人类大脑？进化，是一场精密计算的高风险赌局,人类大脑进化了吗

更新时间：2026-02-18 01:35 来源：牛马见闻

4家国产机器人春晚PK赛！热闹掌声之中，这几个问题逃不掉,国产机器人比赛

人民币升值反而给中国带来更大的战略优势,人民币升值对我国的利弊

勇往直前共创未来——习近平总书记在二〇二六年春节团拜会上的讲话激励海外中华儿女奋进新征程

【亚冠】蓉城客战2比3町田中超BIG4集体小组赛出局

马年春晚收视破39%！最高点超蛇年，被农民合唱团和凤凰传奇拿下

�artificial neural networks�文献 [1] SYDNOR V J, LARSEN B, et al.Neurodevelopment of the Association Cortices: Patterns,

是什么让人类大脑如此特别？ 撰文 | 安德烈亚 · 卢皮[1]（剑桥大学?圣约？翰学院） 翻译 | 岳川 在此，我将和大家分享一些我在攻读博士学位期间以及在博士后研究中所做的工作。我最初是作为一名哲学学者出发的，但我认为有必要时刻提醒自己：我们这些选择研究神经科学的人究竟为什么要进入这个领域。一个很有帮助的提醒是：虽然地球上有很多不同的物种，拥有各种不同的大脑，但其中的绝大多数只能坐在地球上仰望月亮，只有一个物种可以站在月球上回望地球，那就是人类。这就是人类大脑的力量——研究它，就是在研究这种独特性。 为什么我们仅凭头骨里的这一团“脂肪”就能做到其他物种完全做不到的事情？这就是推动神经科学与心理学研究不断进步的核心问题。现在我们知道，大脑的主要功能——可以说是最核心的功能——并不像亚里士多德所认为的那样是“冷却血液”，而是处理信息。我们从环境中获取信息，然后必须用这些信息来做出决策并采取行动，而这正是人类特别擅长的地方。 问题也随之而来：信息并不是单一的实体，实际上有很多不同类型的信息。我想用一个例子来说明“不同类型的信息”是什么意思。假设你是福尔摩斯，需要从九个嫌疑人中找出某起案件的罪犯。你找到了一位证人，他告诉你：罪犯有胡子。根据这条信息，你就可以排除掉一些没有胡子的嫌疑人。因为你是一个非常优秀的审问者，你还从证人口中套出了另一条信息：罪犯戴过帽子。于是，你又能排除掉一部分嫌疑人，但证据仍不足以定罪。你又找到了第二个证人，他再次确认了罪犯有胡子——这是你已经知道的信息，但得到确认总是好的。然后，第二个证人又补充说，罪犯有棕色的头发。现在，你依然无法仅凭这些信息定罪，因为至少有两个人符合条件，但如果你把所有证人提供的信息放在一起看，那么突然之间就只有一个人符合所有条件。罪犯就这样被锁定了。 那么我们能从中得到什么启示呢？我们有不同的信息来源，它们提供了不同的信息片段，其中一部分是冗余信息——比如“罪犯有胡子”，是你同时从两个来源得到的信息。这为什么重要呢？因为即便其中一个来源忘了提及此事，你仍然能通过另一个来源获取，也就是说，这类信息更稳固。还有一些信息是独特的，只能从某个来源得到——比如关于罪犯头发颜色的信息，只有一个人告诉了你。最后，还有一种信息是两个来源都没给你的，但当你把所有信息放在一起时，就出现了新的信息——比如罪犯的真实身份。这就是协同信息（synergistic information）。幸运的是，这不仅仅是一个叙事框架，我们实际上有一套完整的数学理论来处理它，即“信息分解”（information decomposition）。通过它，我们可以区分不同来源提供的独特信息、冗余信息和协同信息。这些信息可以来自天气数据，也可以来自大脑活动。 这对大脑有什么启示？特别是，大脑是否真的在利用这些不同类型的信息？为了解答这个问题，我们使用了功能性磁共振成像（fMRI），这种方法和之前的研究方式不同。fMRI的速度较慢，但能告诉我们大脑所有区域在同一时刻的活动情况。