Neuroscience
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
赫布定律（」一起激发的神经元连在一起」）解释了什么？
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。