大脑皮层作为复杂信息处理的核心区域，其多层结构的具体功能和计算机制长期以来一直是神经科学领域的谜题。传统认知认为，大脑信息沿着皮层层次进行顺序传递，但近年来不断涌现的实验证据挑战了这一观点，揭示出更多并行与反馈通路的存在。最新的自监督预测学习理论为大脑皮层的层次特异性提供了深刻的计算解释，凸显了不同层次在时间预测和感知建模中的独特作用。 自监督学习是一种无需明确监督标签，通过从数据自身结构中提取信息进行训练的机器学习方式。在神经系统中，类似的机制被认为支持大脑从环境中自主学习内在规律，从而形成对未来状态的预测。通过模拟大脑皮层的典型三层微电路结构——第四层（L4）、第二三层（L2/3）及第五层（L5），科研团队构建了一个自监督预测学习模型，揭示了层间信息流动和时间动态预测的机制。
该模型基于这样一个假设：L4作为接收来自丘脑的当前感官输入的关键层，经过一定的时间延迟将信息传递给L2/3。L2/3结合来自更高阶脑区的顶部反馈信息，对即将到来的感官输入进行预测，其输出则传递给L5。而L5不仅接收来自L2/3的预测信号，还直接接受丘脑发来的感官输入，作为真实目标信号。L2/3的预测和L5实际信号之间的差异被用作误差信号回馈，驱动自监督的权重调整和学习塑形。 这种信息流动路径和延迟机制极大地支持了对未来输入的时间预测功能。模型展示，即使面对感官输入中的噪声或局部遮挡，L2/3层依然能够利用其预测能力恢复缺失信息，表现出惊人的鲁棒性。
这不仅符合大量实验中观察到皮层浅层神经元对复杂输入的稀疏响应特征，也解释了为何L2/3层的神经活动通常比深层更稀疏且富有预测信息。 模型还精细地匹配了实验证实的突触可塑性规律，特别是L2/3到L5的突触强度调节规则，反映了多层皮层间协同塑造网络预测能力的生物学基础。此外，模型通过选择性“切除”某些连接，验证了各层间反馈和延迟机制对维持预测功能的不可或缺性。反馈信号的引入被证明对修正误差和优化预测至关重要，哪怕是随机的非结构化反馈也能支持学习，突显了大脑皮层复杂而灵活的学习机制。 在感官运动整合任务中，模型准确模拟了不同皮层层次在预测错误出现时表现出的“失配”响应。L2/3在预测被打破时表现出活跃度的增加，而L5则更倾向于减少活跃，两者形成鲜明对比，完美契合动物实验中神经信号的观察结果。
进一步的模拟和操控预测揭示了L2/3和L5的功能分工及其相互影响，为理解认知过程中层间动力学提供了理论支撑。 该模型的另一个重要意义在于揭示了大脑层次结构演化的潜在动力学。人类大脑中特别扩展的L2/3层被模型证实能显著提升预测精度与编码稀疏性，支持人类复杂认知能力的神经基础。层特异的不同函数定位使得神经回路能够在保持感官输入编码完整性的同时，实现对未来信息的高效推断和环境动态的理解。 自监督预测学习的框架不仅丰富了我们对神经计算的认知，也为人工智能领域的算法设计提供了启发。生物启发的层次学习策略可以帮助构建更鲁棒、更高效的时序数据预测模型，推动机器与人脑智能的深度融合发展。
未来的研究可将该理论推广至更高维度或多模态皮层网络，更细致地解析层间协同计算如何实现复杂行为和认知功能。 总的来说，自监督预测学习为大脑皮层的层次功能提供了系统性的解释。从信息接收、时间延迟整合，到误差信号回馈和突触塑性调整，模型展现了大脑如何通过多个皮层层次间的动态协作实现对未来感官输入的精准预测和适应环境变化的能力。此发现不仅深化了我们对大脑微电路结构意义的理解，也开启了连接神经科学与机器学习前沿的新路径，为未来探索脑机接口、认知强化和神经病理机制治疗奠定了坚实基础。
