從神經動力學到意識：跨尺度計算、演化與涌現丨計算神經科學第三季·讀書會啟動

導語

從單個神經元的放電到全腦范圍的意識涌現，理解智能的本質與演化始終是一個關于尺度的問題。更值得深思的是，無論是微觀的突觸可塑性、介觀的皮層模塊自組織，還是宏觀的全局信息廣播，不同尺度的動力學過程都在共同塑造著認知與意識。這說明，對心智的研究從最初就必須直面一個核心挑戰：局部的神經活動如何整合為統一的體驗？局域的網絡連接又如何支撐靈活的智能行為？

繼「」與「」讀書會后，集智俱樂部聯合來自數學、物理學、生物學、神經科學和計算機的一線研究者共同發起「從神經動力學到意識：跨尺度計算、演化與涌現」讀書會，跨越微觀、介觀與宏觀的視角，探索意識與智能的跨尺度計算、演化與涌現。重點探討物理規律與人工智能如何幫助我們認識神經動力學，以及神經活動跨尺度的計算與演化如何構建微觀與宏觀、結構與功能之間的橋梁。

讀書會背景

傳統神經科學往往聚焦于特定尺度——或是分子機制，或是腦區功能。但現代研究正在打破這種分野。當重尾網絡揭示神經編碼的新規律，當發育中的皮層自發形成跨物種的通用結構，當多腦區協同涌現出意識狀態時，我們不得不重新思考：智能是特定尺度的專屬現象，還是所有層次共同作用的結果？不同尺度的過程如何相互約束、相互促進？這些追問正在重塑我們對大腦和心智的理解。

讀書會簡介

本次讀書會我們將探討神經元如何通過重尾連接產生臨界雪崩和低維混沌等非線性動力學，揭示局部神經環路中的異質性如何增強神經網絡的信息處理能力；視皮層自組織、多腦區發育等過程，分析神經模塊（Modular Structure）如何通過圖靈不穩定性形成功能特化結構，探索進化保守性與環境適應性之間的張力；AI 驅動的腦建模如何幫助我們建立連接神經機制與認知功能的跨尺度理論框架；全腦信息整合如何連接微觀放電模式與宏觀意識狀態，構建解釋層級間相互作用的數學語言。

我們將探討如下核心問題：

1. 重尾連接分布如何塑造神經網絡的動力學和信息處理？

2. 如何用數學語言刻畫初級視皮層跨物種的發育動力學？

3. 發育過程如何幫助大腦實現高效信息處理？

4. 意識產生在哪個尺度？如何定量刻畫？

5. GNW的數學框架是什么？如何用計算模型來驗證？

6. 用什么模型擬合多尺度神經數據，實現穩健的跨尺度建模？

你將收獲：

1. 前沿視野：本季發起人是來自海內外知名的研究團隊，且在科研一線實踐的年輕學者，能夠帶來理解神經、認知、智能與演化的前沿視野；

2. 跨學科社區：把你的問題帶來，與來自數學、物理學、生物學、神經科學與人工智能領域的一線學者對話、交流，從多學科視角探索解法；

3. 理論與工具：掌握動力系統、復雜網絡、因果涌現、計算建模等跨學科研究理論與工具，將其應用在自己的研究中。

讀書會框架

發起人團隊

楊駿，佐治亞理工學院（Georgia Tech）定量生物學在讀博士，本科畢業于清華大學，獲得了數理基礎科學 + 電氣工程雙學士學位。本科時曾師從 Sukbin Lim 和 Mayank Mehta 研究神經科學。在Audrey Sederberg的實驗室完成短暫輪轉后，現在正在 Hannah Choi 的實驗室探索網絡模體（motif）對動力學的影響。研究興趣：神經編碼理論與神經動力學。

鄒立誠，馬克斯普朗克動力學與自組織研究所博士生，師從神經物理學家Fred Wolf。本科就讀于上海交通大學致遠學院數學方向，于李松挺及周棟焯課題組取得學士學位。碩士畢業于荷蘭阿姆斯特丹大學生物醫學科學系，在讀期間曾長期訪問巴塞羅那國際數學研究中心及哥廷根靈長類動物研究所。 研究興趣：記憶的表征與存儲，突觸動力學，皮層尺度的神經元動力學模擬，初級視皮層發育與進化的定量研究。

