玻尔百科大脑是如何从单个神经元嘈杂、模糊的信号中，构建出对世界稳定、精确而丰富的感知的？单个脑细胞及其波动的活动，是一个不可靠的叙述者。解决方案在于神经科学中最优雅的概念之一：倾听一个委员会的意见，而非个体的声音。大脑并非通过单个“开-关”式的开关来表征信息，而是通过大量神经元集群的集体活动来表征，这一策略被称为群体编码。本文深入探讨了这一核心策略，旨在弥合单细胞的不可靠性与全系统的精确性之间的根本鸿沟。在各个章节中，您将发现支配这场神经交响乐的统计学和生物学规则。旅程始于探索使群体编码如此强大的核心“原理与机制”，从信息论的数学到神经回路的生物学。随后，我们将看到这些原理的实际应用，通过审视多样的“应用与跨学科联系”，揭示群体编码如何构建我们的感觉世界、协调我们的运动，甚至启发下一代脑启发技术。
想象一下，你正试图确定一个微弱声音的精确方向。如果只有一个麦克风，你可能会得到一个读数，但它会充满噪声且模糊不清。这个声音究竟是微弱但与麦克风的最佳方向完全对齐，还是强烈但来自一个偏离的角度？这就是单个神经元面临的困境。虽然我们常将神经元视为简单的开关，但它们更像是模拟传感器，各自对世界上的某些特征有特定的偏好。这种偏好由其调谐曲线所捕获，该函数描述了神经元的放电率如何随着刺激属性（如方向、朝向或频率）的变化而改变。单个神经元的响应是黑暗中孤独而模糊的声音。
但大脑以其深邃的智慧，极少依赖单个声音。它采用了一种力量惊人且优雅卓绝的策略：群体编码。大脑不只听取一个神经元，而是听取整个合唱团——一个完整的神经元群体——来表征信息。这个集群中的活动模式——谁在高喊，谁在低语，谁在沉默——共同构成了对外部世界丰富而稳健的表征。让我们一同探寻使这场神经交响乐成为可能的原理。
群体编码最基本的思想是，通过结合来自许多神经元的信号，大脑可以克服单个神经元固有的模糊性和噪声。想象一个负责编码线条朝向的神经元群体。每个神经元都有不同的偏好朝向。当一条垂直线出现时，偏好垂直线的神经元放电最强。它的邻居，即那些偏好略微偏离垂直方向的神经元，以中等速率放电，而偏好水平线的神经元则保持沉默。结果是在整个群体中形成了一个活动的“山丘”，山丘的顶峰位于其偏好与刺激相匹配的神经元上。通过找到这个顶峰，大脑可以比任何单个神经元提供的信息更精确地解码刺激。
这不仅仅是质量上的改进，更是编码保真度上的量化飞跃。刺激估计的精确度受限于噪声。通过汇集来自许多具有独立噪声的神经元的信号，大脑可以有效地将这些噪声平均掉。统计学中的一个关键概念——费雪信息，使我们能够将此形式化。费雪信息，记为 ，衡量一个神经元的响应提供了多少关于刺激 的信息。对于一个由 个具有独立噪声的神经元组成的群体，总费雪信息就是每个神经元信息的总和。在许多简单而现实的情况下，这意味着总信息量与神经元数量成线性关系：。
这对感知意味着什么？观察者所能达到的最佳精确度从根本上受限于费雪信息。根据克拉默-拉奥下界，任何对刺激的无偏估计的方差至少为 。因此，随着群体大小 的增加，信息量线性增长，解码误差可以按 的比例减少。将神经元数量增加四倍，可以将不确定性减半。这种显著的尺度关系正是大脑具有精妙敏感性背后的统计学秘密。
如果增加更多神经元如此有效，那这就是全部的故事了吗？不尽然。信息在群体中分布的方式同样至关重要。这就引出了关于神经编码最优设计的有趣问题。
人们可能天真地认为，最好的策略是拥有高度特化的神经元，每个神经元都有非常窄的调谐曲线，只对极小范围的刺激值作出反应——这种策略被称为精细编码。然而，大脑通常更偏好粗略编码，即神经元具有宽阔且重叠的调諧曲线。这似乎很浪费，因为它引入了冗余：对于任何给定的刺激，许多神经元都会活跃并提供相似的信息。
