半个世纪前的"环"：连续吸引子在杂乱无章的神经数据里现身

连续吸引子：一个由对称权重维持的"状态山脊"，网络活动可以停在山脊的任何位置，对应任何一个朝向。经典的环吸引子模型给出了漂亮的预测——各神经元的调节曲线完全相同，只是整体平移。 真实的啮齿动物头部方向细胞完全不是这样：它们的调节曲线五花八门， heterogeneity 刺眼。多年来，这种"理论干净、数据杂乱"的落差，让不少人怀疑连续吸引子只是理论家的玩具。

图1：理论的"环"与数据的"乱"——经典环吸引子的均匀调节曲线 vs 真实头部方向细胞的异质性

David Clark、L. F. Abbott 与 Haim Sompolinsky 在《自然·神经科学》的工作，把这个落差两头对上了。他们不从理想模型出发，而是直接从 1533 个真实头部方向细胞的电生理数据构建循环网络。结果：这些网络确实表现得像"准连续吸引子"。再用一个生成过程复现这些细胞异质性的调节曲线，同时在网络规模变大时保持连通性和动力学可解析。关键发现在最后一层：看似无序的权重矩阵，携带着一种圆对称性

——特征值的简并模式，正是连续吸引子组织的信号。动力学平均场理论进一步还原出经典环吸引子的两个要件：墨西哥帽相互作用，以及自发对称性破缺产生的"包"状态。

图2：签名在特征值里——看似无序的权重矩阵，其特征值简并排成圆环

换句话说，理论没有错，只是它的签名被异质性藏起来了。过去在连接组数据里找连续吸引子之所以困难，是因为大家找的是"干净的山脊"；这项研究说的是，要去找的是"杂乱权重里的对称性特征值"。

图3：连续吸引子如何工作——状态山脊上的活动包随头朝向平移

这项工作示范了理论神经科学的一种健康姿势：不要求数据迁就模型，也不要求模型迁就数据，而是找到二者之间那层可计算的对应。对更一般的"大脑如何表征连续变量"（位置、时间、决策阈值），它提供的方法论——从数据反构网络、再检验其对称性——可以复制。 ---