有限的整合时间会将最佳灵敏度从临界点移开

为何时机对果断判断至关重要

我们的脑、感官，乃至许多人工设备面临相同的挑战：它们必须在短时间内识别环境中的微小差异并将其转化为可靠的决策。物理学和神经科学中的一个常见观点是，这类系统在行为发生突变的边缘——所谓的临界点——处运行最佳。本文提出了一个简单但常被忽视的问题：如果观察系统响应的时间有限，临界点仍然真的是最优的工作点吗？

最佳点并不总是在边缘

作者研究了一个简化的类脑电路模型：由大量相互兴奋的脉冲单元组成的网络。小部分单元接收外部信号，例如气味或声音的强度，另一部分则作为输出。一个单独的读出单元不会瞬时响应；相反，它在选定的时间窗口内对输出脉冲进行平均，类似于一个慢慢注入又缓慢泄流的漏斗。有两个控制旋钮：一是设置单元间相互兴奋的强度，从而决定网络离会爆发性增长或衰退的临界点有多近；二是设置读出在做出判断前收集脉冲的时间长度。

更高的灵敏度有时会带来更多混乱

在接近临界点时，网络对输入的微小变化变得极其敏感，这通常被视为有利。然而在这一状态下，网络活动也会强烈且缓慢地波动。作者表明，当观察时间很短时，这些内部抖动会扰乱信号。为量化这一点，他们定义了一个理想观察者仅通过观察输出就能区分两种不同输入强度的难易程度，并统计在将错误概率保持在选定阈值以下时可可靠区分的不同输入数量。随后，他们将经典的“动态范围”度量推广，使其显式考虑这些噪声引起的波动。

时间受限的观察者偏好更平稳的网络

作者在两个极端情形——瞬时读出和无限长平均——中使用精确数学推导，并结合大量中间情形的计算机模拟，绘制出判别性能如何依赖网络耦合强度与读出时间。对于每一个有限的观察时间，他们发现最佳性能并不恰好出现在临界点。相反，存在一个最佳的“亚临界”设定：此时网络仍然具有灵敏性，但其波动更受控制，使读出能够在可用时间内形成更清晰的判断。随着整合窗口变长，最佳点会逐渐靠近临界点，因为读出有足够时间对剧烈波动进行平均，从而受益于额外的灵敏度。

对大脑与机器的启示

当一个具有强内部相互作用且噪声显著的系统需要快速做出决策时，这种灵敏度与可靠性之间的权衡便会出现。作者认为，他们的发现有助于解释为何来自真实大脑的测量显示出有限的处理时间尺度，而不是无限缓慢、完美临界的行为。许多动物的感知决策发生在远短于一秒的时间内，因此略微远离临界状态的网络可能在速度与准确性之间提供更好的折衷。结果还为人工系统（如循环神经网络和物理“水库计算”装置）提出了设计规则：如果读出几乎是瞬时的，内部网络应远离临界点；如果读出可以在更长时间内整合，则可以将设备调得更接近边缘，以在不牺牲可靠性的前提下获得更高灵敏度。

追求平衡而非完美

用日常语言来说，这项研究表明，当必须快速决策并应对噪声时，将灵敏度“调到最大”并非明智之举。对于有限的观察时间，存在一个略低于最易激发状态的甜蜜点：在这里信号仍然足够强以被察觉，但不会因过度抖动而相互模糊。对响应性与可信度之间的这种平衡，可能是生物与人工系统如何根据现实任务需求进行自我调节的普遍原则。

引用: Azizpour, S., Priesemann, V., Zierenberg, J. et al. Finite integration time can shift optimal sensitivity away from criticality. Commun Phys 9, 119 (2026). https://doi.org/10.1038/s42005-026-02584-w

关键词: 临界性, 神经网络, 动态范围, 信息处理, 整合时间