皮层与小脑：两项研究，一项讲运动学习，一项讲表征改变

反馈有延迟时怎么稳住控制，机器人学和神经科学都头疼。经典的小脑模型用前向预测解释延迟补偿，却说不清生物体内那种快速的在线校正和同样快的适应从哪来。

预测加反馈

Ana Carolina Filipe、Rui Ponte Costa 和 Cláudia Soares 提出一套受小脑启发的控制方案，把多路复用的预测表征和内部反馈接在一起。编码器同时共享运动学变量和与任务相关的误差信号。反馈信号虽然延迟，运动仍能被精确校正。作者发现，只要把小脑回路里的反馈接进环路，适应就明显加快，学习时间缩短了一个数量级。结果还显示，有延迟时单靠一种信号做预测不够。多路复用和反馈合在一起，才构成一套机制，既能在线控制，又能快速学习。

不刺激也能改变表征

第二项研究问的是另一个问题。神经精神病学里，目标常常不是读出大脑活动，而是改变它，比如削弱负面的情感效价，或者削弱固化过度的记忆。Marco Rothernel 的团队提出一套基于机器学习的神经替代模型框架。它给出候选的表征改变，再根据刺激诱发的 fMRI 活动图像检验预测的知觉效果，全程不做物理刺激。方案把 fMRI 解码、深度生成建模和隐空间里的带约束控制结合起来。效价和可记忆性在这里只是工作示例。

数据来自 Natural Scenes Dataset，四名被深度研究的参与者提供了超过 3.6 万次图像与 fMRI 配对观测。按个人拟合的模型重建出视觉皮层的粗略生成结构，双向识别任务中得分 0.79 至 0.88，随机水平是 0.5。分级扰动被重建为图像，由自动评分器评估，也由 18 名参与者做了 7200 次试验的人类评分。基础模型里，效价从 -0.61 个标准差移到 +1.03 个标准差，可记忆性从 -1.34 个标准差移到 +1.45 个标准差。人类评分中，效价朝预测方向移动，平均斜率为每个系数单位 0.038 个标准差，置信区间 0.003 至 0.074，18 名参与者中有 16 人呈正值。感知到的可记忆性没有可靠变化。

作者把局限摆了出来，没有回避：与自动评分器的一致性，对效价只是提示性的，对可记忆性则很弱。极端扰动又偏离了原始刺激，所以预期的改变得和保真度的损失一起权衡。这不是现成的疗法，而是一件可检验的工具，用来设计未来神经调控的候选目标，并对它们做行为学测试。