玻尔百科我们如何才能开始理解像人脑这样一个拥有 860 亿个相互连接的神经元的庞大而复杂的系统？试图追踪每一个单独的信号将是一项不可能完成的任务，就好比通过追踪每一个水分子来理解海洋。正如物理学家经常发现的那样，关键在于退后一步，观察集体行为。Wilson-Cowan 模型体现了这种方法，提供了一个优雅的数学框架来理解产生思想、知觉和意识的大尺度动力学。它通过对大型神经元群体的行为进行平均，解决了单个神经元活动与全脑功能之间的根本差距。本文将引导您了解这个计算神经科学的基础模型。在第一部分“原理与机制”中，我们将探讨该模型如何将大脑简化为兴奋性和抑制性两个群体，并使用耦合方程来描述它们的相互作用，从而产生稳态和节律性振荡。随后，“应用与跨学科联系”部分将展示该模型解释真实世界现象的卓越能力，从脑电波的产生、神经调质的作用，到癫痫和帕金森病中观察到的病理节律。
Wilson-Cowan 模型是科学家们所称的平均场理论的一个绝佳范例。它不描述单个神经元，而是描述大量神经元群体的平均活动。我们感兴趣的不是你视觉皮层一小块区域中的单个神经元，而是该局部邻域内成千上万个神经元共同发出的嗡嗡声。我们为大脑制作了一个简化模型，这个模型舍弃了个体惊人的细节，以捕捉群体的本质特征。
该模型将世界简化为两种基本类型的神经元群体：兴奋性（E）群体，其作用是激活其他神经元；以及抑制性（I）群体，其作用是使其他神经元安静下来。在任何时间 ，我们系统的状态仅由两个数字描述： 和 。但这些数字是什么？它们不是以“脉冲数/秒”为单位的发放率。相反，它们代表了每个群体中当前处于活动状态的神经元的比例。
这是一个巧妙而深刻的选择。通过将 和 定义为比例，它们自然被限制在 0 和 1 之间。你不可能有少于 0% 的神经元在发放，也不可能有超过 100% 的神经元在发放。正如我们将看到的，Wilson-Cowan 方程本身的结构确保了系统遵守这些物理边界。任何以合理的活动水平（在 0 和 1 之间）开始的轨迹都将永远保持在该范围内。用数学的语言来说，这个状态空间是前向不变的（forward invariant）。这个简单的选择驯服了复杂性，并使模型保持良态。
当然，这种平均是一种近似。当一个群体中的神经元行为或多或少相似时，它效果最好。在真实的大脑中，神经元表现出相关的活动——它们倾向于比随机情况下更频繁地同步发放。这意味着我们的平均必须谨慎进行，时间窗口需要足够长，以平滑单个脉冲的微观抖动，但又要足够短，以捕捉与思想和知觉相关的大脑动态变化。
那么，这些群体的活动是如何随时间变化的呢？让我们像物理学家为神经活动创建资产负债表一样，从头开始构建模型。活动的变化率，例如兴奋性群体（），必然是神经元被招募进入活动状态的速率减去神经元衰减回静息状态的速率的结果。
活动变化 = 招募 − 衰减
衰减：一个活跃的神经元不会永远保持活跃。它发放脉冲然后安静下来。很自然地，我们可以假设越多的神经元处于活跃状态，任何时刻衰减的神经元就越多。因此，总衰减率与当前活动水平成正比，即 。这是我们模型中的“泄漏”部分；如果不被维持，活动会自然地泄漏掉。
招募：奇迹发生于此。要让一个神经元变得活跃，必须满足两个条件：它必须是可被激活的，并且它必须接收到足够强的信号来激活它。
