在过去二十年里，宏观尺度的大脑模拟研究大多遵循一个潜规则：神经区域之间主要是“通力合作”的。然而，近日发表在《自然-神经科学》（Nature Neuroscience）上的一项研究挑战了这一传统范式。由牛津大学、剑桥大学、麦吉尔大学等多国顶尖学府组成的联合团队发现，只有引入“竞争性交互”，计算模型才能真正还原哺乳动物大脑的动力学特征，并精准识别出每个人的独特“大脑指纹”。
核心背景：打破“过度合作”的模拟僵局
在传统的大脑计算机模拟中，一个脑区的激活通常会诱导其相邻区域也增加活动。这种设定虽简化了模型，却导致了现实中极少观察到的“过度同步”状态，这与真实大脑中灵活多变的神经活动不符。
该论文的第一作者 Andrea Luppi 指出：“我们的日常经验，无论是集中注意力还是在任务间切换，都表明大脑系统必须竞争有限的资源。大脑无法同时处理所有事情，并非所有区域都能时刻保持活跃。以往的大脑模拟大多强迫各区域进行协作，忽略了竞争的重要性。”
实验设计：横跨人类、猕猴与小鼠的多物种验证
研究团队基于人类、猕猴和小鼠的脑连接数据，构建了模拟整个哺乳动物皮层活动的计算模型，并进行了两类对比：
-
传统协作模型： 脑区之间仅存在兴奋性交互，即“共同进退”。
-
竞争协作模型： 脑区之间既可以相互兴奋，也可以相互抑制，本质上是在“竞争”活跃权。
实验结果显示： 在所有三个物种中，包含竞争机制的模型在真实度上均完胜纯协作模型。
核心发现：竞争作为一种“稳定力量”
研究发现，竞争性交互在神经网络中充当了关键的平衡器：
-
防止活动失控： 它能抑制神经电信号的无限正反馈，防止系统陷入病理性的过度同步，起到了稳定系统的作用。
-
塑造动力学节奏： 它允许不同的大脑系统“轮流”主导大脑的起伏流动，从而实现灵活的行为切换和注意力分配。
-
精准捕获“大脑指纹”： 相比传统模型，竞争模型能更准确地捕捉区分个体的微小差异，使模拟结果更贴近特定个体的真实脑状态。
临床与人工智能意义：迈向精准医疗与类脑智能
这项发现对两个前沿领域具有深远影响：
-
数字孪生： 虚拟大脑副本正成为测试个性化疗法的关键工具。Andrea Luppi 强调，如果模型无法捕捉患者独特的脑组织原则，其预测将失去针对性，甚至产生误导。
-
类脑计算： 该研究为开发更具人类特征、性能更强的下一代人工智能系统提供了底层架构启发。
总结与展望
“使用竞争模型来预测患者对不同疗法的反应，将是迈向精准医学最令人兴奋的下一步。”Andrea Luppi 补充道。这项研究不仅重构了我们对大脑架构平衡术的理解，也为构建更智能、更具生物学合理性的计算模型指明了方向。
参考文献：Andrea I. Luppi et al, Competitive interactions shape mammalian brain network dynamics and computation, Nature Neuroscience (2026). DOI: 10.1038/s41593-026-02205-3.
编辑：王洪
排版：李丽
评论 (0)