孔德玥，法蘭克福高等研究院在讀博士生，師從 Matthias Kaschube 教授。本科畢業于香港科技大學，獲得計算機+細胞生物學學位，在胡禹老師課題組完成畢業論文。研究興趣：神經環路的早期發育，神經動力學，光遺傳對神經環路的擾動。

王志鵬，北京師范大學在讀博士，師從張江教授，研究興趣包括復雜系統多尺度建模、因果涌現等。

吳佳銘，巴黎薩克雷大學物理學博士，師從 Marcelo Rozenberg 教授，研究興趣：固體物理、腦計算、神經網絡動力學、具身智能等。

李宗晟，香港中文大學（深圳）在讀博士，師從南方科技大學劉泉影教授，本科畢業于大連理工大學，碩士畢業于南洋理工大學。在廣東省智能科學與技術研究院陳洛南老師的實驗室完成科研助理的短暫輪轉后，現聚焦于人工智能與神經計算方向。研究興趣包括 AI 孿生腦建模，神經數據解碼，情緒動力學等。

報名參與讀書會

運行模式

從2025年9月20日開始，每周六晚上19:00-21:00，持續時間預計8周左右，按讀書會框架設計，每周進行線上會議，與主講人等社區成員當面交流，會后可以獲得視頻回放持續學習。

報名方式

第一步：微信掃碼填寫報名信息。

掃碼報名（可開發票）

第二步：填寫信息后，付費報名。如需用支付寶支付，請在PC端進入讀書會頁面報名支付：

https://pattern.swarma.org/study_group/69?from=wechat

第三步：添加運營負責人微信，拉入對應主題的讀書會社區（微信群）。

PS：為確保專業性和討論的聚焦，本讀書會謝絕脫離讀書會主題和復雜科學問題本身的空泛的哲學和思辨式討論；如果出現討論內容不符合要求、經提醒無效者，會被移除群聊并對未參與部分退費。

讀書會運營負責人

加入社區后可以獲得的資源：

完整權限，包括線上問答、錄播回看、資料共享、社群交流、信息同步、共創任務獲取積分等。

參與共創任務獲取積分，共建學術社區：

讀書會采用共學共研機制，成員通過內容共創獲積分（字幕修改、讀書會筆記、論文速遞、公眾號文章、集智百科、論文解讀等共創任務），積分符合條件即可退費。

PS：具體參與方式可以加入讀書會后查看對應的共創任務列表，領取任務，與運營負責人溝通詳情，上述規則的最終解釋權歸集智俱樂部所有。

讀書會閱讀材料

閱讀材料較長，為了更好的閱讀體驗，建議您前往集智斑圖沉浸式閱讀，并可收藏感興趣的論文。

https://pattern.swarma.org/article/365

「從神經動力學到意識：跨尺度計算、演化與涌現」讀書會閱讀清單

主題一 重尾神經網絡的動力學與儲備池計算

召集人：楊駿

介紹：傳統的RNN模型通常假設神經元之間具有強度服從高斯分布的全連接或者具有相同強度的稀疏連接。然而，實驗和理論表明神經元之間的連接強度更接近重尾（heavy-tailed）分布。由于重尾分布的二階矩通常發散，常規的分析理論如動力學平均場（dynamic mean-field）和擴散近似不再適用。所以，重尾神經網絡的動力學與經典的高斯或稀疏均勻神經網絡完全不同，將經典 RNN 理論推廣到重尾 RNN 對連接理論與實驗結果具有重要意義。在這一部分，我們將回顧關于重尾 RNN 動力學的文獻，對比高斯網絡和重尾網絡的動力學，并討論這些理論結果在神經科學背景下的意義和其他開放問題。

核心關注問題：

1. 重尾連接分布如何塑造神經網絡的動力學和信息處理？

2. 重尾網絡動力學是否與真實腦網絡的動力學更接近？

3. 重尾神經網絡在機器學習領域有什么潛在的應用？

核心文獻：

這是第一篇討論重尾神經網絡性質的文獻。這篇文章發現 Cauchy 連接 RNN 有類似神經元雪崩的臨界行為。

1. Ku?mierz, ?., S. Ogawa and T. Toyoizumi (2020). "Edge of Chaos and Avalanches in Neural Networks with Heavy-Tailed Synaptic Weight Distribution." Physical Review Letters125(2): 028101.