然而，这种冗余是一种特性，而非缺陷。它构建了稳健性。凭借宽阔、重叠的调諧曲线，“活动山丘”变得平滑，其顶峰可以高精度地进行插值。此外，这种冗余提供了一个安全网。如果少数神经元丢失，它们的邻居仍然可以传递信号。但这其中存在着微妙的权衡。如果调諧曲线变得过宽，神经元就会失去其选择性。刺激的改变只会引起放电率的微小变化，从而稀释了信息。这揭示了一个优美的优化原则：对于给定的神经元密度，存在一个最佳的调諧宽度，它能够最大化群体的费雪信息，平衡了重叠带来的好处与个体敏感性丧失之间的关系。
另一个强大的策略是稀疏分布式编码，即对于任何给定的刺激，群体中只有极小部分的神经元是活跃的。这种方法对于联想记忆尤为重要。想象一下，试图在一个神经元网络中存储许多不同的记忆（活动模式）。如果每个记忆激活一大群随机的神经元，这些模式将严重重叠，导致混淆和串扰。
通过强制实施稀疏性，任意两个随机模式之间的重叠被大大减少。这对记忆容量产生了惊人的影响。在某些联想记忆的理论模型中，可以被可靠存储和检索的模式数量 与神经元数量 和编码水平 （活跃神经元的比例）的关系近似为 。随着编码变得更稀疏（ 变小）， 项趋向于零，导致存储容量急剧飙升。稀疏性使大脑能够在一个有限的网络中以最小的干扰打包存储大量的不同表征。
生物系统必须在不断变化的世界中运作，并承受时间不可避免的磨损。群体编码非常适合这一点，既表现出对损伤的稳健性，又具有对环境的适应性。
当大脑的一部分受损时会发生什么？冗余、分布式的表征原则预测，系统不应灾难性地崩溃。相反，它应该表现出优雅降级。一个引人注目的临床情景说明了这一点。考虑在楔状束核（cuneatus nucleus）中的一个微小病变，这是脑干中负责传递来自手臂和手部触觉信息的关键中继站。这个病变就像从我们的神经交响乐团中移除了少数几个演奏者。结果并非完全丧失感觉。相反，患者经历了细微的功能缺陷：在皮肤上区分两个邻近点的能力（两点辨别）略有受损，并且需要稍强的振动才能被感觉到。感知变得更嘈杂、不那么精确，但并未消失。这就是优雅降级的实际体现。群体中剩余的神经元，由于其重叠的感受野，仍然可以传递信号，尽管信噪比降低了。
我们的感觉系统还必须处理刺激强度的巨大变化。同一张脸必须在昏暗的暮光和明亮的日光下都能被识别。这需要一种形式的自动增益控制。许多神经回路通过一种被称为除法归一化的“经典计算”来实现这一点。其核心思想是，每个神经元的响应都被一组相邻神经元的汇集活动所除。
让我们看看这是如何运作的。如果整体刺激对比度加倍，局部群体中所有神经元的输入将大致加倍。但是，由于神经元自身的响应（分子）及其邻居的汇集活动（分母）一同增加，它们的比率在很大程度上保持不变。归一化后的响应对这些全局增益变化变得不敏感，使得神经元能够选择性地编码刺激的模式（例如，一条线的朝向），而忽略其强度（其对比度）。这个简单而优雅的操作确保了神经编码在广泛的观察条件下保持稳定。
到目前为止，我们大多假设神经元的行为是独立的。但这是一种简化。神经元的活动常常是相关的，这些相关性扮演着至关重要且时而违反直觉的角色。事实证明，除法归一化还有第二个同样深刻的功能：它有助于抑制这些相关性。当一个神经元群体共享一个共同的变异来源（如波动的增益）时，它们的响应会变得相关。通过除以这个共同信号，除法归一化有效地“去相关”了这些响应，减少了冗余，使编码更有效率。
然而，并非所有相关性都是生而平等的。区分两种类型至关重要：
