大脑不是一个更大的神经网络：从上下文、神经调质到行波计算

一、一个长期运行的 Agent，可能需要两种上下文

Nature Human Behaviour 的人类单神经元研究让参与者在接近两分钟的 block 中维持同一任务规则。Cross-temporal decoding 显示，显式 context 在内侧额叶形成相对稳定的 population code；海马中的表示持续携带信息，却随时间更快移动。当 context 需要从环境推断时，海马表示又可以转向更稳定的编码。

这里可以抽出两种内部状态。Stable Context State 保存当前目标、规则、权限与约束，更新应当克制；Dynamic Episodic State 保存事件顺序、尝试历史和路径依赖，时间变化本身就是信息。它们分别接近 configuration state 与 execution trace。

• 长期 Agent 可以把规则状态与情景轨迹拆成不同数据结构和更新策略。
• 评估重点从 context window 长度转向稳定状态是否抗干扰、动态轨迹是否保留顺序与因果线索。

二、多巴胺与低带宽控制平面

一项小鼠背外侧纹状体研究同时观察 dopamine、glutamatergic input 和通路特异的 SPN 活动。快速 dopamine 变化更接近 input-output efficacy 的调节：direct pathway 与 indirect pathway 的 gain 向相反方向变化。证据局限在特定物种、脑区和运动回路，无法扩展成多巴胺的统一解释。

工程上更有价值的抽象是 Neuromodulatory Control Plane。高维 data plane 继续处理内容；低维 control plane 只输出 gain、threshold、plasticity、exploration level 或 recurrent time constant。它改变模块的工作点，却不需要生成另一段复杂 token。

值得验证的问题很具体：低维 modulation controller 能否比普通 router 更快适应，同时减少通信与能量开销。

三、Traveling wave：从现象走向高风险架构假说

神经系统存在 oscillation、traveling wave 和 phase-dependent excitability，这些现象已有广泛实验背景。MIT 团队进一步提出，移动的波前可以像 stencil 一样在同一张物理连接图上选择不同 neuron ensemble，波的叠加与相消甚至可能承担连续的模拟计算。后半部分仍是理论，需要直接寻找计算 signature。

如果某些 wave topology 与特定运算能建立可重复的因果关系，芯片实现也许不该用数字矩阵模拟一张波。耦合振荡器、模拟 RC 网络或其他物理传播介质，可能让 geometry、phase 与 propagation 直接成为计算变量。

静态连接保存可能性，连续场选择此刻发生的计算。

四、多尺度观测要寻找不同的状态变量

丙泊酚麻醉研究同时记录局部电生理、全脑 fMRI 与 pupil dynamics。局部 LFP、单脑区 BOLD 和许多 pairwise connectivity 在意识丧失与恢复之间近似可逆；全脑 traveling-wave propagation、低维 trajectory 与 graph topology 却走出不对称路径，呈现类似 hysteresis 的结构。

Local observable 未必是 global state 的 sufficient statistic。多装几种传感器只会增加数据量；真正的 multiscale observatory 需要建立 joint latent dynamical model，说明哪些变量跨尺度共享，哪些变量只在局部或全局层级出现。

五、用侵入式记录校准非侵入式闭环

From Scalp to Source 使用 geometry-based dipole estimation，从 scalp EEG 估计 deep-brain oscillatory phase。它先用尸体深部电极播放已知波形，再用患者同步 scalp EEG 与 SEEG 做验证。尸体实验中的 phase-corrected correlation 超过 0.91、平均相位误差低于 9 度；患者数据最高相关性约 0.80。数字受 source geometry、频率、个体差异和病灶影响，不能推广到任意人群和任意深部脑区。

平台路线却很清楚：少量临床侵入式记录提供 teacher signal，规模化设备只使用 EEG 或 MEG 推断可重建的 phase 与 latent state。这类 privileged-information 训练可以服务 phase-locked stimulation、睡眠与记忆状态追踪。

六、QIF 让时间成为一等计算变量

LIF 神经元在 threshold 附近可能因很小的输入变化突然多出或少掉一个 spike，使连续 regression 的 response surface 变得 jagged。QIF 的 quadratic dynamics 更容易把小扰动表达成 spike timing 的连续位移，因此在 function approximation、DeepONet 和 PINN 中得到更平滑的输出；当前效率仍低于 LIF。

这项工作的普遍意义在于 substrate-aware algorithm design。对于连续时间和事件驱动硬件，latency、phase、inter-event interval 与 decay constant 都可以承载信息。BrainBoard1500 这类带实时功耗监测的开发板，也让 SNN 回到真实 workload、板级功耗和 memory traffic 的可比条件下。

七、Wetware 更像学习物理实验台

NUS Medicine、DayOne 与 Cortical Labs 的 Biological Data Centre prototype 把二十套 CL1 放进第三方研究环境，由活神经元、微电极阵列和电子系统组成长期闭环。公开材料尚未提供同任务、同精度、完整基础设施边界下与 GPU 或 CPU 的公平能效比较。

它眼下更像 learning-physics observatory：研究稀疏奖励、在线适应、稳态调节、遗忘与 distribution shift 怎样改变真实可塑网络。最有价值的输出可能是新的 learning rule，再迁移到可制造和可规模化的硅系统。

八、NeuroAI 的研究对象正在变成系统

NeuroAI in Seattle 把主题放在 multi-area interactions。CMU 的 SCENE、MICrONS、stimulus-computable models 与 NeuroAgents 也指向同一变化：研究问题从单脑区对应关系，转向不同区域怎样共享 state、切换控制权，并在真实环境中持续学习。

更完整的闭环是 brain measurement、computational hypothesis、runnable AI model、cross-system comparison、intervention 与 falsification。脑数据的价值取决于它能否产生可被工程实验推翻或保留的架构命题。

九、一台候选 NeuroAI Computer

把本周线索组合起来，可以得到一组互相独立、可以逐项验证的模块：predictive world model；不同时间尺度的 stable context 与 dynamic episodic stores；history/prediction comparator；异构 cognitive modules；meta-controller；低带宽 neuromodulatory control plane；以及仍带问号的 spatiotemporal field control。

这张图的重点是证据纪律。生物现象、计算抽象与芯片方案之间必须保留距离，每一步都要有对照实验。大脑更适合做 generator of falsifiable architecture hypotheses。