想象一个秋天的山谷，看护员要把一颗球稳稳停在一个指定的凹槽里。只要他还在不断伸手扶住球，球就不会被风吹跑；他一旦松手，球就会顺着山坡滑走、消失。大脑的工作记忆，干的正是这件“扶住球”的事——你要记一个电话号码、一条导航路线，神经元必须持续“伸手”托住它，直到你用上它为止。 这套“伸手托球”的机制，在神经科学里叫持续活动：神经元群在刺激消失之后，仍然通过彼此之间循环的兴奋信号，把信息维持在活跃状态。而让球稳稳停住的那些天然凹槽，就是吸引子网络——地形够深，球就不容易被噪声晃出谷底。不过，近年科学家又发现了一个有意思的现象：有时候球明明不转了，记忆还完好无损，仿佛地面被球滚出了一道看不见但真实的痕迹。这叫作静默编码，要求我们重新理解“持续”二字是否真的必须持续。 从生物大脑到硅基芯片，这套“山谷滚球”的地形工程正在被一点一点搬进类脑计算。理解它，等于同时打通了神经科学、计算建模和芯片设计三座山头。

岗位关联

对 AI 从业者而言，持续活动与吸引子网络是理解记忆机制、构建类脑启发模型、设计低功耗神经形态芯片的关键“心智模型”，也是从直觉走向架构创新的重要跳板。

目录
  1. 可视化演示
  2. 概念与原理
  3. 神经机制
  4. 吸引子网络
  5. 模型构建
  6. 静默编码挑战
  7. 类脑应用
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

通过持续活动发放时序、吸引子网络状态空间与多巴胺倒U型调制三个模式，理解神经元群如何通过循环兴奋维持工作记忆。支持模式切换与播放暂停。

本节配有交互动效（进入视口后自动加载，约 3KB）。

持续活动发放 刺激→延迟→响应 rate > baseline PFC神经元在延迟期维持高发放率。

概念与原理

发令员喊了一声：“记住球的位置，在我叫你之前不许忘！”看护员立刻把手按在球上，一小步一小步地推着球，不让它滚走。这个“按住球”的过程，就是工作记忆的日常状态。它不需要把球埋进土里、写进册子，只需要在线保持——用源源不断的微小动作证明“我还记得”。

工作记忆指的是大脑在秒级时间尺度内临时保存并操控信息的能力。你默念一串验证码、心算找零、在脑海中比较两个商品的价格，靠的都是它。神经科学家设计出经典的延迟反应任务：先给猴子一个视觉提示，然后让它在几十秒的空白期里等待，最后才让它做出选择。猴子能答对，说明那段空白里一定有什么东西把信息托住了。

后来的单细胞记录揭示，前额叶皮层中有一些神经元，在整个空白延迟期一直保持着较高的放电频率——好像接力队从第一棒开始就没停过。假如没有这种循环接力，仅仅靠刺激过后的余韵，神经活动会像没人加柴的火堆一样迅速降温。用公式描述就是：

火堆想要不灭，就必须有人不断添柴。前额叶的循环兴奋回路，正是那支不知疲倦的添柴队——这也是下一节的主角。

r(t)=r0 e−t/τr(t)=r_0\,e^{-t/\tau}
这个公式描述“如果不持续兴奋，放电率会指数衰减”：$r_0$ 是余温，$\tau$ 是降温快慢，时间越久活动越接近零。
  1. $r(t)$ 与 $r_0$$r(t)$ 表示 $t$ 时刻的神经元放电率，$r_0$ 是提示刺激刚结束那一瞬间的放电率，相当于火堆刚熄时的温度。
    r(t)=r0 e−t/τr(t)=r_0\,e^{-t/\tau}
  2. 指数衰减 $e^{-t/\tau}$$e$ 是自然常数，$-t/\tau$ 让这个值随时间单调缩水；$\tau$ 越大，衰落越慢，$\tau$ 越小，忘得越快。
    e−t/τ=1et/τe^{-t/\tau}=\frac{1}{e^{t/\tau}}

