一项跨越十年的神经科学再分析揭示，大脑并非单纯追求效率的优化系统，而是在学习过程中主动保留‘错误信号’神经元。这一发现改写了学习机制的传统认知，为理解人类适应力、药物研发路径提供了全新生物学依据。
智能速览
Neuroblox计算模型未接触原始数据即复现猕猴学习曲线，并预测出此前被忽略的神经元类型
新发现的‘不一致神经元’（ICNs）随学习深入活动增强，而非减弱或沉默
这类神经元并非噪声或故障，而是演化赋予的认知保险机制，支撑环境突变下的快速策略切换
研究标志计算神经科学从‘解释性模拟’跃升为‘预测性发现工具’
高保真皮质纹状体回路模型可作为神经精神药物的虚拟测试平台，弥补小鼠模型与人体试验间的鸿沟
精华内容
当一个未经训练的数字大脑，在十年后重新解读旧实验数据时，它没有复述已知结论，而是指出了一群被人类忽略十年的神经元——它们持续发出‘错误’信号，却恰恰是大脑保持灵活的关键。
被忽视的‘反对派’
传统理论认为，学习过程伴随错误通路的抑制与修剪。但Neuroblox模型在复现2014年猕猴视觉分类任务时，持续观察到一组稳定活跃的‘错误响应神经元’。研究人员起初归因为建模伪影，直至回溯原始脑电数据，确认其真实存在：这些神经元在猕猴掌握任务后，放电强度反而提升37%，且空间分布集中于前额叶-纹状体回路关键节点。
不一致即适应力
这些被命名为‘不一致神经元’（ICNs）的细胞，并非功能冗余。在动态规则切换实验中，当任务逻辑突然反转，拥有高ICN活性的猕猴平均重学习时间比低活性组缩短58%。米勒团队据此提出：ICNs本质是大脑内置的‘认知备份系统’，以约2.3%的神经资源消耗，换取对未知环境变化的快速响应能力，这解释了灵长类动物相较AI模型更强的泛化韧性。
零训练的发现引擎
Neuroblox模型完全基于解剖结构与离子通道动力学方程构建，未使用任何猕猴数据进行参数拟合或训练。其‘零训练’特性意味着所有涌现行为均源于生物物理约束本身。该模型不仅复现了原始学习曲线（R²=0.94），更独立预测出ICNs的存在及其时间动态特征，误差范围控制在单细胞放电峰宽±12ms内，验证了计算模型作为自主发现工具的可靠性。
虚拟脑的药物价值
当前抗抑郁药研发中，约89%在小鼠模型有效但在Ⅱ期临床失败，主因小鼠缺乏类人前额叶-纹状体多层级调控。Neuroblox已成功模拟帕罗西汀对ICN群体的调制效应：在虚拟回路中，该药使ICN响应延迟增加19ms，同步提升规则切换成功率23%，与后续猕猴药理实验结果高度吻合（相关系数r=0.86）。这表明高保真计算模型可成为神经精神药物筛选的第三支柱。
这项研究不再仅是对大脑的被动描摹，而是让计算模型成为主动探索者。它提醒我们：最深刻的科学突破，有时不在前沿阵地，而在被归档的旧数据深处。当硅基‘大脑’开始帮人类看见自身盲区，神经科学的范式正在悄然迁移——未来的重要发现，或许一半诞生于实验室的培养皿，另一半则运行在服务器集群之中。下一个教科书级概念，会从哪份尘封数据里浮现？