可用池：你只能招募那些尚未活跃或不处于临时“不应期”（从上次脉冲中恢复）的神经元。如果 是活跃神经元的比例，那么可用的比例是多少？最简单的猜测是剩下的部分：。这一项是一种非常简单的自调节形式。当活动 接近其最大值 1 时，可用池 缩小到零，自动关闭进一步的招募，防止系统崩溃。我们可以通过引入一个不应期参数 来使模型更真实，该参数表示活动对群体来说有多“累”。可用神经元的比例就变成了 。如果 很大，强不应期效应可以将网络的峰值活动限制在远低于 100% 的水平，这是另一种至关重要的动态增益控制形式。
驱动力：什么信号引起招募？群体接收到的总输入。对于我们的兴奋性群体，这是来自其他兴奋性细胞的输入（自兴奋）、来自抑制性细胞的输入以及来自外部世界（如闪光照射到视网膜）的输入的总和。我们可以将这个净输入写成一个加权和：。这里， 项是决定连接强度的突触权重， 是外部驱动。注意抑制性输入的负号——它的作用是减小驱动力。
响应函数：神经元对输入的响应不是简单的线性方式。输入必须超过某个阈值才能引起响应，而在非常高的输入水平下，响应会饱和。这种行为由一个非线性的激活函数来捕捉，通常是一个 S 型曲线，我们称之为 。这个函数接收净输入电流，并将其转化为瞬时招募率。
将所有这些部分组合在一起，完整的招募率是可用比例与输入驱动响应的乘积：。
结合招募和衰减，我们得到了著名的 Wilson-Cowan 方程中描述兴奋性群体的部分：
完全相同的逻辑也适用于抑制性群体，从而为 提供了第二个耦合方程。参数 是一个时间常数，它设定了兴奋性群体动力学的整体速度。有了这两个耦合方程，我们就得到了一个皮层回路的最小但功能强大的模型。
这些方程描述了系统如何运动。但它会去向何方？就像一个在丘陵地貌中滚动的球，系统会寻找平衡点。这些点被称为不动点——即所有运动都停止的状态 （ 且 ）。一个不动点代表了网络活动的一个稳定、持久的状态。
这些状态并非抽象。通过改变外部输入 和 ，我们可以将网络推向不同的不动点。例如，对 E 细胞的强驱动可能会使网络稳定在“高 E，低 I”的状态，而对 I 细胞的强驱动则可能创造一个“抑制主导”的状态。这些不同的稳态可以被认为是局部回路的不同计算机制或“思维状态”。
但是，一个不动点是山谷还是山顶？换句话说，它是稳定的还是不稳定的？为了找出答案，我们采用物理学家的方法：我们给系统一个小的扰动，然后观察会发生什么。这个过程被称为稳定性分析。在数学上，它涉及在不动点周围对动力学进行线性化，以找到雅可比矩阵（Jacobian matrix）。
你可以将雅可比矩阵看作是不动点周围局部地貌的地图。它告诉我们一个小扰动将如何演变。这张地图的一个关键组成部分是神经元的“局部增益”——即 S 形激活函数在不动点工作水平处的斜率。这个增益，记为 或 ，起着放大器的作用。它决定了群体对其输入的微小变化的敏感程度，从而有效地调制了网络中的连接权重。高增益意味着地貌陡峭，系统反应灵敏；低增益意味着地貌平缓，系统反应迟钝。
这里我们来到了 Wilson-Cowan 模型最美妙、最深刻的见解之一。如果不动点是不稳定的，会发生什么？系统不会停留在那里。它可能会奔向另一个更稳定的不动点。或者，可能会发生一些更有趣的事情：它可以进入一种自我维持的节律性活动状态。它会开始振荡。这就是该模型如何产生我们用脑电图（EEG）测量到的著名脑电波。
系统的稳定性被编码在雅可比矩阵的特征值中。这些是复数，其实部告诉我们关于稳定性的信息，其虚部告诉我们关于旋转的信息。