神经机制

山谷里的值守员们约定了一种传递方式：甲看到球在左槽，就朝乙喊一声“在左！”；乙听到后朝丙喊；丙再朝丁喊。消息在山谷里一圈圈传递，每个人的喊声又反过来让甲确信自己没记错。于是球的位置被“喊”活了。

在大脑里，这些值守员就是神经元。前额叶皮层中密集分布的锥体神经元，通过侧向互相投射形成闭合的兴奋回路：神经元 A 兴奋后激活 B，B 再激活 C，C 又回到 A。每一轮循环，都是对“球还在左槽”的一次再确认。谷氨酸是这个接力赛里最重要的“传声筒”，它作用于 AMPA 和 NMDA 两类受体，前者负责快速传导，后者负责维持较慢的持续电流。

单细胞记录实验为这套机制提供了直接证据：把微电极插进猴子前额叶，能在延迟期看到一串绵延不断、每秒几十次的放电。这些放电率在群体层面构成了一个稳定的活动模式。用方程看单个神经元在当前时刻的活动：

值守员们喊得越整齐，球就待得越稳。这种“整齐的喊声模式”最终沉淀为网络的一种稳定形态，正是吸引子网络的雏形。

si(t)=σ(∑jwij sj(t−1)+Ii(t))s_i(t)=\sigma\left(\sum_j w_{ij}\,s_j(t-1)+I_i(t)\right)
这个公式描述一个神经元如何综合“队友的喊声”与“外部指令”来决定自己是否开口：$w_{ij}$ 是队友 $j$ 在 $i$ 心中的分量，$\sigma$ 是它的开口阈值。
  1. $s_i(t)$ 当前活动$s_i(t)$ 是神经元 $i$ 在时刻 $t$ 的发放状态，可以理解为值守员 $i$ 这一刻有没有开口。
    si(t)=σ(∑jwij sj(t−1)+Ii(t))s_i(t)=\sigma\left(\sum_j w_{ij}\,s_j(t-1)+I_i(t)\right)
  2. 循环输入 $\sum_j w_{ij}s_j(t-1)$把前一时刻所有队友的喊声按连接强度 $w_{ij}$ 加权求和，$w_{ij}$ 越大，队友 $j$ 越能带动 $i$。
    ∑jwij sj(t−1)\sum_j w_{ij}\,s_j(t-1)
  3. $I_i(t)$ 与 $\sigma$$I_i(t)$ 是外部任务给的指令（比如视觉提示），$\sigma$ 是非线性激活函数，让神经元只在“收到的喊声足够大”时才开口。
    σ(⋅)=11+e−(⋅)\sigma\left(\cdot\right)=\frac{1}{1+e^{-(\cdot)}}

吸引子网络

如果山谷的地形是平坦的，球放哪儿都会乱跑。但真实山谷并不平：有些地方有凹槽，球滚进去就自动停稳，轻微的阵风也吹不走。这些凹槽，就是吸引子。

把大脑某个环路的所有神经元状态看作多维空间里的一个点，这个点随时间移动，就画出一条轨迹。吸引子是轨迹最终停靠的固定位置：只要落到凹槽底部，系统就不再漂移。点吸引子是孤立的几个凹槽，适合保存离散的记忆，比如“这是苹果还是香蕉”；连续吸引子则是一整条沟壑，球可以停在沟里任意位置，适合编码方向、空间位置等连续量。

1982 年，Hopfield 给这种直觉装上了数学骨架：他把联想记忆网络看作一个能量地形，记忆就是地形上的凹陷，回忆就是球从高处滚向凹陷的过程。网络状态越接近存储的记忆，能量越低：