实验中，被试者只需躺在扫描仪里，不需要做特定任务。我们观察的是不同脑区的波动关系：它们是同步的，还是相互独立的？换句话说，我们关心的是大脑活动在静息状态下的内在组织。 图1 不同脑区中协同信息与冗余信息的平衡 我们把一对脑区看作两个信息来源，然后分析它们的协同信息、冗余信息和独特信息。它们分布在哪里？一种可能是全脑均匀分布，每个区域的协同信息和冗余信息一样多，这说明大脑在各处都保持平衡；另一种可能是某些区域协同信息多，某些区域冗余信息多，但没有明显的解剖学规律；还有一种，也是我们实际观察到的情况：一些区域（图1红色所示）协同信息多于冗余信息，另一些区域（图1蓝色所示）冗余信息多于协同信息，且它们不是随机分布的，而是符合解剖学逻辑的。比如蓝色区域主要对应大脑的视觉和运动区，红色区域对应高级联想皮质——参与社会认知、数字认知或工作记忆的区域。 你们不必光听我说——毕竟我出身哲学，谈神经解剖可能不太牢靠。但你们可以相信 Neurosynth（fMRI元分析平台）这个工具，它整合了大约1.5万个神经影像学实验的数据，可以告诉你大脑的每个区域和哪些任务相关。结果显示，蓝色区域确实更多参与感知和运动任务，而红色区域（高协同区）则更多参与高级认知。 图2 关于协同信息—冗余信息、感知—整合的两种图示 另一种思考方式是不把感知—整合看作二元对立，而看作是一个连续梯度，比如有研究者绘制了从感知到整合的渐变图（Sydnor et al.，2021）：黄色区域对应前文所提的蓝色区域，紫色区域对应红色区域（图2）。尽管他们的方法是结合多种解剖学数据，但得出的结果和我们基于数据驱动得出的协同信息—冗余信息分布高度吻合。 我要强调的是：这是基于数据驱动得出的结果，而非先入为主的假设。我们没有规定哪里应该是协同信息，哪里应该是冗余信息，而是完全“盲测”，最后数据自己形成了这样一个图谱，而且它和任务数据、解剖数据都很好地对照上了。这说明它反映的是大脑内部信息架构的一部分，而不是我们预先设定的。 你可能会问：既然不同脑区有不同的信息“表型”，那它们为什么会这样分布？归根结底，是因为不同脑区的神经生物学性质有所不同。关键因素之一是神经元在微观尺度上的运作方式。 宏观上，我们看到协同信息更多出现在联想区，因为那里有不同信息流汇聚。而在微观上，神经元通过与突触相互作用来整合信息。 那么，协同信息和突触的关系是什么？可以从两个角度去看。一是用基因表达数据来分析，比如艾伦人脑图谱（Allen Human Brain Atlas）的数据，它提供了大脑每个区域约两万个基因的mRNA（信使核糖核酸）表达情况。对此，我们需要问两个问题：第一，我们的协同信息—冗余信息梯度是否对应着不同的基因表达特征？第二，这些特征和哪些已知功能相关？分析结果表明，这些基因与突触和突触传递密切相关，这让我们非常满意。 不过，艾伦人脑图谱的数据集也有局限：比如它来自去世的捐献者，而非活体大脑。于是我们换用[¹¹C]UCB-J ——一种体内突触密度标记物—来验证，结果发现：更大的突触密度的确对应更多的协同信息。这说明无论在宏观还是微观层面，结论都是一致的。 现在，不去看人类大脑不同部分与协同信息（更高层次的认知）的关系，而是换一个角度提出另一个问题：我们能否去比较不同的大脑？比如，把人类大脑和另一种与人类相似但认知能力较低的物种，如猕猴的大脑进行对比。我们对猕猴大脑进行了与人类大脑完全相同的分析流程，然后问：总体上，在人类大脑中，我们看到的信息有多少是由协同信息解释的，又有多少是由冗余信息解释的？接着，我们在猕猴大脑中做了相同的分析，看其信息中有多少来自协同，多少来自冗余。结果发现，两种物种在冗余信息上没有差别；但在协同信息上，我们发现了显著的不同：人类大脑的明显比猕猴大脑的更强。 我想特别强调一点：跨物种比较有很多需要谨慎的地方。