编辑推荐：
为解决大脑如何进行序列组块化及表示事件顺序的问题，浙江大学生物医学工程教育部重点实验室等的研究人员开展相关研究，发现组块追踪神经活动机制等结果，为理解大脑序列编码提供新视角，推荐阅读。
在我们的日常生活中，各种感官信息如潮水般不断涌来，它们常常以序列的形式出现。就拿语言来说，我们听到的每一句话，都是由一个个音节、单词有序组合而成；看电影时，一幅幅画面也是按特定顺序依次呈现。面对这些长长的序列信息，我们的大脑是如何高效处理的呢？这其中的奥秘就在于 “组块化（chunking）” 策略。
想象一下，大脑就像一个聪明的收纳师，它会把一些相关的信息 “打包” 成一个个小的 “包裹”，也就是组块，这样就能更轻松地处理和记忆这些信息。比如，当我们听到 “今天下午去超市买苹果、香蕉和橙子” 这句话时，大脑可能会把 “苹果、香蕉和橙子” 组合成一个 “水果” 组块，从而减轻记忆负担。然而，虽然组块化在信息处理中起着关键作用，但科学家们对大脑究竟是如何进行组块化的，尤其是在在线序列编码（sequence encoding）过程中如何划分序列为组块，以及如何在组块内表示事件顺序（event orders），还知之甚少。这就像在探索一座神秘的城堡，虽然知道它很重要，但城堡内部的很多房间还没有被打开。
为了揭开这个谜团，浙江大学生物医学工程教育部重点实验室、浙江大学脑机智能国家重点实验室的丁鼐（Nai Ding）在《Trends in Cognitive Sciences》期刊上发表了一篇名为《Sequence chunking through neural encoding of ordinal positions》的论文。这项研究就像是一把钥匙，为我们打开了探索大脑组块化机制的大门，揭示了大脑在序列处理过程中通过神经编码实现组块化的奥秘，对理解人类认知的神经基础有着重要意义。
在这项研究中，研究人员主要运用了多种神经科学研究技术来探索大脑的组块化机制。比如，利用脑磁图（MEG）和颅内脑电图（ECoG）技术，它们就像大脑活动的 “探测器”，能够精确捕捉大脑在处理序列信息时的神经活动信号，让研究人员看到不同频率的神经活动是如何变化的；同时，结合行为学实验，通过观察人们在完成各种序列处理任务时的表现，进一步分析大脑的组块化行为。这些技术相互配合，帮助研究人员从不同角度深入了解大脑组块化的过程。
组块化：编码序列的通用机制
在日常生活里，我们的大脑每天都要处理海量的序列信息，从听到的话语到看到的画面，数不胜数。但大脑的记忆容量有限，它是怎么应对的呢？原来，大脑会把一些有序的小事件整合到工作记忆（working memory）中，形成一个个组块，再将这些组块进一步组合，这就是组块化策略。举个例子，记忆电话号码时，我们不会一个数字一个数字地记，而是把几个数字看成一组，像 “138 - 1234 - 5678”，这样记起来就轻松多了。从计算层面来看，组块化是在序列编码时给每个事件赋予一个组块内位置来实现的，不过，大脑具体是怎么在神经层面做到这一点的，还需要深入研究。
定义组块和组块边界
什么是组块呢？一个基本的组块有几个明显的特点：它包含的感觉事件（像音节、音符这些短的感觉刺激）不多，一般少于七个，这样才能装在工作记忆里；它在时间上是有界限的，而且不会被打断；最重要的是，组块内的事件可以直接相互整合，组块之间的事件就不行。就像 “我喜欢吃苹果” 这句话，“喜欢” 和 “吃” 虽然不是挨着的，但在这个句子（组块）里，它们能直接关联起来，可如果是和另一个句子里的词，就很难直接整合了。要是序列很长，基本组块还会进一步组成超级组块，比如单词组成句子，句子再组成段落。
可组块边界并不总是那么容易确定的。不像感觉事件，有明显的感觉线索。一般来说，大脑会利用各种线索，让组块变得有意义。比如说 “fran cis co fed the ca ter pi llar”，如果把它分成 “Francisco fed the caterpillar” 这样四个有意义的组块（对应四个单词），就很好记，但要是分成 “Francis cofeed theca terpillar”，就变得很难记住了。大脑在确定组块边界时，会利用感觉特征、统计模式和内部知识这些线索，它们就像大脑的 “小助手”，帮助大脑找到最合适的组块划分方式。