第一篇討論重尾 SNN 的文獻。將經典神經網絡的 population density method 中的擴散近似推廣到重尾神經網絡的分數階擴散近似。

1. Wardak, A. and P. Gong (2021). "Fractional diffusion theory of balanced heterogeneous neural networks." Physical Review Research3(1): 013083.

研究了一個純抑制性的 lognormal 網絡，并考慮了連接的對稱性如何破壞遍歷性（lognormal 的二階矩有限）。

1. Berlemont, K. and G. Mongillo (2022). "Glassy phase in dynamically-balanced neuronal networks." bioRxiv: 2022.2003.2014.484348.

唯一一篇討論連續時間重尾神經網絡動力學的文章。給出了重尾隨機矩陣的譜密度和 Lévy 平均場理論，發現了重尾神經網絡動力學的多重分形結構，并討論了局域化對于儲備池計算（reservoir computing）的意義。

1. lWardak, A. and P. Gong (2022). "Extended Anderson Criticality in Heavy-Tailed Neural Networks." Physical Review Letters129(4): 048103.

推廣到有限大的 Lévy α-stable 離散時間 RNN，詳細討論了動力學的維數問題。

1. Xie, Y., S. Mihalas and ?. Ku?mierz (2025). "Slow Transition to Low-Dimensional Chaos in Heavy-Tailed Recurrent Neural Networks." arXiv. 將 Ku?mierz et al. (2020)

這篇文章使用了包含一種興奮性神經元和 PV, SST, VIP 三種抑制性神經元的稀疏 lognormal SNN，但沒有對該網絡的詳細動力學分析。

1. Guo, L. and A. Kumar (2023). "Role of interneuron subtypes in controlling trial-by-trial output variability in the neocortex." Communications Biology6(1): 874.

發現在具有隨距離 lognormal 分布的連接強度的 SNN 中存在一種次序傳播。

1. Riquelme, J. L., M. Hemberger, G. Laurent and J. Gjorgjieva (2023). "Single spikes drive sequential propagation and routing of activity in a cortical network." eLife12: e79928.

高斯神經網絡的經典文獻。給出了經典混沌 RNN 的 Lyapunov 譜。

1. Engelken, R., F. Wolf and L. F. Abbott (2023). "Lyapunov spectra of chaotic recurrent neural networks." Physical Review Research5(4).

高斯神經網絡的經典文獻。討論了連接的一階和二階統計量如何影響經典 RNN 的 participation ratio（PR）維數。

1. Clark, D. G., L. F. Abbott and A. Litwin-Kumar (2023). "Dimension of Activity in Random Neural Networks." Physical Review Letters131(11): 118401.

聯系了高斯 RNN 和稀疏均勻 RNN 的混沌相變，并討論了 SNN 中的類似現象。

1. Kadmon, J. and H. Sompolinsky (2015). "Transition to Chaos in Random Neuronal Networks." Physical Review X5(4).

高斯神經網絡經典文獻。討論了混沌相的平衡點分布。

1. Stubenrauch, J., C. Keup, A. C. Kurth, M. Helias and A. van Meegen (2025). "Fixed point geometry in chaotic neural networks." Physical Review Research7(2): 023203.

從理論上給出了從協方差分布區分混沌邊緣和臨界雪崩兩種臨界動力學的方法。

1. Dahmen, D., S. Grün, M. Diesmann and M. Helias (2019). "Second type of criticality in the brain uncovers rich multiple-neuron dynamics." Proceedings of the National Academy of Sciences116(26): 13051-13060.

第一篇討論 RNN 動力學局域化的文獻。

1. Monteforte, M. and F. Wolf (2010). "Dynamical Entropy Production in Spiking Neuron Networks in the Balanced State." Physical Review Letters105(26): 268104.

簡單的可塑性規則如何產生重尾分布的連接。

1. Lynn, C., C. Holmes and S. Palmer (2024). "Heavy-tailed neuronal connectivity arises from Hebbian self-organization." Nature Physics20: 1-8.

處理稀疏均勻 SNN 的經典方法。

1. Brunel, N. and V. Hakim (2022). Population density model. Encyclopedia of Computational Neuroscience. D. Jaeger and R. Jung, Springer, New York, NY:2846-2865.