凹槽的深浅决定记忆的牢固度。那么，工程上如何手动挖出这些凹槽？答案是设计权重。

E=−12∑i≠jwij si sj+∑iθi siE=-\frac{1}{2}\sum_{i\neq j} w_{ij}\,s_i\,s_j+\sum_i \theta_i\,s_i
能量函数像一张“海拔地图”：凹槽越深（能量越低），记忆越牢固；$\theta_i$ 相当于每个位置的护栏高度，调整每个记忆是否更容易被激活。
  1. 配对能量项 $\sum_{i\neq j}w_{ij}s_is_j$$s_i$ 和 $s_j$ 同时兴奋时，连接 $w_{ij}$ 会让能量下降；越多的“投票一致”，能量越低，状态越稳定。
    −12∑i≠jwij si sj-\frac{1}{2}\sum_{i\neq j} w_{ij}\,s_i\,s_j
  2. 阈值项 $\sum_i\theta_i s_i$$\theta_i$ 是神经元 $i$ 的激活门槛。它像一个抬高的挡板，$s_i$ 兴奋会消耗能量，从而控制哪些状态更容易被吸引。
    ∑iθi si\sum_i \theta_i\,s_i
  3. $E$ 的意义$E$ 不是真实物理能量，而是一把衡量系统“是否到家”的尺子——$E$ 越低，说明球离谷底越近。
    E=−12∑i≠jwij si sj+∑iθi siE=-\frac{1}{2}\sum_{i\neq j} w_{ij}\,s_i\,s_j+\sum_i \theta_i\,s_i

模型构建

要让山谷拥有理想的凹槽，工程队得决定哪里挖深、哪里填平。神经元之间的“挖掘工具”就是突触权重 $w_{ij}$：两个神经元越是应该一起兴奋，它们之间的连接就越强；越是应该互相抑制，连接就越负。权重表画完，地形也就定了。

Hopfield 网络是这条思路最经典的实现：用外积法把待存储的记忆模式“压印”进权重矩阵，网络就能从残缺输入中恢复完整记忆。环形网络则巧妙地让神经元按某个连续特征（比如朝向）首尾相连，权重呈周期分布，从而形成一圈连续的谷沟——球可以在任意位置上滑动，实现了连续吸引子。

不过，单纯的兴奋连接会让网络“喊得太响”而失控。大脑的诀窍是兴奋-抑制平衡：兴奋性神经元负责传递球的位置，抑制性神经元像镇静剂一样限制总活动量，既能维持持续放电，又不让网络过载。把以上要素写进连续时间动力学方程：

图纸画得再好，也挡不住一个新事实的冲击：有些山谷里，球明明停了，记忆却没有消失。

τdxidt=−xi+∑jwij ϕ(xj)+Ii\tau\frac{\mathrm{d}x_i}{\mathrm{d}t}=-x_i+\sum_j w_{ij}\,\phi(x_j)+I_i
这个方程描述膜电位的“充放电”过程：$\tau$ 控制反应快慢，右侧第一项是自然漏电，第二项是队友们带来的总输入，$I_i$ 是外部刺激。
  1. 膜电位 $x_i$ 与时间常数 $\tau$$x_i$ 是神经元 $i$ 的膜电位，$\tau$ 决定它变化多快，$\tau$ 越大越“慢性子”。
    τdxidt\tau\frac{\mathrm{d}x_i}{\mathrm{d}t}
  2. 漏电项 $-x_i$没有输入时，膜电位会自然衰减回零，相当于山谷的球如果没有凹槽就会滚走。
    −xi-x_i
  3. 输入聚合 $\sum_jw_{ij}\phi(x_j)+I_i$$\phi(x_j)$ 是神经元 $j$ 的发放率，权重加权后与外部输入 $I_i$ 一起决定 $i$ 被拉向哪个方向。
    ∑jwij ϕ(xj)+Ii\sum_j w_{ij}\,\phi(x_j)+I_i

静默编码挑战

科学家在更精确的实验里发现了一件尴尬的事：有些猴子在延迟期的放电活动并没有想象中那么热烈，甚至降到了接近背景噪声的水平，但它的行为依然正确。这就像看护员明明已经松开了手，球却诡异地停在原地——难道山谷里存在某种看不见的暗槽？

