皮层与小脑：两项关于运动学习与表征改变的研究

在反馈存在延迟的情况下实现稳定控制，是机器人学和神经科学共同面临的挑战。经典的小脑模型通过前向预测来解释延迟补偿，但无法说明生物系统中观察到的快速在线校正和同等速度的适应机制。

预测加反馈

Ana Carolina Filipe、Rui Ponte Costa 和 Cláudia Soares 提出了一种受小脑启发的控制方案，将多路复用的预测表征与内部反馈相结合。编码器共享运动学变量和任务相关的误差信号，使得即使反馈信号存在延迟，运动仍能被精确校正。作者表明，仅将反馈引入小脑回路就能显著加速适应过程，使学习时间缩短一个数量级。结果同时显示，在存在延迟时，基于单一信号的预测是不够的。只有多路复用与反馈结合，才能形成同时支持在线控制和快速学习的连贯机制。

无刺激下的表征改变

第二项研究关注不同的问题。在神经精神病学中，目标往往不是读取大脑活动，而是改变它，例如减弱负面的情感效价或过度固化的记忆。Marco Rothernel 的团队提出了一套基于机器学习的神经替代模型框架。该框架提出候选的表征改变，并基于刺激诱发的 fMRI 活动图像测试预测的知觉效果，全程不进行物理刺激。该方案结合了 fMRI 解码、深度生成建模以及隐空间中的约束控制。效价和可记忆性在此仅作为工作示例。

数据来自 Natural Scenes Dataset，四名经过深入研究的参与者提供了超过 36000 次图像-fMRI 配对观测。针对个人拟合的模型重建了视觉皮层的粗略生成结构，在双向识别任务中得分从 0.79 到 0.88，随机水平为 0.5。分级扰动被重建为图像，由自动评估器评估，并由 18 名参与者完成 7200 次试验的人类评分。在基础模型中，效价从 -0.61 个标准差移至 +1.03 个标准差，可记忆性从 -1.34 个标准差移至 +1.45 个标准差。在人类评分中，效价朝预测方向移动，平均斜率为每单位系数 0.038 个标准差，置信区间为 0.003 至 0.074，18 名参与者中有 16 人呈正值。感知到的可记忆性未发生可靠变化。

作者明确指出了局限性：与自动评估器的一致性对效价仅具提示性，对可记忆性则较弱。极端扰动偏离了原始刺激，因此预期的改变需与保真度损失进行权衡。这不是现成的治疗方法，而是一个可检验的工具，用于设计未来神经调控的候选目标并进行行为学测试。