社區招募：

Morrell 模型通過引入若干個緩變隱變量可以產生類似于生物神經網絡中觀察到的臨界雪崩。

1. Morrell, M. C., I. Nemenman and A. Sederberg (2024). "Neural criticality from effective latent variables." eLife12: RP89337.

2. Morrell, M. C., A. J. Sederberg and I. Nemenman (2021). "Latent Dynamical Variables Produce Signatures of Spatiotemporal Criticality in Large Biological Systems." Physical Review Letters126(11): 118302.

召集人：鄒立誠

靈長類動物的初級視皮層（primary visual cortex，V1） 擁有大量對朝向展現選擇性（orientation selective）的興奮性神經元，這一經典的實驗現象自50年代由諾獎得主 Hubel & Wiesel 匯報起便吸引了廣泛的研究，直至今日已取得眾多突破性認識。其中，非齒類大目動物（Non-Glires）成熟 V1 神經元群的偏好朝向在空間分布上呈垂直方向一致，水平方向似周期（quasi-periodic）變化的特點。該空間分布模式被稱為 Orientation Preference Map（OPM），其形成的機制吸引了眾多理論神經物理學家的興趣。OPM 如何從剛出生時的 absence 到成熟時的 presence 可以用非平衡統計物理中的圖靈不穩定性來定量描述，該模型預測了V1 OPM擁有奇異點密度（pinwheel density）為圓周率常數 π 的跨物種 common design, 并于2010年由 (Kaschube et al., 2010, Science) 分析光學成像數據證實。這一轟動性的成果推斷該 common design 是視皮層進化的必然結果，其形成只依賴 V1 神經元在靜息態的自組織（self-organization）而非此前長期認為的由視網膜和丘腦調控。在之后的15年間不同實驗室對不同物種的視覺實驗證明了該推斷的可靠性。因此，如何用圖靈不穩定性的自組織理論定量理解視皮層在進化與發育中的模式形成（pattern formation）是本期讀書會所關心的話題，我們將從實驗和理論兩個方面并行出發，回顧針對 OPM common design 探索的歷史長河中兩者如何互相啟發并一步步揭開其神秘面紗。

核心關注問題：

1. 如何用數學語言定量地描述初級視皮層跨物種的發育動力學？

2. 什么是朝向選擇性，為什么關心初級視皮層神經元的朝向選擇性？

3. 實驗和理論如何相互啟發與推動初級視皮層的研究？

核心文獻：

介紹了為什么OPM的common design是進化的結果。

1. Schmidt, K. E., & Wolf, F. (2021). Punctuated evolution of visual cortical circuits? Evidence from the large rodent Dasyprocta leporina, and the tiny primate Microcebus murinus. Current opinion in neurobiology, 71, 110-118.

第一次在in-vivo論證了V1的發育是自組織。

1. Mulholland, H. N., Kaschube, M., & Smith, G. B. (2024). Self-organization of modular activity in immature cortical networks. Nature communications, 15(1), 4145.

轟動性成果，發現Π=visual cortex。

1. Kaschube, M., Schnabel, M., L?wel, S., Coppola, D. M., White, L. E., & Wolf, F. (2010). Universality in the evolution of orientation columns in the visual cortex. science, 330(6007), 1113-1116.

第一個也是唯一一個能定量擬合所有OPM統計學性質的模型

1. Wolf, F. (2005). Symmetry, multistability, and long-range interactions in brain development. Physical review letters, 95(20), 208701.

這篇文章很勇，直接否定了OPM的形成是由視網膜和丘腦決定的。

1. Smith, G. B., Hein, B., Whitney, D. E., Fitzpatrick, D., & Kaschube, M. (2018). Distributed network interactions and their emergence in developing neocortex. Nature neuroscience, 21(11), 1600-1608.

也順便推薦一些反對V1 self-organization的文獻，這幾篇也是經典

1. Schottdorf, M., Keil, W., Coppola, D., White, L. E., & Wolf, F. (2015). Random wiring, ganglion cell mosaics, and the functional architecture of the visual cortex. PLoS computational biology, 11(11), e1004602.