神经组块追踪：基本现象及其产生
研究发现，虽然序列组块化涉及的过程非常复杂多样，但低频神经活动（低于 8Hz，主要反映突触后神经活动）却能像一个忠诚的 “小跟班”，在不同的刺激模式下，追踪基于不同线索构建的组块。比如，当人们听单词序列 “dry fur rubs skin all moms love kids…” 时，大脑颞叶和额叶的皮质活动会追踪语音中的组块，也就是短语（像 “dry fur”）和句子（像 “dry fur rubs skin”）。如果单音节单词以恒定的 4Hz 速率呈现，而且所有句子时长和句法结构都一样，大脑除了在 4Hz 会有稳态皮质活动，在 2Hz（短语速率）和 1Hz（句子速率）也会有活动。这就好像大脑会根据组块的节奏，调整自己的 “步伐”。
组块追踪神经活动和编码感觉事件、组块线索的神经活动不一样。就好比听觉皮层中的 theta 波段活动，它能把连续的语音流分割成一个个音节，这是事件编码活动，和组块追踪活动不同，组块追踪活动可以在没有相关感觉特征的情况下出现，而且涉及的脑区更广。组块追踪活动在低频神经活动和高伽马活动（70 - 150Hz，与尖峰活动密切相关）的功率包络中都能被观察到，它的频率上限一般低于 10Hz，下限虽然有争议，但大脑其实能追踪频率很低的刺激，比如 0.1Hz 甚至 0.01Hz 的刺激。而且，这种组块追踪神经活动在很多任务中都能被观察到，不仅在语言理解中，在视觉运动感知、言语产生、数学计算和驾驶行为等方面都有它的身影。
那组块追踪神经活动是怎么产生的呢？有一种可能是，特定领域的脑区（像听觉皮层、视觉皮层）负责编码各种组块线索，这些脑区相互作用，让其他皮层和皮层下区域同步，从而实现组块追踪。而且，这种相互作用有几个有趣的特点：很多线索都能引发大规模的组块追踪活动，不是只有某一种线索才行；这些脑区之间的相互作用是非线性的，比如韵律对句子追踪的影响，会根据句子的句法结构而变化；线索编码活动和组块追踪活动之间的幅度 / 相位关系很灵活，就像英语和法语中，重音位置不同，重音编码活动和单词追踪活动的相位对齐方式也不一样。
组块追踪活动的功能：位置编码
从频域分析组块追踪活动，就像是从一个 “上帝视角” 看它的整体特征，虽然高效可靠，但缺乏细节。而时域分析（time-domain analysis）和神经状态空间分析（neural state-space analysis）能给我们展示更多的细节。
在时域分析中，如果组块持续时间不统一，组块追踪活动可以被定义为追踪组块边界的神经活动，比如在组块边界后出现的一系列瞬态神经反应；从狭义来说，它也可以是区分组块内不同顺序位置的神经活动，像斜坡信号和正弦信号，它们能通过信号幅度或相位来编码位置。不过，要产生追踪组块的正弦信号，得提前知道组块的持续时间，这在预测性组块化（后面会提到）中是可行的，但在实际中，区分边界追踪和位置追踪活动有时候会比较困难。
在神经状态空间中，高维的神经活动就像一个神奇的 “魔方”，能同时编码事件位置和事件内容。比如，猴子在记忆三个依次出现的点的位置时，前额叶神经活动和点的位置之间有可靠的映射关系，而且不同顺序位置的点，映射关系不同，分别编码在不同的神经子空间里。这就意味着，当神经活动随着时间展开，在神经状态空间中形成的轨迹，能反映出事件的位置和内容信息。有一种解释是，组块追踪活动就像是在神经子空间中 “穿梭”，不同位置的事件在不同的神经子空间中编码，当高维神经活动投影到一维时，就变成了位置追踪活动。
不过，把事件位置和内容结合起来编码，也面临一些挑战。比如，一种结合编码方式需要大脑多次表示语义空间，这对存储是个挑战；而且不同位置的单词表示不同，很难比较它们的语义关系。不过，这些挑战可以通过在线构建结合编码和非线性解码等方式来解决。
神经对分层嵌套组块的追踪