这个现象就是静默编码。它向“持续活动是唯一载体”的假说发起了挑战：如果活动可以静默，记忆就不能只靠放电来维持。研究者发现，秘密可能藏在突触里：一次强刺激会让某些突触在一段时间内“变灵敏”，即使神经元不再持续放电，突触的传递效率也已经悄悄抬高。这种痕量是短暂有效的，但它足以支撑几十秒的工作记忆。

具体来说，动作电位到达突触前末梢后，会留下一个“准备就绪”的增强信号。释放概率随时间按指数回落到基线：

如今主流观点更倾向双重机制假说：持续放电负责显式的、随时可读取的记忆；静默的突触痕迹负责隐式的、低能耗的记忆备份。两者协同，让大脑在“维持成本”和“读取速度”之间取一个明智的折中。

u(t)=u0+(1−u0) e−(t−tlast)/τfacu(t)=u_0+(1-u_0)\,e^{-(t-t_{\mathrm{last}})/\tau_{\mathrm{fac}}}
$u(t)$ 是突触的“灵敏度”：$t_{\mathrm{last}}$ 是最后一次脉冲到达的时刻，$\tau_{\mathrm{fac}}$ 是灵敏度衰减的松弛时间。脉冲刚过时 $u$ 被抬高，随后慢慢回落。
  1. 突触释放概率 $u(t)$$u(t)$ 表示突触前神经元发放一次脉冲时，递质被实际释放的概率；$u$ 越高，信号传递越有力。
    u(t)=u0+(1−u0) e−(t−tlast)/τfacu(t)=u_0+(1-u_0)\,e^{-(t-t_{\mathrm{last}})/\tau_{\mathrm{fac}}}
  2. $u_0$ 与增强幅度$u_0$ 是静息释放概率，$(1-u_0)$ 是“能被临时增强的余量”，脉冲越近，增强越充分。
    u0+(1−u0) e−(t−tlast)/τfacu_0+(1-u_0)\,e^{-(t-t_{\mathrm{last}})/\tau_{\mathrm{fac}}}
  3. 时间常数 $\tau_{\mathrm{fac}}$$\tau_{\mathrm{fac}}$ 越大，突触“记住”刚才那次脉冲的时间越长，静默编码能维持的窗口也越长。
    τfac\tau_{\mathrm{fac}}

类脑应用

人工建造山谷时，工程师面临一个现实问题：让球持续滚动需要源源不断的能量，生物脑尚且耗电，硅片更吃不消。于是，他们不再追求“球一直滚”，而是直接在芯片上雕刻微型“凹槽”——用电荷在电容上的驻留来模拟球停在谷底。

类脑芯片从持续活动研究中拿走的第一件宝贝，就是“用结构代替活动”的记忆存储思想。传统计算机每次访问记忆都要把数据搬来搬去，功耗极高；类脑芯片则让信息就地驻留在突触电路里，像电荷驻留在电容中。泄漏越小，记忆保持越久。元器件级的记忆驻留时间遵循一个简单的 RC 关系：

除了芯片，吸引子网络也被用于 AI 认知建模：把精神分裂症的工作记忆缺陷建模成“凹槽太浅、噪声太大”，把老年健忘建模成“突触痕迹衰退加快”。山谷不只是脑科学家的研究对象，它已经成了连接神经科学、计算建模和芯片工程的一条真实纽带。