2. Ferster, D., & Miller, K. D. (2000). Neural mechanisms of orientation selectivity in the visual cortex. Annual review of neuroscience, 23(1), 441-471.

3. Paik, S. B., & Ringach, D. L. (2011). Retinal origin of orientation maps in visual cortex. Nature neuroscience, 14(7), 919-925.

4. Najafian, S., Koch, E., Teh, K. L., Jin, J., Rahimi-Nasrabadi, H., Zaidi, Q., ... & Alonso, J. M. (2022). A theory of cortical map formation in the visual brain. Nature communications, 13(1), 2303.

這個模型在2025年來看確實錯的離譜，但站在當時的角度確實是很前沿的理論。

1. Wolf, F., & Geisel, T. (1998). Spontaneous pinwheel annihilation during visual development. Nature, 395(6697), 73-78.

社區招募：

1. Fumarola, F., Hein, B., & Miller, K. D. (2022). Mechanisms for spontaneous symmetry breaking in developing visual cortex. Physical Review X, 12(3), 031024.

召集人：孔德玥

理解大腦如何從發育早期的相對均質狀態逐漸分化形成功能高度特異化的成熟皮層區域（如處理感官信息的初級視皮層V1與負責復雜認知的前額葉皮層PFC），是神經科學的核心問題之一。傳統理論主要關注不同腦區先天預置或后天經驗驅動的獨特組織模式。在本期讀書會中，我們將聚焦大腦功能形成的三個關鍵方面：共享起點、協同演化，和情境驅動。具體而言，首先，早期共有的模塊化網絡為跨腦區提供了通用功能基礎；繼而，保守的發育程序結合區域特異性調整逐漸塑造了成熟腦區的結構差異；最終，在特定感覺或認知情境下，區域特異的動態計算機制（如V1的刺激強度依賴性切換機制）得以實現高效的信息處理。我們將特別探討興奮-抑制平衡如何在這三個階段中發揮核心調控作用。

核心關注問題：

1. 發育過程中，大腦的神經活動，連接結構和功能經歷了哪些變化？

2. 興奮和抑制神經元群體群體活動如何調控大腦的發育過程？

3. 發育如何幫助大腦實現高效信息處理？

核心文獻：

這篇講的是早期發育中自發活動的空間結構

1. N.J. Powell, B. Hein, D. Kong, J. Elpelt, H.N. Mulholland, M. Kaschube, & G.B. Smith, Common modular architecture across diverse cortical areas in early development, Proc. Natl. Acad. Sci. U.S.A. 121 (11) e2313743121, https://doi.org/10.1073/pnas.2313743121 (2024).

展示了早期自發活動和特征選擇性之間存在的關系

1. Smith, G. B., Hein, B., Whitney, D. E., Fitzpatrick, D., & Kaschube, M. (2018). Distributed network interactions and their emergence in developing neocortex. Nature neuroscience, 21(11), 1600-1608.

神經非線性如何實現情境相關調節

1. Rubin DB, Van Hooser SD, Miller KD. The stabilized supralinear network: a unifying circuit motif underlying multi-input integration in sensory cortex. Neuron. 2015 Jan 21;85(2):402-17. doi:10.1016/j.neuron.2014.12.026.

這篇主要講發育過程中自發神經活動和視覺刺激導致的神經活動如何變得更相似，以及什么樣的環路連接結構變化在這之中起作用

1. Tr?genap, S., Whitney, D.E., Fitzpatrick, D. et al. The developmental emergence of reliable cortical representations. Nat Neurosci 28, 394–405 (2025). https://doi.org/10.1038/s41593-024-01857-3

基于小鼠的實驗數據，這篇的作者們提出了比較完整的神經環路面對光遺傳擾動的反應理論

1. Chau HY, Miller KD, Palmigiano A. Exact linear theory of perturbation response in a space- and feature-dependent cortical circuit model. bioRxiv [Preprint]. 2025 Jun 21:2024.12.27.630558. doi: 10.1101/2024.12.27.630558. PMID: 39896520; PMCID: PMC11785077.

開放招募：

這兩篇都是關于光遺傳擾動后神經環路反應的建模工作

1. O’Shea, Daniel J., Lea Duncker, Werapong Goo, Xulu Sun, Saurabh Vyas, Eric M. Trautmann, Ilka Diester, Charu Ramakrishnan, Karl Deisseroth, Maneesh Sahani, and Krishna V. Shenoy. 2022. ‘Direct Neural Perturbations Reveal a Dynamical Mechanism for Robust Computation’. 2022.12.16.520768.

