在对猴子的研究中，约翰霍普金斯大学的研究人员报告说，他们已经发现了关于小脑 - 哺乳动物大脑的“学习机器”如何做出预测并从错误中学习的重要新细节，帮助我们执行复杂的运动行为，如准确将篮球射入网中或将注意力集中在整个房间的物体上。

在4月16日发表在Nature Neuroscience上的研究摘要中，研究人员更好地理解了为什么影响小脑的退行性疾病会导致人们失去对其运动的控制。他们的研究结果表明，小脑的组织方式与人工神经网络的当前设计截然不同，人工神经网络目前用于机器学习和人工智能。

在小脑中学习 - 位于颅骨后部的脊椎动物大脑的一部分，指导和调节运动 - 通过试验和错误的过程来指导。例如，在学习射击篮球时，人们通常会错过很多次才能通过篮筐投篮。当手臂移动时，小脑会对动作的后果做出预测。当预测与现实不符 - 也就是说，球错过了箍 - 小脑接受来自眼睛和手臂的反馈以从错误中学习，微调因素如目标，力量和释放来制作篮子。这种从错误中试用到试验的学习可以逐步改善性能。然而，研究工作未能解释小脑细胞如何做出预测以及如何从错误中吸取教训，

“试图理解小脑中的神经活动有点像试图破译外来语言，来自遥远星系的信号，”他说。

为了解码信号，Shadmehr说团队开始研究小脑中的主要神经元，称为浦肯野细胞。浦肯野细胞通过两种类型的电信号进行通信：简单的尖峰，其反映关于细胞正在进行的预测的信息;以及复杂的尖峰，其反映被发送回浦肯野细胞的信息，通知它们预测中的错误。

Shadmehr说：“你可以把简单的尖峰看作是做出预测的'学生'和复杂的尖峰作为提供反馈的'老师'。”

在过去的一项研究中，Shadmehr和他的研究小组发现Purkinje细胞组成了大约50个小组，并一起进行预测，同时发送所有成员的输出。构成这些组的神经元共享一个关键特征：它们都接收相同的错误信号。因此，小脑中的基本计算单位不是单个浦肯野细胞，而是一个从一个常见错误中共同学习的小团体。虽然早期的研究试图破译单个浦肯野细胞的简单峰值，但这些结果表明理解小脑的关键是将浦肯野细胞组织成组，然后计算组中成员产生的简单尖峰的总和。 。通过这样做，

找到了解释小脑预测语言的方法，下一步是了解小脑如何从预测误差中学习。为了研究这个问题，研究人员测量了七只配有电极的恒河猴的小脑活动，并训练它们用眼睛跟踪一个小目标。研究人员通过比猴子准确预测更快地移动目标来复制“错误”，导致他们经常错过目标。

他们发现通过电极测量的简单尖峰与运动强度相关 - 更简单的尖峰意味着猴子需要更快地移动眼睛来捕捉目标。根据研究人员的说法，浦肯野细胞平均每秒产生50-70个尖峰。

研究人员发现复杂的尖峰并没有以同样的方式传达错误。无论猴子的眼睛离目标有多远，小脑产生的复杂尖峰的数量都保持不变。相反，他们发现误差的方向影响了产生复杂尖峰的概率，而误差的大小影响了复杂尖峰的时间。因此，预测语言是简单尖峰的速率，而预测误差的语言是复杂尖峰的时间。

例如，Shadmehr发现，当猴子以3度的距离错过目标时，100毫秒后会出现复杂的尖峰，如果猴子错过8度，则会在120毫秒内出现复杂的尖峰。

“简而言之，教师的'语言'是时间，而学生的语言是速度，”沙德梅尔说。

Shadmehr解释说，世界上当前的AI机器依赖于相同的基本结构，并且由多层神经元单元组成，这些单元一起进行预测。这些单元的层进行计算，将结果传递到下一层，直到该过程到达进行最终预测的“输出”层。当AI机器的预测错误时，它会出现错误，并且当前的AI网络会将该错误发送回所有单元。

“这些机器受到生物网络学习方式的启发，但有趣的是，小脑的结构与人工系统中的设计略有不同，”Shadmehr说。在错误发生后，所有细胞都接受复杂的尖峰，而在小脑中，浦肯野细胞组织成小组，每组都专门响应特定的错误。Purkinje单元似乎是基于对任务空间的一小部分的错误偏好进行组织的。

Shadmehr说，小脑结构的一个优点是它可以保护记忆。当您遇到错误时，它会通过引用注册该错误的Purkinje单元格来学习。如果在下一次试验中您遇到左侧错误，则新错误将引入一组新的Purkinje单元格。结果，新错误不会擦除存储器，但会产生两个独立的存储器。

对小脑的损伤会严重损害运动的能力，导致一起称为共济失调的症状。一个尚未解决的难题是小脑如何将其预测转化为指导运动的运动指令。

这一最终结果可以通过测量误差学习来改进小脑疾病的诊断，并允许科学家将运动学习障碍与特定的浦肯野细胞群的丧失联系起来。