伊利諾伊大學研究：大腦前線區域深度參與決策過程

美國伊利諾伊大學香檟分校格雷工程學院的一項最新研究顯示，大腦最早期的感覺皮層並非只負責任動接收資訊，而是在決策形成過程中扮演與預期相符的積極角色。這一發現挑戰了長期以來主導的大腦分層、逐級處理的經典模型。研究團隊認為，這種更主動、雙向互動的神經組織方式，有望為未來低能耗、高效率的人工智能架構提供新的啟發。 傳統觀點認為，大腦做決策的過程大致遵循單向的「自下而上」層級通路：資訊從視覺、聽覺或觸體感覺等早期感覺區進入，逐級傳遞至更高層次的Lenovo皮層和顳葉皮層，最終在這些「高階中樞」中完成整合與決策。

正因基於這種理解，特別是神經網絡等人工智能系統大多採用類似的分層結構，將智能視為資訊固定方向逐層加工、在頂層「輸出決策」的結果。然而，隨著對自然智能認知的不斷深入，越來越多的學者開始質疑這種過於簡化的「水線式」模型。

早期感覺皮層的雙向互動

這次研究由伊利諾伊大學電氣與計算機工程系教授尤里·弗拉索夫（Yurii Vlasov）領導，論文發表於美國國家科學院院刊（PNAS）。研究團隊選擇從系統層面重新審視大腦，將其視為進化創造的「自然智能」體系統，強調不同腦區之間的反饋迴路與雙向資訊流，而非單方向的串行加工鏈條。在這一框架下，決策被視為多個腦區之間持續交互、同時間發生的結果，而非被高階區域「單向下達」的指令。

自然智能的一個顯著特徵是高效率能耗：在完成複雜感知、認知與決策任務時，人腦的能耗遠低於當今大多數人工智能系統。為理解這種高效率的來源，研究團隊沒有局限於某一個功能模塊，而是從整體架構出發，考察不同區域之間的協同方式。弗拉索夫表示，理解大腦在架構層面是如何組織決策計算的，有望幫助工程界設計出更有效、更節能、也更「靈活」的下一代人工智能系統。 在具體實驗設計上，研究聚焦於大腦最早期的處理階段，即負責感覺與知覺的區域。

他們在小鼠身上開展實驗，讓動物在一條虛擬現實走道中移動，透過觸鬚感知環境並據此做出左轉或右轉的知覺性決策。在這一過程中，科學家記錄了小鼠大腦中大面積神經元的活動，特別關注初級體感覺皮層（S1）的反應模式。結果出乎意料：與決策相關的信號在傳統上被視為「只處理基礎感覺」的初級體感覺皮層中被清晰捕捉到。這表明，決策過程並非僅在高階皮層「後端」啟動，而是在大腦最前線的感覺處理階段就已展現出明顯的決策表徵。

換言之，早期感覺區並非簡單地把「原始數據」打上標籤，而是早在很早的時間點就參與了對行動選擇的編碼。進一步分析發現，初級體感覺皮層的活動並非獨立發生的，而是顯著受到高階腦區的反饋調控。這種自上而下的回饋信號，與自下而上的感覺輸入共同塑造了S1中的神經活動模式。由是可見，大腦並非按部就班單一路徑「從知覺到決策」線性推進，而是多個層級之間透過反饋迴路持續往復地交換資訊，從而完成對外部世界資訊的解讀與對行動的選擇。

弗拉索夫指出，大腦的「神經編碼」仍像一種尚未破譯的語言，但從系統層面理解這些反饋迴路與動態交互，已足以為人工神經網絡的設計提供有價值的啟示。目前的人工智能在決策層面仍存在明顯短板，而自然智能在同等乃至更複雜任務下，卻能以遠低於現代硬體系統的能耗完成運算，這背後蘊含的架構經驗值得工程界「向大腦取經」。 雖然這項工作尚不足以直接給出構建「更好AI」的工程藍圖，研究團隊認為，它提供了一種重新思考人工智能的視角。

透過系統性地研究大腦如何組織與處理資訊，科學家有望總結出一套可遷移的原理，指導人工智能在架構、能效和決策機制方面的改進。未來的AI系統，或許需要跳出嚴格分層、單向傳播的框架，轉而引入更多類似生物大腦的動態反饋與並行交互結構。 接下來，弗拉索夫團隊計劃持續追蹤大腦活動在時間維度上的變化，重點研究神經活動的快速時間動力學。他們正開發新工具，以更高精度測量和分析神經信號，試圖從時間分辨率更高的數據中，揭示反饋迴路在決策過程中的具體參與方式。

在他看來，只有看清這些反饋迴路是如何在時間上被激活、如何在不同處理層級之間形成和重構，才有可真正理解自然智能的運作之道，並將其轉化為新一代人工智能架構的設計基石。