2. Oldenburg IA, Hendricks WD, Handy G, Shamardani K, Bounds HA, Doiron B, Adesnik H. The logic of recurrent circuits in the primary visual cortex. Nat Neurosci. 2024 Jan;27(1):137-147. doi: 10.1038/s41593-023-01510-5. Epub 2024 Jan 3. PMID: 38172437; PMCID: PMC10774145.

召集人：王志鵬

意識橫跨宏觀體驗與微觀神經活動，但連接這兩個尺度仍具挑戰性?，F有主流理論（如整合信息理論）往往聚焦單一尺度，忽視了因果效力及其動力學如何在跨尺度上展開，以及這些過程如何依賴于信息整合。研究進展受限于跨尺度數據的匱乏，以及量化多尺度因果關系與動力學的困難。在此，我們提出一個用于多尺度動力學分析的機器學習框架，并將其應用于小鼠背側皮層在清醒、麻醉和恢復狀態下的近細胞分辨率鈣信號數據。該框架通過學習層級因果變量，量化跨尺度因果效應、動力學過程及信息整合。微觀層面信息的全局整合產生了潛在宏觀變量，這些變量生成多尺度因果效力。當因果效力達到峰值時，一個表征意識狀態的一維宏觀變量隨之涌現，在清醒狀態下呈現亞穩態鞍點動力學特征，而在麻醉狀態下則坍縮為局部化的低因果狀態。這些發現建立了一個連接神經活動與意識狀態的層級因果框架。

核心關注問題：

1. 意識產生在哪個尺度？宏觀、介觀、微觀還是都存在？

2. 大腦是如何進行多層級信息聚合的？

3. 如何定量刻畫大腦的意識動力學？

核心文獻：

這篇文章是一種基于有效信息最大化的因果涌現識別方法，可以用于構建多尺度的大腦動力學

1. Mingzhe Yang, Zhipeng Wang, Kaiwei Liu, Yingqi Rong, Bing Yuan, and Jiang Zhang. Finding emergence in data by maximizing effective information. National Science Review, 12(1):nwae279, 2025.

這是IIT1.0整合信息論的論文，提出了意識度的衡量指標, 該工作認為意識發生在值最大的子系統中。

1. Tononi, G. (2004). An information integration theory of consciousness. BMC neuroscience, 5(1), 42.

這篇文章是計算因果力分布的涌現復雜度的方法，可以用來量化大腦動力學系統中的多尺度的因果貢獻分布的均勻程度

1. Erik Hoel. Causal emergence 2.0: Quantifying emergent complexity. arXiv preprint arXiv:2503.13395, 2025.

1. Luppi, A. I., Mediano, P. A., Rosas, F. E., Allanson, J., Pickard, J., Carhart-Harris, R. L., ... & Stamatakis, E. A. (2024). A synergistic workspace for human consciousness revealed by integrated information decomposition. Elife, 12, RP88173.

2. Luppi, Andrea I., et al. A synergistic core for human brain evolution and cognition. Nature Neuroscience 25.6 (2022): 771-782.

開放招募：

1. Luppi, A. I., Craig, M. M., Pappas, I., Finoia, P., Williams, G. B., Allanson, J., ... & Stamatakis, E. A. (2019). Consciousness-specific dynamic interactions of brain integration and functional diversity. Nature communications, 10(1), 4616.

2. Luppi, A. I., Cabral, J., Cofre, R., Destexhe, A., Deco, G., & Kringelbach, M. L. (2022). Dynamical models to evaluate structure–function relationships in network neuroscience. Nature Reviews Neuroscience, 23(12), 767-768.

