0025 · 神经科学思维（Neuroscience Thinking）

突触可塑性与预测编码——为什么”重复”塑造习惯，以及 AI 神经网络为何是生物神经的简化版。

预计时间： 15 分钟

核心定义

• 神经元网络（Neural Network）：约 860 亿神经元通过突触连接形成网络。每个神经元接收数千输入，加权后决定是否”放电”——本质是分布式并行计算。
• 赫布定律（Hebb’s Rule, 1949）：“一起激发的神经元连在一起”（Cells that fire together, wire together）。同步激活的突触会被加强——这是学习的物理基础。
• 突触可塑性（Synaptic Plasticity）：突触强度可随使用频率改变（LTP 长时程增强 / LTD 长时程抑制）——大脑结构与功能随经验重塑。
• 神经编码（Neural Coding）：信息以放电频率、放电时序、群体模式等方式编码。预测编码（Predictive Coding）：大脑不是被动接收感官输入，而是主动生成预测，仅处理”预测误差”——这是大脑高效的原因。
• 预测编码（Predictive Coding）：感知 = 自上而下的预测 + 自下而上的误差信号。大脑持续预测世界，只在预测错误时更新。

学科直觉

赫布定律的精髓：重复即学习。每次同步激活，突触变强一点；千百次重复后，神经通路”刻进”大脑——这就是为什么习惯难改（通路已强化），也是为什么”刻意练习”有效（精确重复强化特定通路）。

预测编码的精髓：大脑是预测机，不是被动传感器。我们看到的世界，大部分是大脑”猜测”的，感官只输入”误差”。这解释了为什么期待会影响感知（ placebo 效应）、为什么专家能”一眼看出”问题（预测模型精准）。

AI 神经网络 = 生物神经的简化版：人工神经元的”权重”对应突触强度，“反向传播”对应（粗略地）误差信号更新。但生物神经远比 AI 复杂——有时序编码、神经调质、反馈连接等，AI 的反向传播只是其中一种学习算法。

跨学科应用

学习 = 突触权重更新。 无论是个人技能还是组织能力，“学习”的本质是连接强度的重塑。芒格强调”重复阅读经典”——这不是迷信，是符合赫布定律的策略：关键思维模型通过重复”刻进”快速通路，决策时自动调用。

AI 神经网络 = 生物神经的简化版。 理解生物神经有助于理解 AI：为什么需要大数据（突触强化需大量样本）、为什么过拟合危险（通路过度强化失去泛化）、为什么多模态有用（不同脑区协同）。但也要看到差异：生物神经是终身在线学习，AI 通常是离线训练 + 冻结推理。

为什么”重复”塑造习惯。 一个行为的每次重复都在强化相关神经通路——通路越强，触发越自动。好习惯如此，坏习惯也如此。改变习惯不是”戒掉”，而是”建立新通路并让它强于旧通路”——这就是为什么”替代”比”克制”更有效。

练习题

案例题：一个团队每次项目复盘都流于形式，没人真正改进。用神经科学思维诊断：复盘没有形成”重复强化”——没有刻意练习的”通路”。修复：把复盘结论变成下次项目的明确 checklist + 强制执行 + 量化跟踪，让”学习”在多次重复中真正强化为团队习惯。

反事实题：如果大脑没有预测编码（即只是被动接收感官输入、不生成预测），认知效率会怎样变化？

• 提示：大幅下降——大脑需要处理每个感官细节而非只处理”误差”。预测编码让大脑用极低带宽运行，组织同样需要”假设驱动”而非”全量分析”。

---

下一步： 看 Lesson 0026 · 生态学系统思维。