现在，想象一下我们慢慢地调整模型中的一个参数——也许我们增加外部驱动 ，或者我们增加神经元增益 。随着我们的操作，不动点会移动，局部地貌也会改变。一个特征值的实部有可能从负变正。它穿过零点的瞬间是一个临界点，称为霍普夫分岔（Hopf bifurcation）。在这一点上，系统恰好处于衰减与增长之间的平衡状态。这就是“振荡的诞生”，系统会自发地进入一个称为极限环的稳定节律循环。
这不仅仅是一个数学上的奇观；它还是大脑最重要的节律之一的模型：伽马振荡（约 30-80 Hz），这种振荡被认为对注意力、感觉处理和意识至关重要。这个机制被称为锥体-中间神经元伽马振荡（Pyramidal-Interneuron Gamma, PING），涉及一种精妙的推拉之舞。兴奋性（E）细胞发放，从而兴奋抑制性（I）细胞。I 细胞反应更快，会迅速响应并抑制 E 细胞。随后，抑制作用减弱，使 E 细胞能够再次发放，循环往复。Wilson-Cowan 模型使用生物学上合理的时间常数和连接强度，自然地在这些伽马频率上产生振荡。这个简单的数学模型与一种基本脑节律之间的惊人对应，是理论神经科学的一大胜利。
Wilson-Cowan 方法的强大之处在于它不是一个单一、僵化的模型，而是一个灵活的思维框架。基线模型是一个极好的起点，但我们可以增加现实主义的层次来捕捉更微妙、更复杂的大脑动力学。
脉冲频率适应：真实的神经元会“疲劳”。如果它们被迫长时间高频发放，其发放率会逐渐下降。我们可以通过引入一个新的慢变量来跟踪近期活动并提供负反馈，从而将这种适应性添加到我们的模型中。这使得模型能够重现我们在大脑感觉系统中随处可见的瞬态、适应性响应。
基于电导的（除法）归一化：在基线模型中，输入只是简单相加。但在真实的神经元中，抑制性输入可以在细胞膜上打开“孔洞”，使其泄漏。这不仅仅是从兴奋性驱动中减去一部分；它可以除以它，从而减小所有输入的影响。这种效应，被称为分流抑制或除法归一化，是皮层的一个基本计算原则，有助于根据整体刺激水平调整神经元的敏感性。我们可以通过将净输入除以一个代表总突触电导的项来将其整合到模型中。
从其对神经元群体的简单、平均化视角，到其解释复杂脑节律诞生的能力，再到其整合更多生物学细节的灵活性，Wilson-Cowan 模型提供了一座不可或缺的桥梁。它将单个脉冲神经元的世界与大脑宏大的认知功能联系起来，以优雅的简洁性揭示了可能构成思维引擎基础的原理和机制。
窥探了 Wilson-Cowan 模型的机舱，理解了它的齿轮——兴奋、抑制、时间常数和增益的相互作用——之后，我们现在准备好驾驭它了。一个伟大的物理或生物模型真正的美妙之处不仅在于其内在的优雅，还在于其与现实世界连接的力量。事实证明，一套简单的方程可以像罗塞塔石碑一样，让我们能够破译大脑在其健康、疾病和认知的无数状态下所说的复杂语言。这不仅仅是一项学术练习；这是一次深入探究我们为何能正常运转，以及有时为何会出故障的核心之旅。我们将看到这个模型如何帮助我们倾听大脑内部的交响乐，理解为什么音乐有时会出错，甚至开始为未来的生物混合计算机谱写新的乐章。
如果你用脑电图（EEG）倾听大脑，你不会听到寂静。你会听到由各种振荡组成的交响乐——脑电波。这些节律性的电活动，如阿尔法、贝塔和伽马波段，不仅仅是噪音；它们是意识、知觉和思想的背景音乐。Wilson-Cowan 模型为这种音乐是如何产生的提供了一个非常直观的解释。