簡介：全局神經元工作空間（Global Neuronal Workspace, GNW）理論是當前意識研究領域最具影響力的理論之一。GNW的核心觀點認為，大腦由多個模塊化的無意識處理器構成，而意識的產生過程，源于特定信息通過模塊間的競爭機制進入 “全局工作空間”，并實現全腦范圍的信息整合與廣播。其計算模型通過微分方程模擬“神經元點火”過程，預測了神經活動的全局廣播模式，將抽象理論轉化為可驗證的數學框架。這是一種當信息進入全局工作空間時，由局部向全腦爆發式擴散的現象，它與“神經元雪崩”等大腦臨界狀態下的動態模式存在深刻聯系。同時，也有觀點認為，在意識的 “簡單問題”，如意識的神經機制和功能上，GNW取得了顯著成果；但在意識的“困難問題”，即如何解釋意識的主觀體驗上，它仍未給出答案。本期讀書會，我們將從神經激活的雪崩等實驗現象出發，介紹GNW的主要觀點、計算模型、“全局廣播” 機制與小世界網絡特性等，并討論其在“意識的難題”等方面所遇到的挑戰。

核心關注問題：

1. GNW的數學框架是什么？如何用計算模型來驗證？

2. 意識來源于自下而上的“廣播”還是自上而下的“整合”？

3. GNW理論能否解釋主觀體驗這一意識“難題”？

核心文獻：

最初的全局工作空間理論的核心論點，比較定性、心理學

1. Baars, Bernard J. A cognitive theory of consciousness. Cambridge University Press, 1993.

這本是比較綜合性地介紹GNW的書籍

1. Dehaene, Stanislas. Consciousness and the brain: Deciphering how the brain codes our thoughts. Penguin, 2014.

這篇是Dehaene和Changeux開發的GNW的計算模型，使用微分方程模擬神經元雪崩和點火過程，預測神經活動的時空模式

1. Dehaene, S., & Changeux, J. P. (2005). Ongoing spontaneous activity controls access to consciousness: a neuronal model for inattentional blindness. PLoS biology, 3(5), e141.

一篇比較近的綜述，結合實驗證據進行了討論

1. Mashour, George A., et al. "Conscious processing and the global neuronal workspace hypothesis." Neuron 105.5 (2020): 776-798.

1. Baars, Bernard J., Stan Franklin, and Thomas Zoega Ramsoy. "Global workspace dynamics: cortical “binding and propagation” enables conscious contents." Frontiers in psychology 4 (2013): 200.

2. Dehaene, Stanislas, and Jean-Pierre Changeux. "Neural mechanisms for access to consciousness." (2004): 1145-1157.

3. Shanahan, Murray. "A spiking neuron model of cortical broadcast and competition." Consciousness and Cognition 17.1 (2008): 288-303.

4. Wajnerman Paz, Abel. "The global neuronal workspace as a broadcasting network." Network Neuroscience 6.4 (2022): 1186-1204.

5. VanRullen, Rufin, and Ryota Kanai. "Deep learning and the global workspace theory." Trends in Neurosciences 44.9 (2021): 692-704.

6. Connor, Dustin, and Murray Shanahan. "A computational model of a global neuronal workspace with stochastic connections." Neural Networks 23.10 (2010): 1139-1154.

社區招募：

這是近年意識科學領域最受關注的一系列理論對抗性協作之一，本文主要是全局神經元工作空間理論和整合信息論的實驗測試結果

1. Cogitate Consortium., Ferrante, O., Gorska-Klimowska, U. et al. Adversarial testing of global neuronal workspace and integrated information theories of consciousness. Nature642, 133–142 (2025).

非常全面地綜述了各種主流意識理論

1. Seth, A.K., Bayne, T. Theories of consciousness. Nat Rev Neurosci23, 439–452 (2022).

主題六 基于人工智能的多尺度腦網絡連接建模

召集人：李宗晟

腦網絡的組織具有明顯的多尺度特征：在腦科學研究中，理解腦網絡內如何跨越不同尺度的連接與互動，始終是重要的科學問題之一。從單個神經元的微觀突觸，到腦區之間的中觀網絡，再到全腦范圍的宏觀動力學，大腦呈現出多層次的網絡結構與時序活動。不同層次的腦網絡連接也展示了不同的意義。結構連接（SC）描述了神經元/腦區之間的解剖性連線。功能連接（FC）描述了神經信號的在時間上的協變關系。有效連接（EC）則更進一步，揭示信息流動的方向和機制。而無論是記憶與意識等高級功能，還是腦疾病的診斷與干預，往往都依賴于腦區間的有向信息流。對腦內因果關系的建模一直是很有價值的問題，但傳統的建模方法往往只聚焦于某一單一尺度，難以解釋跨尺度的相互作用與復雜涌現機制。近年來，人工智能的蓬勃發展為跨尺度連接建模提供了新的契機。通過結合腦科學先驗知識與數據驅動的建模方法，人工智能能夠自動學習不同尺度下的潛在因果關系，并量化跨尺度的動力學模式。本期讀書會，我們將從不同層級的腦網絡連接出發，通過多層神經網絡、跨模態建模與對齊、因果推斷與AI可解釋性分析，討論多尺度腦網絡鏈接建模的意義與可行性。