Thold=Cgleakln⁡(V0Vth)T_{\mathrm{hold}}=\frac{C}{g_{\mathrm{leak}}}\ln\left(\frac{V_0}{V_{\mathrm{th}}}\right)
这个公式描述电容上的“记忆电荷”能撑多久：$C$ 是电容容量，$g_{\mathrm{leak}}$ 是漏电导，$V_0$ 是初始电压，$V_{\mathrm{th}}$ 是判定记忆消失的阈值电压。
  1. 驻留时间 $T_{\mathrm{hold}}$从充电完成到电压跌破阈值所经过的时间，就是硅片上“工作记忆”的寿命。
    Thold=Cgleakln⁡(V0Vth)T_{\mathrm{hold}}=\frac{C}{g_{\mathrm{leak}}}\ln\left(\frac{V_0}{V_{\mathrm{th}}}\right)
  2. 缓存比 $C/g_{\mathrm{leak}}$电容越大、漏电越小，比值越大，记忆就像越深的凹槽，球越不容易滚走。
    Cgleak\frac{C}{g_{\mathrm{leak}}}
  3. 对数项 $\ln(V_0/V_{\mathrm{th}})$初始电压越高、阈值越低，对数项越大，记忆时间越长。
    ln⁡(V0Vth)\ln\left(\frac{V_0}{V_{\mathrm{th}}}\right)

AI 应用场景

认知障碍的计算建模

阶段：假设生成与仿真验证

解决的问题：传统神经心理学测试只能看到“患者做错了”，却很难定位是编码、维持还是提取环节出了故障。用吸引子网络建模工作记忆后，研究者可以把“凹槽深浅”和“噪声水平”变成可调参数，逐一模拟不同脑区的功能障碍。

具体案例：在精神分裂症的计算机模型中，研究者增大网络噪声、减小吸引子的能量深度，结果模型在延迟期后出现与患者相似的记忆混淆错误；据此可以反推患者大脑中可能是抑制性环路功能减弱导致“谷底变浅”。

类脑芯片的记忆存储单元设计

阶段：硬件架构设计与能效优化

解决的问题：冯·诺依曼架构中，运算单元和存储单元分离，数据搬运既慢又耗电。类脑芯片借鉴持续活动的“就地保持”思想，把记忆存储单元与计算单元融合在同一个神经形态回路中。

具体案例：在 Intel Loihi 与清华大学“天机”芯片中，设计者使用低漏电电容或可编程突触电路模拟吸引子的能量谷，使状态在无输入时依然驻留，同时能耗比传统方案低一个数量级。

Python 演示

python25 行
import numpy as np  def persistent_activity(T=1000.0, dt=0.1, stim=5.0, stim_dur=50.0, noise=0.05):    tau = 10.0    weight = np.array([[1.2, 0.8], [0.8, 1.2]])    voltage = np.array([0.0, 0.0])    times = []    firing1 = []    firing2 = []    for t in np.arange(0.0, T, dt):        external = np.array([stim if t < stim_dur else 0.0, 0.0])        firing = np.tanh(voltage)        voltage = voltage + dt * (-voltage + weight.dot(firing) + external) / tau        voltage += np.random.randn(2) * noise        times.append(t)        firing1.append(firing[0])        firing2.append(firing[1])    return np.array(times), np.array(firing1), np.array(firing2)  if __name__ == "__main__":    times, firing1, firing2 = persistent_activity()    for i in range(0, len(times), 100):        print(f"t={times[i]:7.1f}ms  r1={firing1[i]:.3f}  r2={firing2[i]:.3f}")
目的：模拟双神经元循环兴奋回路，展示输入撤去后网络仍能维持持续放电——正是气球滚进谷底后“自动停稳”的计算版本。
  1. weight = np.array([[1.2, 0.8], [0.8, 1.2]])两个神经元之间的连接矩阵，对角线是自兴奋，1.2 足以维持非零稳态；副对角线是互相喊话的强度。
  2. external = np.array([stim if t < stim_dur else 0.0, 0.0])只在最初的 50 毫秒里给神经元 1 一个外部刺激，之后完全“撒手”。
  3. firing = np.tanh(voltage)用 tanh 把电压压成 0 到 1 之间的发放率，模拟非线性激活。
  4. voltage = voltage + dt * (-voltage + weight.dot(firing) + external) / tau欧拉积分：漏电项 -voltage 把电压往回拉，权重输入项把电压往前推，两者平衡后状态停在某个非零值。
  5. voltage += np.random.randn(2) * noise加入高斯噪声，测试吸引子在扰动下是否依然稳得住。