由兴奋-抑制回路产生的最基本的节律是一种被称为伽马节律的高频振荡。想象一下，兴奋性（）群体就像一个想越唱越响亮的合唱团。当他们兴奋起来时，他们会向他们的伙伴——抑制性（）群体——呼喊。然而， 群体的反应要慢一些。经过短暂的延迟，他们听到了呼喊，变得活跃起来，并开始唱出强有力的、使人安静的“嘘！”声。这股抑制波使兴奋性合唱团安静下来。但是一旦 细胞安静了， 细胞就失去了驱动力，也变得安静了。这解除了抑制，让兴奋性合唱团可以再次开始歌唱。这个“呼喊-安静-沉默-重复”的循环是一种自我维持的振荡，而模型精确地向我们展示了其频率如何取决于连接的强度和速度。这个机制，被称为锥体-中间神经元网络伽马振荡（PING），是我们理解大脑如何产生快速节律的基石，这对将感觉信息整合成一个连贯的整体至关重要。
但模型允许我们更具体化。抑制性群体的“缓慢”不仅仅是一个抽象的参数 ；它对应于真实神经元的生物物理特性。神经科学家已经确定了一类特殊的抑制性细胞，即小白蛋白阳性（PV）快速发放中间神经元，是 PING 的关键参与者。这些细胞天生就追求速度，其突触动力学非常快。如果我们将它们快速的时间常数代入 Wilson-Cowan 模型，我们就会得到伽马范围（30-80 Hz）的振荡。如果我们使用较慢的抑制性细胞的时间常数，模型预测节律会变慢，转向贝塔波段或更低。这是一个了不起的成功：模型正确地预测了神经元的类型对于产生的节律类型至关重要，将我们方程中的抽象参数与大脑“交响乐团”中的特定细胞类型联系起来。
大脑的音乐通常比单一音调更复杂。我们经常观察到嵌套的节律，例如快速伽马节律的振幅被一个更慢的 θ 节律（4-8 Hz）所调制。可以把它想象成一个快速的旋律，其音量被一个缓慢的贝斯线有节奏地调高和调低。这种现象，称为相位-振幅耦合（PAC），被认为对记忆和信息处理至关重要，可能是通过创建离散的通信“窗口”来实现的。Wilson-Cowan 框架在接近其振荡临界点进行分析时，很自然地解释了这一点。一个缓慢的、节律性的输入（θ 节律）可以作为一个周期性的驱动，将网络推向或拉离其产生伽马振荡的不稳定点，导致伽马节律的振幅完全同步地起伏。该模型不仅仅产生一个单音；它可以产生一整场协奏曲。
如果 Wilson-Cowan 模型能够描述健康大脑和谐的交响乐，那么它也必须能够描述患病大脑的不和谐音。神经系统疾病通常不是规则的完全崩溃，而是游戏参数的改变。一件乐器失调了，一个演奏者声音太大了，或者节拍卡住了。通过调整 Wilson-Cowan 模型中的参数——突触权重 、增益、时间常数——我们可以模拟各种病理状态，并对其机制获得深刻的见解。
例如，癫痫可以被视为一种动力学疾病，大脑的交响乐团进入一种不受控制、超同步的渐强状态——即癫痫发作。使用动力系统的语言，模型可以通过一次“分岔”从一个稳定、安静的状态过渡到一个病理性的振荡状态。模型揭示了这种情况的发生并非只有一种方式。癫痫发作可能像钹的撞击声一样，在高频下突然爆发；这对应于一个称为*霍普夫分岔的数学事件。或者，癫痫发作可能以一种缓慢、蠕动的振荡开始，然后不祥地加速成一次全面发作；这对应于一个不同的事件，即不变圆上的鞍点-节点（SNIC）*分岔。这些不仅仅是数学上的奇观。在癫痫患者的脑电图记录中观察到的不同类型的发作起始方式与这些独特的动力学特征相匹配。该模型提供了一座从抽象数学到临床表型的直接桥梁，为分类甚至有朝一日预测癫痫发作提供了一种新方法。