我们做了大量额外分析来验证结果，确保它不是由扫描仪差异等技术因素造成的。当然，这方面仍然需要更多研究来进一步验证。但就初步结论来看，可以说人类大脑在协同信息上有显著的富集。事实上，我们知道这一点，因为之前发现与突触及突触传递相关的许多基因，正是加速人类进化的基因。 不过，我们也可以尝试用另一种收敛的方式来验证物种间的差异。比如，我们可以问：那些人类特有的、加速进化的基因在大脑的哪些区域表达得更多？我们知道，它们的表达并不平均——比起更“古老”的脑区，一些更“进化上新”的脑区往往表达更多的人类加速进化基因。再次分析后，我们发现了一种很好的相关性：在人类大脑中，具有更多协同信息的区域，恰恰也是这些人类加速进化基因表达更多的区域。同样，我们也知道，尽管人类大脑比猕猴大脑更大，但并非所有区域都等比例地扩大了——有些区域只放大了一点，有些区域则大幅扩张。我们发现：脑区扩张得越多，协同性越高。这一次比较是在人类和黑猩猩之间进行的，因为黑猩猩在进化上比猕猴更接近我们。而结果同样显示：更大的进化性扩张对应更高的协同性。 所以，不论是在同一个人类大脑的不同区域中，还是在不同物种之间，我们都发现协同总是和与更高认知相关的脑区联系在一起；在认知更复杂的物种中，协同也更加普遍。换一种说法就是：人类大脑在协同上投入更多，而这种投资带来了巨大的回报——这也说得通，因为协同能让你从已有的信息中提取更多价值。但这也是一场“高风险的赌注”，因为协同性也意味着脆弱性。当你高度依赖协同时，就要求所有环节都必须正常发挥作用——因为协同意味着你需要把所有信息完整结合起来。还记得前面那个证人的例子吗？缺少任何一个证人，完整信息就不存在。这是一个风险极高的选择，但在大多数情况下，人类大脑确实选择了这一进化策略。 总体而言，这个选择似乎奏效了。不过，我刚才讲的这些严格来说还只是“合理化的故事”，它们主要基于相关性和跨物种的比较。那么，我们是否可以尝试更接近因果关系呢？ 接下来要面对的一个问题是：把猕猴的大脑“重新布线”成人脑，或反过来。但其实这并不容易，虽然神经科学已经取得了很多进展，但还没到那个程度——我们不能简单地把猕猴大脑改造得“更具协同性”，然后看看会发生什么。但我们可以在计算机中做到，通过构建大脑模型，比如人工神经网络（artificial neural networks），然后观察：当我们把模型改成“更多或更少协同性”时会发生什么，以及这与计算性能的关系如何变化。 我们目前使用的是一种水库计算（reservoir computer）模型，它借鉴了大脑等架构。你也可以从随机结构开始——这是更常见的做法。接着有两种策略。策略一是优化模型的性能——这是常见做法，即你不断给模型“重新布线”，用遗传算法（genetic algorithm）保留那些能提升性能的版本，然后继续下一轮“重新布线”，反复迭代，直到性能达到最优。我们发现，如果以高性能为目标进行优化，会顺带得到更多的协同。但你也可以反过来：完全不管性能，只对模型下指令——比如，“请持续重连这个网络，直到协同最大化”，也即只要重连后协同增加就保留，并反复执行直到协同最大化。我们发现，如果以协同最大化为目标，会顺带得到更高的性能。也就是说，当两者分别被最大化时，也会把对方一起推高。 还有一点值得强调的是：一方面，尽管“协同”这个词听起来像个热词，但正如前面提到的，它也暗示着脆弱性；另一方面，“冗余”常被当作贬义词，但事实上，冗余在很多场景里是好事，因为它带来鲁棒性。在证人的例子里，有冗余信息就意味着即使新的证人没出现，我们仍能知道“罪犯有胡子”这一信息。问题在于：如何平衡这种鲁棒性及其成本。 其关键在于，一旦我们把冗余信息、协同信息以及独特信息三个维度放到一起，我们就能扩展关于大脑的思考方式。比如，“整合”是神经科学里的高频词，但它可以有不同含义：一种“整合”是“一切都以完全相同的方式工作、步调一致”，另一种“整合”是“把不同且互补的部分汇聚到一起”。