美国伊利诺伊大学厄巴纳–香槟分校格兰杰工程学院的一项最新研究显示，大脑最早期的感觉皮层并非只负责“被动接收”信息，而是在决策形成过程中扮演着出乎意料的积极角色，这一发现挑战了长期占据主流的大脑分级、逐级处理的经典模型。 研究团队认为，这种更加动态、双向互动的神经组织方式，有望为未来低能耗、高效率的人工智能架构提供新的灵感。
传统观点认为，大脑做决策的过程大致遵循单向的“自下而上”层级通路：信息从视觉、听觉或躯体感觉等早期感觉区进入，逐级传递至更高层级的联合皮层和额叶皮层，最终在这些“高阶中枢”中完成整合与决策。 正是基于这种理解，卷积神经网络等人工智能系统大多采用类似的分层结构，将智能视作信息沿固定方向逐层加工、在顶层“输出决策”的结果。 然而，随着对自然智能认知的加深，越来越多学者开始质疑这种过于简化的“流水线式”模型。
本次研究由伊利诺伊大学电气与计算机工程系教授尤里·弗拉索夫（Yurii Vlasov）领衔，论文发表于美国国家科学院院刊（PNAS）。 研究团队选择从系统层面重新审视大脑，将其视为进化塑造的“自然智能”体系，强调不同脑区之间的反馈回路与双向信息流，而非单一方向的串行加工链条。 在这一框架下，决策被看作多个脑区之间持续交互、共同涌现的结果，而不是被高阶区域“单向下达”的指令。
自然智能的一个显著特征是高效节能：在完成复杂感知、认知与决策任务时，人脑的能耗远低于当今大多数人工智能系统。 为理解这种高效性的来源，研究团队没有局限于某一个功能模块，而是从整体架构出发，考察不同区域之间的协同方式。 弗拉索夫表示，理解大脑在架构层面是如何组织决策计算的，有望帮助工程界设计出更有效、更节能、也更“聪明”的下一代人工智能系统。
在具体实验设计上，研究者聚焦于大脑最早期的处理阶段，即负责感觉与知觉的区域。 他们在小鼠身上开展实验，让动物在一条虚拟现实走廊中移动，通过触须感知环境并据此做出左转或右转的感知性决策。 在这一过程中，科研人员记录了小鼠大脑中大面积神经元的活动，尤其关注初级体感皮层（S1）的反应模式。
结果出乎意料：与决策相关的信号在传统上被视为“只处理基础感觉”的初级体感皮层中被清晰捕捉到。 这表明，决策过程并非仅在高阶皮层“后端”启动，而是在大脑最前线的感觉处理阶段就已显现出明显的决策表征。 换言之，早期感觉区并不是简单地把“原始数据”打包上传，而是在很早的时间点就参与了对行动选择的编码。
进一步分析发现，初级体感皮层的活动并不是孤立发生的，而是显著受到高阶脑区的反馈调制。 这种自上而下的回馈信号，与自下而上的感觉输入共同塑造了S1中的神经活动模式。 由此可见，大脑并非按照单一路径“从感知到决策”线性推进，而是在多个层级之间通过反馈回路持续往复地交换信息，从而完成对外界信息的解读和对行为的选择。
弗拉索夫指出，大脑的“神经编码”仍然像一种尚未破译的语言，但从系统层面理解这些反馈回路和动态交互，已经可以为人工神经网络的设计提供有价值的启示。 当前的人工智能在决策层面仍存在明显短板，而自然智能在同等甚至更复杂任务下，却能以远低于现代硬件系统的能耗完成运算，这背后蕴含的架构经验值得工程界“向大自然取经”。
尽管这项工作尚不足以直接给出构建“更好AI”的工程蓝图，研究团队认为，它提供了一种重新思考人工智能的视角。 通过系统性地研究大脑如何组织与处理信息，科研人员有望总结出一套可迁移的原则，指导人工智能在架构、能效和决策机制方面的改进。 未来的AI系统，或许需要跳出严格分层、单向传播的框架，转而引入更多类似生物大脑的动态反馈与并行交互结构。
接下来，弗拉索夫团队计划继续追踪大脑活动在时间维度上的变化，重点研究神经活动的快速时间动力学。 他们正在开发新的工具，以更高精度测量和分析神经信号，试图从时间分辨率更高的数据中，揭示反馈回路在决策过程中的具体参与方式。 在他看来，只有看清这些反馈环路是如何在时间上被激活、如何在不同处理层级间形成和重构，才有可能真正理解自然智能的运作之道，并将之转化为新一代人工智能架构的设计基础。