噪声相关性有害吗？人们可能这么认为，因为它引入了无法通过平均消除的共享噪声。但答案取决于一个优美的几何洞察。想象两个神经元的响应作为一个二维空间中的点。我们想要区分的两个不同刺激由两个点云表示。 “信号”是分隔这些点云中心的方向。“噪声”是点云本身的形状和方向，由噪声相关性决定。如果噪声相关性沿着信号方向拉长了点云，它会使它们更多地重叠，从而损害辨别力。但如果噪声相关性在一个与信号方向正交的方向上拉长点云，它对点云的可分离性几乎没有影响！一个聪明的解码器可以学会忽略这个正交方向上的变异。在某些情况下，相关噪声甚至可以通过抑制最重要方向上的变异来提供帮助。
也许群体编码最深刻的见解是，大脑可能根本不是在计算一个单一的答案。相反，它可能在表征和操纵概率。概率性群体编码 (PPC) 假说提出，神经活动的模式表征了关于刺激可能值的整个概率分布 [@problemid:5037358]。它不仅表征了最可能的值，还表征了该估计周围的不确定性。
这个想法直接与贝叶斯推断相联系，后者是一个用于根据新证据更新信念的数学框架。大脑不断地在做这件事：它对世界有先验期望，并利用感觉信息来更新这些期望。PPC 框架展示了如何以惊人的简单性实现这一点。
对于许多现实的神经模型，例如具有泊松放电统计特性的神经元，数学推导非常完美。刺激的后验概率（大脑更新后的信念）的对数，可以表示为从群体中观察到的脉冲计数的简单线性组合。这意味着，极其复杂的贝叶斯计算任务可以简化为加权和求和输入这些基本的神经操作。
一个具体的例子使这一点更加清晰。当将关于刺激的先验信念与来自神经元群体的新证据相结合时，新信念的精确度（其方差的倒数）就是先验精确度与每个神经元响应贡献的精确度之和。新的最佳估计（后验均值）是先验均值和神经元建议的估计值的加权平均，其中每个值都由其精确度或可靠性加权。大脑通过群体编码的语言，可以像一个最优的统计学家一样行事，无缝地融合先验知识与感觉数据，以构建一个连贯而稳健的世界模型。
现在我们已经探索了群体编码的机制——即一个神经元“委员会”如何集体表征信息——我们准备好提出科学中最重要的问题：“它有什么用？”事实证明，答案惊人地广泛。这并非局限于大脑某个角落的深奥奇观。它是一种核心策略，一个统一的原则，大自然一次又一次地运用它来解决感觉、行动和思维的基本问题。通过一次穿越大脑的旅程，我们将看到这单一思想如何构建我们的现实，协调我们的运动，集中我们的思想，甚至激励我们去建造那些曾经只存在于科幻小说中的技术。
我们对外部世界的全部感知都是一种建构，一个由神经元群体讲述的故事。这个故事的特质——它的丰富性、精确性，乃至其本质——都由群体编码的规则所决定。
群体编码最清晰优美的例证或许可以在嗅觉系统中找到。你可能会想象，探测玫瑰的香味——它由数百种不同的分子组成——会是一件极其复杂的事情。然而，大脑的策略却异常简单。第一个原则是专业化：你鼻子里的每个嗅觉神经元都是一个专家，只表达数百种可能的气味受体中的一种。这就是著名的“一个受体-一个神经元”规则。
但神奇之处在于此。所有共享相同受体类型的神经元，无论它们位于鼻腔的哪个位置，都会将它们的轴突（线状的突起）汇集到大脑嗅球中的一个特定的点上，这个微小的结构被称为神经小球。这种结构同时实现了两个非凡的壮举。
首先，它创建了一幅地图。一种气味的复杂化学特性被转化为嗅球阵列上一幅空间活动模式图。玫瑰的香味不是一个单一的“玫瑰信号”，而是这幅神经小球图谱上的一组特定的激活和弦，一个独特且可识别的组合码。这是一幅化学拓扑图：一幅在神经空间中展开的化学地图。