常见误区

误区我觉得工作记忆就是某颗“记忆神经元”从头到尾以最高频率放电，像一盏一直亮着的灯。

正解真实情况更像一支接力队：单个神经元可能只喊两嗓子就休息，但群体的总体放电率维持稳定。前额叶记录里，不同神经元交替活跃，群体层面才呈现连续的持续活动。用山谷比喻说，不是某一个人死死按住球，而是一群人轮流伸手，球始终保持被托住的状态。

为何常见：教科书中常画一条“延迟期持续放电”的单细胞曲线，容易让人误以为每个神经元都在全速工作。

误区海马体负责记忆，所以工作记忆也是海马体的功劳。

正解海马体主要负责把短时内容转化为长期情景记忆，而工作记忆的在线保持主力是前额叶皮层及其与顶叶、丘脑的环路上。延迟反应实验中，前额叶受损的猴子几乎无法完成几秒的等待任务，而海马受损的猴子在这类任务上表现基本正常。

为何常见：大众把“记忆”笼统归给海马，忽略了工作记忆和长时记忆在脑区和机制上的巨大差异。

误区既然有实验发现放电活动会降低，那持续活动假说就是错的，吸引子模型已经被淘汰了。

正解两类证据其实互补。持续放电在多数任务中清晰可见，静默编码只在特定条件下（如麻醉、低唤醒或极短延迟）更突出。今天的双重机制假说认为，显式放电吸引子和隐式突触痕迹共同维持记忆，一个负责快速读取，一个负责低能耗保存。

为何常见：初学者看到“挑战”“修正”这类词就容易理解成“推翻”，但科学进展往往是补充而非取代。

误区放电率降下去，大脑里就什么都没有了，记忆应该已经丢失。

正解记忆没有消失，它从“活动状态”转移到了“结构状态”：突触权重被临时修改，像山谷地面被滚出凹痕。只要有合适的唤醒信号，网络就能重新点燃活动，把记忆拉回显式状态。信息从显式变成隐式，而不是从有变成无。

为何常见：我们习惯用放电率作为“信息存在”的唯一标尺，忽略了突触连接强度本身也是信息载体。

误区类脑芯片应该是把离子通道、树突、轴突全部 1:1 仿真出来的“电子大脑”。

正解工程芯片追求的是“借鉴原则”而非“生物复刻”。持续活动在芯片上往往用漏电流极小的电容或简化积分电路实现，因为工程师只关心“状态能不能驻留”，而不是真的造一个 Hodgkin-Huxley 离子通道模型。

