Synaptic Plasticity as a Function of the Temporal Derivative

想象一下，你的大脑是一个由神经元组成的巨大且繁忙的城市，它不断尝试着如何学习和适应。长期以来，科学家们一直在思考：大脑是否使用了与我们最先进的人工智能（AI）相同的“神奇公式”来进行学习？这个公式被称为反向传播（backpropagation），它基本上是一种检查错误并调整连接以在下次做得更好的方法。

这篇论文指出，大脑可能使用了一个非常巧妙的捷径来完成类似的事情，它利用了一个被称为时间导数（temporal derivative）的概念。用通俗的话来说，这仅仅意味着观察事物随时间变化的快慢，而不仅仅是观察在某一特定时刻活动有多剧烈或多活跃。

实验：一场与时间的赛跑

为了测试这一点，研究人员在培养皿中使用小鼠脑组织切片进行了一个小实验。他们想看看脑活动变化的方向是否能告诉一个连接应该变强还是变弱。

将 200 毫秒（极短的一瞬间）的时间窗口视为一个学习周期的单个“心跳”。他们将这个心跳分为两半：前 100 毫秒和后 100 毫秒。

他们通过混合两种因素创建了四种不同的场景：

1. “发送者”神经元放电的速度（要么是慢速的每秒 25 次，要么是快速的每秒 50 次）。
2. “接收者”神经元的兴奋程度（要么是低电压，要么是高电压）。

他们测试了每一种组合：

• 场景 A（攀升）： 发送者从慢速开始然后加速。接收者从平静开始然后变得非常兴奋。（低 $\rightarrow$ 高）
• 场景 B（下滑）： 发送者从快速开始然后减速。接收者从非常兴奋开始然后变得平静。（高 $\rightarrow$ 低）
• 场景 C（平线）： 发送者全程保持低速且稳定的节奏。（稳定低）
• 场景 D（高原）： 发送者全程保持高速且稳定的节奏。（稳定高）

结果：趋势才是关键

以下是他们的发现，这支持了大脑追踪活动趋势的观点：

• 攀升（低到高）： 当活动像火箭升空一样上升时，神经元之间的连接会变得更强。在脑科学中，这被称为 LTP（长时程增强）。这就像是大脑在说：“嘿，情况变得越来越激烈了！让我们把这条路径加强，以便记住它。”
• 下滑（高到低）： 当活动像球滚下山坡一样下降时，连接会变得更弱。这是 LTD（长时程压抑）。大脑本质上是在说：“情况正在减弱；让我们放松这种连接。”
• 平线（稳定低或稳定高）： 这是最有趣的部分。即使神经元以非常高且稳定的速率放电（场景 D），也没有发生任何变化。连接保持完全不变。

核心启示

关键的教训是，大脑不仅仅关心有多少活动在发生，它更关心这些活动是如何移动的。

把这想象成音响上的音量旋钮：

• 如果你慢慢把音量调大，大脑会注意到这种变化并加强连接。
• 如果你慢慢把音量调小，大脑会削弱连接。
• 但是，如果你只是让音量旋钮卡在最大值且不动它，大脑就会忽略它。即使音乐很大声，也不会发生学习。

论文得出结论，这种简单的机制——观察活动的“上升”或“下降”趋势——可能是大脑近似于 AI 用于学习的复杂数学运算的一种方式，而无需依赖中央计算机来计算误差。这是一种局部、自动化的方式，让神经元知道何时该收紧抓握，以及何时该松开。