如果完全相同，它们就不可能互补。过去大家用“整合”这个词时往往混用了这两层含义，现在我们可以用冗余信息、协同信息、独特信息，而不是单一的“整合—分离”维度来对它们进行区分：一种“整合”是同质/一致性，另一种“整合”是互补性。分清孰为孰，我们就不会再把所有“整合”都当成一回事。 为什么这个概念有意思？我有哲学背景，所以确实喜欢做概念澄清，但更重要的是：神经科学里有一种古老而重要的想法，提出用大脑复杂度（brain complexity）来量化整合与分离的平衡。现在我们开始意识到，“整合”这个词可能比我们想的更棘手。实际上，这个思想更早就出现了：哲学家莱布尼茨（Gottfried Wilhelm Leibniz）早就说过，我们需要“多样中的同一”，这本质上就是我们所说的协同。如果我们用这种方法去理解意识的神经关联，那么通过关于“整合”的更精细的理解，并观察意识改变时这种“整合”如何变化，也许我们就能取得进展。 我们的发现正是如此。当把这些约束施加到数据上，我们看到一组脑区——正是前面提到的那些高协同区域——在人失去意识时协同会下降，在麻醉后恢复意识时则协同回升。这也印证了我所说的“协同意味着更脆弱”的观点：这些区域更容易在人失去意识时受影响。我们发现它们既是大脑中的高协同区域，也是在进化中扩张最多的区域。当我说“进化在让人脑更具协同性这件事上做了一个高风险的赌注”时，这一点得到了支持：这些区域协同高，对脑功能很重要，但也更易受病理和药理干预的影响。 综上，我希望已经让大家相信：我们可以用这种关于信息与信息动力学的思维把看似单一的“信息”分解为更细致的成分，也把看似单一的“整合”分解为更精细的结构。之后，我们开始能够在不同条件下的意识丧失中识别出共同的特征，也能以数据驱动的方式发现不同物种之间的差异如何与我们对解剖、基因表达与进化的认识相吻合，把这些线索汇聚起来。最后，因为信息论非常通用，它不只用于人脑，甚至不只用于任何生物的大脑，还能用在完全不同类型的对象上，比如计算模型。当我们这样做，以此获得目前通过实验操作还无法提供的更接近因果关系的洞见时，我们可以看到协同与性能相互追踪：优化其一，往往“免费”获得其二。这与我先前讲到的“进化在人的大脑上优化协同”的故事相契合。我们也观察到这些模型更脆弱，即高协同模型更脆弱，而高冗余模型更稳健，但高协同模型的性能更好。你需要在两者间找到恰当的平衡，而人脑相对于猕猴脑可能就是在做这样的权衡。 这里必须补充一个非常重要的点：这些数据都不是我亲自采集的，所有数据都来自极其勤奋且慷慨的同事的共享。实际上，还有更多人的研究工作让这一切成为可能，我对他们深表感谢。请允许我再玩一次双关：这真的是一次“协同”的努力，因为正是靠大家一起，研究才得以推进。 （本文整理自安德烈亚 · 卢皮在2025年“神经现实伦敦大脑与智能峰会”上的演讲，有删改，文中图片均由安德烈亚 · 卢皮提供） 参考文献 [1] SYDNOR V J, LARSEN B, et al. Neurodevelopment of the Association Cortices: Patterns, Mechanisms, and Implications for Psychopathology[J]. Neuron, 2021, 109(18): 2820-2846. 本文经授权转载自微信公众号“信睿周报”。 <blockquote>注：本文封面图片来自版权图库，转载使用可能引发版权纠纷。</blockquote> 特别提示 1. 进入『返朴』微信公众号底部菜单“精品专栏“，可查阅不同主题系列科普文章。 2.『返朴』提供按月检索文章功能。关注公众号，回复四位数组成的年份+月份，如“1903”，可获取2019年3月的文章索引，以此类推。

编辑：徐成峰