为何常见：“类脑”这个词带来过度想象，让人觉得越接近生物越好，实际上能效比和实用性才是芯片设计的指挥官。

面试题

Q1. 在经典的延迟反应任务中，持续活动主要在哪一脑区被观察到？

单选题 · easy

  • A.小脑皮层活动
  • B.前额叶皮层← 正确答案
  • C.海马体编码
  • D.脑干调节

答案：B。前额叶皮层是工作记忆在线维持的主战场，延迟期能记录到持续的延迟期放电；海马主要负责长时记忆编码，小脑和脑干与这类记忆保持关系不大。

Q2. 根据持续活动假说，信息在线保持的直接载体是什么？

单选题 · easy

  • A.神经元循环放电← 正确答案
  • B.DNA甲基化修饰
  • C.血液循环流动
  • D.胶质细胞营养

答案：A。持续活动假说的核心是神经元群通过循环兴奋相互激励，把信息以放电活动的形式保持在网络中。DNA 甲基化属于长期表观修饰，与秒级工作记忆无关。

Q3. 吸引子网络模型中，网络状态最终趋向何处？

单选题 · mid

  • A.能量最低的稳态← 正确答案
  • B.能量最高状态
  • C.完全随机位置
  • D.极限振荡频率

答案：A。状态在能量地形中滚动，最终落入局部能量极小值，也就是吸引子。能量最低对应记忆最稳定的谷底，高能量状态不稳定，随机位置和振荡都不符合吸引子收敛特性。

Q4. 延迟期记录到放电率明显降低但行为正确，最可能的解释是？

单选题 · extreme

  • A.记忆隐含在突触强度中← 正确答案
  • B.神经元已进入凋亡期
  • C.遗传物质发生改变
  • D.放电必然线性衰减至零

答案：A。这是典型的静默编码现象：放电活动退居幕后，记忆以突触权重的临时改变（短时可塑性）保存下来。凋亡、遗传改变都与秒级工作记忆无关，放电率也并非线性衰减而是可被唤醒。

Q5. 下列哪些机制与工作记忆的维持有关？

多选题 · mid

  • A.局部循环兴奋回路← 正确答案
  • B.前额叶皮层下环路← 正确答案
  • C.突触短期可塑性← 正确答案
  • D.髓鞘结构快速重塑

答案：ABC。循环兴奋回路提供显式的持续放电，皮层下环路参与调节维持过程，突触短期可塑性是静默编码的载体，三者共同支撑工作记忆。髓鞘重塑是小时到天尺度的结构可塑性，无法解释秒级维持。

Q6. Hopfield 网络中，能量函数的局部极小值对应什么？

单选题 · hard

  • A.存储记忆的稳定模式← 正确答案
  • B.输入白噪声的方差
  • C.矩阵特征值之和
  • D.神经元放电频率上限

答案：A。Hopfield 把每个存储的记忆模式设计成能量地形上的凹陷，局部极小值就是网络的稳定记忆状态。网络从含噪输入出发，沿能量下降方向滚动，最终停进某一记忆谷底，完成联想回忆。

Q7. 连续吸引子网络与点吸引子网络的核心区别是？

单选题 · mid

  • A.稳定状态构成连续流形← 正确答案
  • B.神经元数量显著更大
  • C.完全不需要突触连接
  • D.只能存储连续语音信号

答案：A。点吸引子像一个个孤立的坑，只能停在某些离散位置；连续吸引子像一条连续沟壑，球可停在任何一点，适合编码朝向、空间位置等连续量。神经元数量和连接必需性并非本质区别。

Q8. 静默编码对持续活动假说的修正体现在哪些方面？

多选题 · hard

  • A.延迟期放电可降至背景水平← 正确答案
  • B.记忆短暂保存在突触权重中← 正确答案
  • C.网络可以在无活动时保持信息← 正确答案
  • D.突触连接密度必须保持不变

答案：ABC。静默编码表明信息不一定以放电率呈现，可转入突触权重痕迹，因此网络在活动静默时依然保有记忆。它修正的是“必须持续放电才能记忆”的强假设，与突触连接密度是否改变无关。

Q9. 类脑芯片中的记忆存储单元主要借鉴了什么原理？

单选题 · easy

  • A.电容电荷保持信息← 正确答案
  • B.电阻发热做功
  • C.电感稳定振荡
  • D.二极管单方向导通

答案：A。持续活动的低能耗映射是“电荷驻留”：电容存储的电荷像谷底的小球，漏电越小驻留越久，信息就以电压形式被保存。电阻发热、电感振荡、二极管导通都不是记忆存储的核心原理。

Q10. 吸引子网络模型可用于以下哪些方向？

多选题 · mid

  • A.联想记忆恢复← 正确答案
  • B.精神疾病认知建模← 正确答案
  • C.类脑芯片存储单元← 正确答案
  • D.光合作用强度模拟

答案：ABC。Hopfield 网络天然擅长从残缺输入恢复完整记忆；认知建模用吸引子的稳定性刻画精神疾病的工作记忆缺陷；类脑芯片把吸引子的能量谷实现为模拟存储电路。光合作用与网络吸引子机制没有直接关系。