在帕金森病中，主要的运动症状与大脑一个名为基底节的回路内出现的病理性、持续性的贝塔波段（13-30 Hz）节律有关。具体来说，丘脑底核（STN）和苍白球外侧部（GPe）之间的环路充当了一个强有力的贝塔节律发生器。我们可以将 Wilson-Cowan 模型应用于这两个结构，将 STN 视为兴奋性，将 GPe 视为抑制性。帕金森病中神经调质多巴胺的丧失改变了该回路内的突触强度。在我们的模型中，这对应于改变控制稳定性的雅可比矩阵中的值。计算表明，多巴胺耗竭状态使系统更接近霍普夫分岔，降低了回路的自然“阻尼”，使其能像钟一样以贝塔频率振铃。病理性的贝塔节律并非外来入侵者；它是该回路的潜在节律，当多巴胺的调节影响丧失时被释放出来。
这种方法具有令人难以置信的通用性。在阿尔茨海默病中，一种假说认为淀粉样蛋白-β 斑块的积累损害了抑制性中间神经元的功能。我们可以通过减少模型中抑制性耦合的强度 来直接检验这个想法。然后，模型会预测大脑功率谱的特定变化，例如伽马功率的改变，我们可以在患者中寻找这些变化。
甚至更高层次的认知功能及其在成瘾等疾病中的破坏也可以被探索。工作记忆——在脑海中保持一条信息的能力——可以被建模为一个具有强循环兴奋的网络中的自我维持的“开启”状态。这种“吸引子”状态只有在兴奋性反馈回路足够强时才存在，而这一特性受到神经元增益的调节。已知这种增益由前额叶皮质中的多巴胺进行调整。在一些成瘾模型中，慢性药物使用可导致多巴胺能低下状态，从而有效地降低了这种增益。Wilson-Cowan 框架使我们能够看到其毁灭性的后果：如果增益降至临界阈值以下，吸引子状态就会崩溃。网络再也无法保持记忆；思想消失了。该模型在分子变化（多巴胺信号）、回路动力学（吸引子稳定性）和认知障碍之间提供了一个清晰的、机械性的联系。
从这些例子中浮现出一个优美而统一的主题。在帕金森病、阿尔茨海默病和成瘾中，一个共同的线索是神经调质系统的破坏——这是大脑用于即时重新配置其自身回路的系统。像多巴胺、血清素和乙酰胆碱这样的神经调质就像指挥的指挥棒。它们本身不演奏音符，但它们指示交响乐团的不同部分演奏得更响或更轻，更快或更慢。
在 Wilson-Cowan 模型中，这种指挥作用通过核心参数的改变来体现。神经调质可以改变神经元的有效增益（S 型曲线的斜率 ）或其有效时间常数 。对模型的一般性分析表明，这些参数功能极其强大。仅仅通过调高或调低神经元增益，神经调质就可以将一个安静的网络推过分岔点，进入一个充满活力的振荡状态，反之亦然。它可以稳定或破坏记忆状态。这提供了一个宏大的、统一的框架：许多大脑疾病和功能可以被理解为同一底层 E-I 回路的不同动力学状态，而神经调质则充当在这些状态之间切换网络的主开关。
Wilson-Cowan 模型的旅程远未结束。它的原理如此基础，以至于现在正被用于理解科学中最激动人心的前沿领域之一：生物混合计算。研究人员现在可以在培养皿中培养出小的、自组织的人脑组织团块，称为皮层类器官。当这些“迷你大脑”被放置在多电极阵列（MEA）上时，它们会产生复杂的、自发的电活动。
但这种活动意味着什么？它只是随机噪声，还是有结构？Wilson-Cowan 模型为理解这种复杂性提供了一个强大的工具。通过记录类器官的振荡并将模型拟合到数据中，科学家可以估算出活体神经回路的有效参数——其内部突触强度、时间常数、E-I 平衡。这使我们能够开始理解这个新生生物计算机的“规则”。该模型成为一座桥梁，将我们对神经回路的理论理解与一个活的、学习中的基底的真实电输出连接起来。一个诞生于理解大脑愿望的模型，现在正帮助我们构建和理解新形式的智能，这证明了简单而优美的思想所具有的持久力量。