核心關注問題：

1. 用怎樣的模型擬合不同尺度的神經數據，如何基于稀疏數據實現穩健的跨尺度建模？

2. 不同層次的腦網絡連接怎么定義，有怎樣的意義，如何分析？

3. 當沒有 ground truth 腦連接時，如何驗證模型訓練的充分性與合理性？

核心文獻：

Friston 是最早明確區分了功能連接與有效連接的學者。這兩篇文章分別完成了：提出了兩者的差異，系統性的闡述了不同層次連接的區別。是本專題討論的科學問題的核心背景。

1. Friston, K. J. (1994). Functional and effective connectivity in neuroimaging: A synthesis. Human Brain Mapping, 2(1–2), 56–78. Friston (2011). Functional and effective connectivity: a review. Brain Connectivity, 1(1), 13–36.

這篇文章提出了用人工智能做AI孿生腦，并用虛擬擾動構建全腦連接組的通用框架。

1. Luo, Z., Peng, K., Liang, Z. et al. Mapping effective connectivity by virtually perturbing a surrogate brain. Nat Methods22, 1376–1385 (2025).

這篇文章提供了一種可解釋性更強的人工智能腦網絡建模腦網絡的方法。

1. Lu, Z., Zhang, W., Le, T., Wang, H., Sümbül, U., SheaBrown, E. T., & Mi, L. (2025, January). NetFormer: An interpretable model for recovering dynamical connectivity in neuronal population dynamics. In The Thirteenth International Conference on Learning Representations.

1. Kim, S. et al. Whole-brain mapping of effective connectivity by fMRI with cortex-wide patterned optogenetics. Neuron111, 1732–1747 (2023).

2. Park, H.-J., & Friston, K. Structural and functional brain networks: from connections to cognition. Science 342, 1238411 (2013).

3. Seguin, C., Sporns, O., & Zalesky, A. Brain network communication: concepts, models and applications. Nat. Rev. Neurosci. 24, 557–574 (2023).

4. Friston, K.?J., Kahan, J., Biswal, B. & Razi, A. A DCM for resting state fMRI. NeuroImage 94, 396–407 (2014).

5. Lappalainen, J.K., Tschopp, F.D., Prakhya, S. et al. Connectome-constrained networks predict neural activity across the fly visual system. Nature634, 1132–1140 (2024).

6. Stepaniants, George, Bingni W. Brunton, and J. Nathan Kutz. "Inferring causal networks of dynamical systems through transient dynamics and perturbation." Physical Review E 102.4 (2020): 042309.

7. Randi, Francesco, Anuj K. Sharma, Sophie Dvali, Andrew M. Leifer, et al. “Neural Signal Propagation Atlas of Caenorhabditis elegans.” Nature, vol. 623, 2023, pp. 406–414. DOI:10.1038/s41586-023-06683-4.

開放招募：

本文簡要綜述了用于評估結構–功能關系的動力學建模方法，為理解腦網絡中解剖約束與功能活動之間的耦合提供了理論框架，是開展多尺度連接建模的重要參考。

1. Luppi, A. I., Cabral, J., Cofre, R., Deco, G., & Kringelbach, M. L. (2022). Dynamical models to evaluate structure–function relationships in network neuroscience. Nature Reviews Neuroscience, 23(12), 767–768.

本文系統總結了多尺度腦網絡的建模思路，從微觀到宏觀層次揭示大腦組織的層級特征，為探索跨尺度因果機制提供了理論與方法論背景。

1. Betzel, Richard F., Andrea Avena-Koenigsberger, and Olaf Sporns. "Colloquium: Multiscale modeling of brain network organization." Reviews of Modern Physics 94.3 (2022): 031002.