其次，它战胜了噪声。单个感觉神经元是一个嘈杂、不可靠的设备。但通过汇集来自数千个相同的、专门化的神经元的输入，神经小球完成了一次强有力的群体平均。单个神经元的随机、独立的波动倾向于相互抵消，而真正的信号——对气味分子的响应——则被放大。神经小球信号的信噪比随着汇集于其上的神经元数量的平方根而增加，使得表征远比任何单个神经元所能提供的要可靠得多。这是一个 stunning 的例子，展示了 تشريحية 结构如何直接服务于关键的计算功能。
这种利用神经元群体构建世界空间地图的策略并非嗅觉所独有。在视网膜中，关于视觉世界的信息被分割成平行的通路。例如，专门的、独立的双极细胞群体分别负责处理光的增量（ON细胞）和减量（OFF细胞）。如果这些群体中的一个受到损害，正如一个假设的实验可能展示的那样，大脑对视觉对比度的群体编码就会变得有偏且不完整。世界将不再被完整地表征。
同样，我们精妙的触觉依赖于皮肤中感觉神经元的密度和组织。区分两个紧密间隔点的能力——即两点辨别阈限——是我们体感皮层中群体编码的直接结果。每个触觉感受器，如默克尔细胞，报告来自一小块皮肤的信息。当这些感受器的密度很高时，大脑会接收到一幅高分辨率的神经“图像”。但如果这些感受器丧失，比如在某些疾病中，大脑就不得不进行补偿。它开始在更大范围的邻近神经元上汇集信号，以维持一个可检测的信号。这种空间整合的增加就像模糊一张照片；精细的细节丢失了，两点辨别阈限也随之增加。我们感知的精确度，就写在底层群体编码的数学之中。
当我们考虑像痒和痛这样的感觉时，故事变得更加引人入胜。很长一段时间里，科学家们争论这些感觉是由独立的、专门的“标记线”编码，还是由共享神经元群体的活动模式编码。现代观点，在大量证据的支持下，提出了一个优美的混合模型。
在皮肤和脊髓中确实存在高度专用于痒觉的神经元。遗传学和光遗传学实验表明，激活表达胃泌素释放肽受体（GRPR）的特定脊髓神经元群体，对于在动物中产生抓挠行为既是必要也是充分的——这清楚地表明存在一个类似标记线的痒觉中枢。
然而，这并非全部。许多传递痒觉信号的感觉纤维也可以被疼痛刺激所激活。最终的感知质量——你感觉到的是恼人的痒还是灼烧的痛——似乎取决于群体活动的模式。这个混合群体的稀疏、低频激活倾向于被大脑解释为痒。相比之下，同样这个群体的广泛、高频激活，招募了更多的神经元并更强烈地驱动它们，则被解释为痛。就好像神经系统不仅在听谁在说话，还在听音量多大以及有多少人同时在说。
大脑不仅构建对世界的表征，它还对其采取行动并进行思考。在这里，群体编码同样是通用语言。
大脑如何告诉你的手臂去拿一杯咖啡？旧观点设想在初级运动皮层（M1）中有一张简单的地图，一个“皮质小人”，皮层表面的每个点对应一块肌肉。这是一种运动控制的标记线理论。但现代实验描绘了一幅更丰富、更有趣的图景。
虽然确实存在一幅粗略的身体地图，但M1的精细组织结构并非肌肉地图，而是一幅动作图谱。在单个位点进行微电极刺激，并不会只抽动一块肌肉；它常常会唤起一个复杂的、协调的多关节运动，比如将手伸向嘴巴。这表明皮层被组织成代表有用动作协同作用的重叠模块。因此，一个自主运动，不像为一块肌肉按下一个钢琴键。它更像是演奏一个复杂的和弦，一个跨越代表动作的神经元群体的分布式活动模式，灵活地组合这些构件，以产生平滑、有目的的轨迹。自然状态下的记录证实了这一点：在一次简单的伸手动作中，大量调諧宽泛的M1神经元共同参与构建了指定手部路径的群体编码 [@problemid:5049104]。
对于像一个念头这样无形的东西呢？当你在脑海中保持一段信息几秒钟——一个电话号码，一张脸——你正在使用你的工作记忆。在此类任务期间，对前额叶皮层（PFC）的记录显示，信息是通过一个神经元群体的持续放电来保持活跃的。
