InFoRM：用于感觉运动控制的统一逆向与前向模型

大脑可能如何简化运动

每次你伸手去拿杯子或敲击键盘时，大脑必须将一个意图（“把我的手移到那里”）转化为精确的肌肉活动，同时还要预测该动作会产生什么感觉。经典理论假定大脑为此使用两个独立的内部计算器：一个生成肌肉命令，另一个预测到来的感觉信号。本研究探讨了一种大胆的替代方案：单一的统一回路能够同时处理问题的两面——既节省能量又提高性能。

两种控制思路

传统的运动控制模型设想一个分裂系统。所谓的“逆向”部分将期望的结果（例如指尖在空间中的轨迹）转换为所需的肌肉激活，而“前向”部分则预测身体将如何运动以及会产生何种感觉反馈。这两部分在教科书中常被画成不同的方框。然而，大脑成像与病变数据并不清楚地支持这种整洁的分离，且某些脑区似乎同时参与两种功能。此外，让两套复杂回路同时运行在代谢上可能很昂贵。因此，作者提出一个问题：是否有可能让一个灵活的网络学会生成运动命令、预测感觉反馈，甚至仅凭内部信号推断出最初的目标。

一个能通吃所有任务的单一网络

为检验这一想法，研究者构建了一个名为InFoRM（逆—前向—识别模型）的计算模型。InFoRM并非由两个堆叠模块组成，而是使用一个单一的循环神经网络——由相互连接的单元构成的“水库”，目标、肌肉和感觉信号都流入此处。从这个共同的活动“水库”中，同时训练三个读出：一个重建期望的手部轨迹，一个生成实现该轨迹所需的肌肉激活，另一个预测随之而来的感觉信号（肌肉长度与速度）。关键在于，相同的内部动力学同时支撑这三项任务，因此模型可以在任务间共享信息，而不是分别孤立地学习每一项。

将模型放到现实世界测试

研究团队记录了志愿者的真实手臂运动，受试者以节奏性地从中心位置伸向桌面上不同方向和距离的目标。动作捕捉数据和详尽的肌肉骨骼模型为每次运动提供了指尖轨迹、估计的肌肉激活以及相应的肌肉类感觉信号。InFoRM在一部分方向上训练，然后在若干具有挑战性的场景中进行测试：重复已学运动、在未训练的中间方向上插值（在见过的方向之间“变形”），以及处理自然的、受试者自发选择的目标间过渡。作为对照，作者还构建了更传统的控制架构——分离的逆向和前向网络，以及一些获得额外输入信息的增强变体。

更少资源下更精确的预测

在所有测试中，统一的InFoRM网络比任何分离架构更准确地再现了记录到的运动和肌肉信号。其输出比真实信号更紧密地吻合且误差更小，即使在被要求对未训练方向进行插值或应对真实且无脚本的目标序列时亦然。重要的是，InFoRM在使用相当或更少神经元并且所需训练迭代远少的情况下达到更高准确度，这暗示了更好的计算效率。它还优于性能最好的增强控制模型——该模型同样能获得目标、运动和感觉信息的组合——这表明优势来自于将所有信息整合到一个循环回路中，而不仅仅是输入更丰富。

这对理解大脑意味着什么

这些发现支持这样一种观点：大脑可能不会维持截然分开的“前向”和“逆向”运动引擎。相反，一个单一的、连接丰富的回路可以隐含地同时包含两者，运动命令与预测从相同的底层动力学中涌现。这一视角与将大脑视为预测机器、不断生成并更新关于自身身体与世界预期的现代观念十分契合。尽管该模型仍是简化的抽象，且诸如神经延迟与突触可塑性等生物细节尚待探讨，InFoRM展示了统一设计既强大又经济，为我们神经系统如何控制运动提供了一个有吸引力的替代蓝图。

引用: de Graaf, M.L., Kloock, L., Schwarze, A. et al. InFoRM: a unified inverse and forward model for sensorimotor control. Sci Rep 16, 8490 (2026). https://doi.org/10.1038/s41598-026-39944-z

关键词: 感觉运动控制, 内部模型, 神经网络, 运动学习, 预测处理