峰，而 FOF 神經元在決策后期（約 0.8s）選擇性最高，不同腦區(qū)的曲線差異反映了功能分工。圖 g 為各腦區(qū)神經元的參與指數（EI）分布，取值范圍 - 1 至 1，mPFC 神經元 EI 更偏向 1（證據積累主導），FOF 神經元 EI 更接近 0（均衡參與），dStr、dmFC 等腦區(qū)介于兩者之間，清晰呈現了從 “證據積累主導” 到 “均衡參與” 的腦區(qū)功能梯度，且整體腦區(qū)間差異經 Kruskal-Wallis 檢驗具有統(tǒng)計學意義（P=1×10???）。

四、討論與意義：重新定義決策的神經機制

本研究通過同步記錄大鼠前額葉皮層和紋狀體的神經元活動，結合無監(jiān)督深度學習與動力學建模，揭示了感知決策的核心神經機制：決策過程遵循 “輸入驅動證據積累→自主動力學主導決策承諾” 的雙階段模式，兩階段的神經流動方向基本正交，而nTc正是這一轉變的關鍵標記。

這一發(fā)現具有多重突破性意義：理論層面，“雙階段動力學 + 神經模式轉換” 框架填補了DDM在神經層面的解釋空白，既契合其行為特征，又整合了神經層面的多樣化反應，為構建跨尺度決策理論提供了新支撐；方法學上，“FINDR 無監(jiān)督發(fā)現 + MMDDM 簡化建?！?的范式，既實現了低維動力學的客觀挖掘，又通過神經模式轉換機制精準捕捉單神經元特征，為復雜腦功能研究提供了可借鑒的模板；應用價值上，nTc 作為決策承諾的可靠神經標記物，不僅為注意力轉換、工作記憶更新等認知過程的時序研究提供了直接指標，也為沖動決策、猶豫不決等相關神經精神疾病的病理機制研究與靶向治療提供了潛在靶點。

值得關注的是，本研究發(fā)現的 “內隱” 決策承諾，與反應時范式中 “外顯”（耦合運動執(zhí)行）的決策信號存在顯著差異，提示決策機制的情境依賴性。未來研究可進一步探索不同決策類型（如價值決策、道德決策）背后動力學的共性與特異性，最終推動跨場景、跨物種統(tǒng)一決策神經理論的構建。

計算神經科學第三季讀書會

從單個神經元的放電到全腦范圍的意識涌現，理解智能的本質與演化始終是一個關于尺度的問題。更值得深思的是，無論是微觀的突觸可塑性、介觀的皮層模塊自組織，還是宏觀的全局信息廣播，不同尺度的動力學過程都在共同塑造著認知與意識。這說明，對心智的研究從最初就必須直面一個核心挑戰(zhàn)：局部的神經活動如何整合為統(tǒng)一的體驗？局域的網絡連接又如何支撐靈活的智能行為？

繼「」與「」讀書會后，集智俱樂部聯(lián)合來自數學、物理學、生物學、神經科學和計算機的一線研究者共同發(fā)起，跨越微觀、介觀與宏觀的視角，探索意識與智能的跨尺度計算、演化與涌現。重點探討物理規(guī)律與人工智能如何幫助我們認識神經動力學，以及神經活動跨尺度的計算與演化如何構建微觀與宏觀、結構與功能之間的橋梁。

詳情請見：

1.

2.

3.

4.

5.

6.

7.