在语言处理中，大脑通常会把句子解析成树形的句法结构（syntactic representation），而不是只表示每个单词在句子中的顺序位置。那位置追踪神经活动对句法解析有什么作用呢？
首先，大脑有时候需要先 “缓存” 一个句子或一个主要的语言片段，然后再进行深入的句法解析。比如在对话中，单词可能不太好识别，大脑就得先把更大的组块存起来，利用后面的语境来帮助识别开头的单词，而识别单词和分割句子是句法解析的前提。
其次，句子解析需要一个记忆栈（memory stack）来存放单词或短语的线性序列，然后把它们组合成句法树。如果单词、短语和句子都用向量在同一个语义空间表示，组块追踪活动就能编码栈中事件的顺序。而且记忆栈是动态的，里面的项目可以合并成更大的项目。
最后，有研究假设句法树的每个节点可能由不同的神经群体分别追踪，而且序列的皮层表示可以是多维的，每个维度编码不同层次的语言单位，比如音节、单词、短语和句子的位置可以分别由不同的神经维度表示，这样就能同时编码多个层次的语言单位。
预测性组块化的因果机制
组块追踪活动在大脑中广泛存在，那它对序列组块化有因果作用吗？研究人员把序列组块化策略分为预测性组块化和反应性组块化。当组块是等时的（比如有规律的节奏），听众可以精确预测即将出现的事件在组块内的位置，大脑就能把事件内容和预测的位置结合起来，这种预测可以基于刺激的时间或内容。这时候，组块追踪活动就像是一个 “导航仪”，通过编码预测的事件位置，为预测性组块化提供因果机制。大脑可以通过控制组块追踪活动来预测每个即将出现的事件在组块内的位置，即使外部组块线索消失了，由外部线索引发的节律性组块追踪活动还能持续几个周期，这在神经活动和行为实验中都得到了验证。比如，在一个实验中，先给参与者呈现有节奏的句子序列，再呈现伪随机音节序列，参与者只能学习到符合前面句子定义的预期组块内音节之间的统计关系，这就有力地证明了组块追踪活动的内在动力学对组块化有因果影响。
而在反应性组块化中，大脑没办法在事件出现时就明确给它分配组块内的位置。只有当有足够信息确定一个组块结束时，大脑可能会通过重放编码组块内每个事件的神经活动，重新给事件分配组块内的位置，但这种重放的神经活动和刺激中的组块时间尺度可能不一样。在反应性组块化中，也能观察到组块追踪活动，但它是组块边界检测的结果，而不是影响因素。
组块处理的计算模型
前面提到了事件位置和内容的结合，而构建组块表示还需要跨事件的结合。这里研究人员主要讨论了 Transformer 模型，因为它在模拟人类语言行为方面非常成功。研究人员推测，大脑可能用类似 Transformer 模型的计算机制来编码每个组块，组块追踪活动就像是位置编码信号。在这种 “组块化 Transformer 模型” 中，只有属于当前组块的事件会被处理，这就需要一个门控机制，而序列中更远处的上下文信息可以整合到一个全局上下文向量中，不过这个向量存储的是高度压缩的信息，可能无法解码出单个事件的顺序。
研究结论和讨论
这项研究综合了人类序列组块化研究、动物神经元水平序列编码研究以及计算研究的成果，提出了一个全新的大脑序列组块化的神经框架。简单来说，就是各种组块线索在特定领域的皮层区域被编码，脑区之间的动态耦合让线索追踪神经活动同步广泛的脑网络，从而产生组块追踪神经活动。组块追踪活动通过给每个事件分配组块内的顺序位置，对预测性组块化起到了关键作用。基于这个位置编码，组块内的事件可以整合形成组块级别的表示，就像把一个个小零件组装成一个完整的机器。
这个框架为我们理解大脑如何编码长序列信息提供了新的视角，就像给我们一幅全新的地图，让我们在探索大脑奥秘的道路上有了更清晰的方向，也为后续的研究开辟了新的途径。不过，目前还有很多问题等待解答。比如，通过完全不同过程构建的组块，是否会产生相同的组块追踪反应？哪些皮层和皮层下区域构成了组块追踪的通用网络？通过神经调节技术产生的节律性神经活动，能不能调节序列组块化？大脑会不会因为组块追踪活动的内在动力学，倾向于把序列分成大致相等大小的组块？这些问题就像一个个神秘的宝藏，等待着科学家们去挖掘和探索，相信随着研究的不断深入，我们对大脑组块化机制的理解会越来越深刻。
