近日，北京大学心理与认知科学学院博雅特聘教授、麦戈文脑科学所研究员、教育部长江特聘教授吴思做客脑客中国科研直播间，作为第221位讲者，以“连续吸引子神经网络：模型、理论及应用”为题，系统阐述了该模型的理论基础、自适应机制及其在认知功能建模与类脑智能中的应用。

从吸引子网络到连续吸引子网络

吴思教授指出，大脑计算的基本特征是利用大量神经元构成的网络进行信息加工——大脑内神经元数目达10的11次方，每个神经元拥有1000至10000个连接。连接主义带动了深度学习与大语言模型的发展，但当前人工神经网络忽略了神经元状态随时间变化的动力学特征，不足以解释大脑功能。

由此引入吸引子（Attractor）概念：大脑用网络状态表征信息，要求表征可靠且可重复，因此网络需从不同初始状态演化到同一稳定状态，即吸引子。经典模型通过能量函数局部极小值解释联想记忆，但其吸引子是孤立的，无法反映大脑对信息的结构化表征。

连续吸引子神经网络（Continuous Attractor Neural Network, CANN）正是对经典模型的推广。其稳定状态并非孤立点，而是低维流形（如一维“峡谷”），系统可在子空间内稳定移动，用于表征头部朝向等连续变量。吴思教授团队提出理论可解的CANN模型，基于平移不变性假设推导出高斯形状的局部活动包（Bump）作为稳定状态。

生物学实证方面，2017年研究人员在果蝇椭圆体头朝向神经元中发现环状结构，局部活动包随头部摆动在环上转动，首次为CANN提供直接实验证据。Moser等人利用CANN成功解释海马位置细胞和内嗅皮层网格细胞的放电模式。目前，CANN在大脑中的广泛存在已成为领域共识。

Adaptive CANN

经典CANN强调稳定性，但大脑同时需要状态快速切换与信息快速搜索，即灵活性（Mobility）。为此，吴思教授团队引入自适应（Adaptation）机制：在动力学方程中加入慢速负反馈项，模拟神经元发放频率适应现象。这一机制使网络产生内在移动性，即在无外界输入时自发产生行波解（Travelling Wave）。

Computing with travelling wave

当适应性强度处于临界状态时，在噪声波动下网络在局部布朗运动与长距离跳跃间切换，形成Lévy flight——数学上已证明这是开放空间中最优的信息搜索策略。该模型解释了海马清醒状态下的回放（Replay）现象：实验显示老鼠静息时海马内部空间位置表征的游走轨迹呈Lévy flight分布。

Computing with Smooth Tracking

当内在行波速度大于外界驱动速度时，内部表征领先于真实位置约15至20毫秒，从而补偿神经信号传递延迟。实验中老鼠在黑暗转盘上转动时，解码出的大脑内部头朝向始终领先于真实头朝向，与模型预测吻合。

Computing with Oscillatory Tracking

在特定参数下，内部表征围绕真实位置前后震荡，可解释海马Theta节律下的相位进动（Phase Precession）现象，并发现不仅有Pre-cession还有Pro-cession，随后被研究证实。吴思教授指出，相位进动可能通过将时间序列压缩到Theta节律窗口内，参与情景记忆构建。

Emergent CANN

在训练循环神经网络完成路径积分或工作记忆任务时，即便初始权重完全随机，网络也会自动学习出具有高斯连接模式的连续吸引子结构。这表明连续结构并非生物智能专属，人工智能在优化任务中同样会自发涌现该结构。

“Hidden” CANN

大脑中存在兴奋-抑制平衡（E-I Balance）网络与CANN的共存机制：前者连接强而随机，后者连接弱而高度结构化，弱结构化连接淹没在强随机连接中，AI模型中同样如此。吴思教授推测，大脑以E-I平衡结构为“基座”，包括CANN在内的结构化连接在经验与任务中快速习得，二者结合兼顾高效信息加工与特定任务表征。

Brain-inspired computing

类脑应用方面，团队利用二维CANN构建类脑算法，与清华大学合作实现无人自行车对行人的跟踪——在操场树木无明显差异、图像剧烈晃动条件下，网络一旦锁定目标即可干净滤除噪声。基于海马与内嗅皮层耦合的CANN模型，团队还实现了机器人同时定位与空间建图（Neural SLAM）。将CANN思想引入AI世界模型，在隐空间任务上达到当前最优性能。

吴思教授总结，连续吸引子神经网络是神经系统信息表征的标准化模型；加入自适应机制后系统获得更丰富的计算性质；连续结构可在AI模型中自动涌现并具有强大应用潜力。他展望，未来基于吸引子网络的计算建模有望将心理学心智模型与神经活动联系起来，解释心理与认知活动规律，同时推动AI世界模型向类脑方向发展，为具身智能提供新的理论基础。

以上为本期直播部分内容，观看本期及往期完整视频内容可扫描下方二维码观看。

扫描二维码

观看完整视频