大脑皮层作为人类与高级哺乳动物认知功能的核心，具有独特的多层结构，每一层展现出不同的细胞类型和连接模式，承担着复杂的信息处理任务。然而，为什么大脑皮层会进化出这样复杂的层次结构，及其背后隐藏的计算机制，一直以来都是神经科学领域的核心谜题之一。最近由Kevin Kermani Nejad等科学家提出的自监督预测学习模型，为理解大脑皮层层次特异性提供了新的视角和理论基础。该模型不仅与现有的神经解剖学及电生理学发现高度吻合，还推进了我们对神经环路如何通过自我监督、基于预测误差驱动学习的理解。 传统的观念认为，新皮层的信息流主要是自下而上的处理，即感觉信息通过丘脑输入，首先抵达第4层（Layer 4，简称L4），然后传递给第2/3层（L2/3），再传递给第5层（L5）。L2/3层被认为是整合升自L4的感觉信息与来自更高层次区域的反馈调控，从而对当前信息进行推理和预测。
与此同时，L5则负责将处理后的结果输出给其他脑区。然而，近年的实验证据表明，丘脑输入不仅投射至L4，也直接作用于L5，这表明皮层内存在两条并行的感知通路，一条经L4，一条直接至L5。这一发现挑战了传统单一路径的认知框架，也促使学界重新思考皮层不同层次独特功能的来源。 基于上述结构，Nejad及其团队设计了包含L4、L2/3和L5三个子网络的计算模型，模拟大脑如何通过自监督的方式学习对感知输入的时间动态进行预测。核心假设是L2/3整合延迟传来的L4感觉输入与来自高级区域的上下文信息，形成对即将到来的感觉输入的预测。L5接收实际到来的感觉信息，形成预测的“真相”。
当L2/3的预测与L5真实输入不符时，这一误差信号通过L5反馈至L2/3，作为塑造预测模型的自监督学习依据。同时，为避免预测模型陷入无效的恒定输出，L5另行承担重构自身输入的任务，使系统保持活跃且复杂的表征能力。 模型中的学习机制与已知的神经元长时程可塑性高度契合，尤其是在L2/3到L5的连接上，能够复现实验观测中的活跃度依赖性突触变化规律。此外，模型通过模拟视觉皮层常用的Gabor滤波器序列任务，验证了L2/3能够准确利用过去的感觉输入与上下文变量预测未来输入，表现出优异的时序学辨识与分类性能。L5则成功编码当前实际感知信息，二者分工明确，符合生理实验记录的层次功能划分。 关键的神经回路特征如L4到L2/3的延迟传递起到了时间窗口切割的作用，使L2/3获取过去的感知信息以预测未来输入，如果这一路径被破坏，模型无法形成有效的时序预测，证实了传导延迟对形成大脑时序感知预测的重要性。
与此同时，反馈路径——尤其是从L5回馈到L2/3的连接，也被证明是必不可少的。即便是随机化的反馈连接也能维持一定的学习能力，但完全缺失反馈则彻底破坏了预测学习和信息编码，突显反馈回路在自监督预测学习中的核心作用。 通过引入噪声和遮挡测试，模型进一步揭示了自监督预测机制赋予皮层对环境不确定性及部分信息缺失的鲁棒性。L2/3利用上下文预测补偿输入不完备，而L5更多地编码当前感觉断片，这种分层结构使皮层网络能够在嘈杂真实世界中依旧保持稳定的感知功能。此外，这种学习机制自发产生了层次特异性的神经激活稀疏性，即L2/3表现出最高的稀疏编码，L4次之，L5相对更加密集，这与众多实验证据吻合。稀疏编码被认为有助于节省能量、提高编码效率及减少信息冗余，而模型结果表明这种稀疏性可能正是自监督预测学习的自然副产物。
为验证模型在真实生物行为条件下的有效性，研究者们应用视觉与运动耦合任务，模拟哺乳动物在运动速度与视觉流失匹配中的自适应感知过程。当实际视觉流与期望不符时，模型成功再现了L2/3和L5中不同符号的误差信号，这与活体小鼠实验观测的神经响应高度一致。L2/3主要偏向正向误差信号反映预测过高，而L5则表现为负向误差信号，反映对当前信息的准确编码。更进一步，模型还重现了实验中的信号符号翻转，显示在“开放回路”条件下，与运动无关联的视觉输入导致的感知误差信号相反，彰显了预测误差信号的复杂动态调节及其依赖于上下文的特征。 模型预测了多种层次特异性的功能和干扰效应。例如增强L5活性会颠倒L2/3的误差信号极性，反之增强L2/3活性则放大L5的误差信号，这些预测为未来利用光遗传技术等层特异性神经调控手段探索大脑预测学习机制奠定了理论基础。
此外，该理论也暗示L2/3层的显著膨胀，尤其在人类大脑中，可能为提高复杂环境中的预测能力提供了神经基础。 综上所述，该自监督预测学习模型深刻揭示了大脑新皮层为何采用多层结构以分工合作实现动态环境中感知信息的高效预测和编码。不同层次在预测与编码感知状态中各司其职，依赖特定的网络连接和时间延迟实现互相校正与学习。该理论不仅与大量实验数据相符，也为未来探索脑神经回路的学习机制及人工智能领域的神经形态算法设计提供了重要启发。随着更多数据积累与模型改进，未来有望利用此类模型指导临床神经病理学诊断以及脑机接口技术，推动神经科学和人工智能的交叉融合前沿发展。