但这种“活跃”状态远非一种静态、完美的记忆。神经元的放电本质上是嘈杂的，时刻都在波动。这种神经噪声不仅是需要被忽略的麻烦；它的结构是编码的一个关键特征。成对神经元之间的逐次试验共变性，即噪声相关性（），对大脑能从群体中读出什么信息有着深远的影响。如果两个都偏好同一记忆位置的神经元倾向于一起上下波动（正相关），它们共享的噪声可能会掩盖它们试图表征的信号本身，从而限制记忆的保真度。从PFC解码一个记忆，不像阅读一行干净的文本；它更像是试图在一群人的相关、纷乱的运动中辨别一条信息。理解这种噪声的结构是理解我们自身思想局限性的关键。
如果说工作记忆是抓住一个念头，那么注意力就是选择并放大它。我们常把注意力想象成一个“聚光灯”，但这个聚光灯在神经层面是什么呢？群体编码给了我们一个具体、机械的答案。注意力并非某种神秘的力量；它是一组在神经元群体上执行的计算操作。
这些操作可以包括增益调制，即代表被注意对象的神经元的响应被简单地乘以一个系数，从而在脑海的喧嚣中调高它们的音量。另一种是路由，即自上而下的信号重新连接读出网络，使其更密切地听取与任务相关的神经元，并忽略不相关的神经元。这些机制可以极大地提高大脑提取信息的能力，而无需改变单个神经元的基本调谐特性。最优雅的理论之一提出，这些效应中的许多都是由一种称为除法归一化的经典皮层计算实现的，该计算根据邻近神经元的活动来调整一个神经元的响应。通过调节这种归一化，注意力可以选择性地抑制不相关的嘈杂信号，并锐化对重要事物的表征。
群体编码的原则如此强大和通用，以至于它们已经从纯科学领域进入了工程领域。通过理解大脑的编码，我们可以学会说它的语言，从而带来革命性的神经假体和脑机接口（BCI）。
想象一下设计一个神经形态芯片——一个像大脑一样工作的计算机——作为BCI的一部分。一个由算法（如CNN）从大脑信号中提取的特征，需要被编码到一个人造脉冲神经元群体的活动中。一个关键的设计问题是：你应该使用多少个神经元？群体编码的原则给出了直接的答案。正如我们在嗅觉系统中看到的那样，汇集多个神经元的活动可以减少噪声。编码特征的信噪比随着所用神经元数量（）的平方根而提高。这提供了一个精确、量化的权衡。要将表征的精确度加倍，你需要将神经元数量增加四倍，而这反过来又会消耗更多的能量（更多的脉冲）。这类工程问题正是大脑自身在进化过程中必须解决的，通过理解它，我们可以设计出更高效的脑启发硬件。
一旦我们有了接口，下一个挑战就是解码——将原始的神经群体活动翻译成有用的命令，比如在屏幕上移动光标。如果我们记录了成百上千个神经元，我们应该听取哪些呢？简单地将它们所有的活动加起来是一个糟糕的策略。关键的洞察再次来自大脑本身：稀疏性原则。对于任何给定的任务，很可能只有记录到的神经元中的一小部分是真正的“专家”，携带着最相关的信息。
现代BCI的解码算法明确地实现了这个想法。通过使用贝叶斯统计方法，例如那些对解码器权重应用拉普拉斯先验的方法，这些算法可以执行自动神经元选择。它们学会为少数最富信息的神经元分配大的权重，并将那些嘈杂、无信息神经元的权重精确地缩减为零。结果是一个更简单、更稳健、更节能的解码器，它不太可能被随机的神经噪声所迷惑。这种“稀疏解码”策略是高效编码假说的直接应用：大脑——以及受其启发的我们的技术——不仅追求准确性，而且追求以最少资源实现的准确性。
从远处一朵花的淡淡香味，到移动一个机器人手臂的意识意图，群体编码的原则是一条贯穿始终的线索。它证明了大自然在寻找优雅、稳健且可扩展的解决方案来解决复杂问题方面的天才。通过理解这种编码，我们不仅对大脑错综复杂的美丽有了更深的欣赏，而且还获得了一个强大的工具包来修复它、与它接口，并从其非凡的设计中学习。