神經集群模型

神經集群模型是一種簡化的描述方式，它關注的是一大群腦細胞平均在做什麼，而不是逐個去追蹤每一個細胞。想像一個坐滿人的體育場：你當然可以試著盯住每一位觀眾，但談論整個人群要容易得多——他們歡呼有多響、是否有一道人浪正在傳過去、情緒隨時間如何起伏。神經集群模型對一片可能含有數百萬神經元的腦組織也用了同樣的招數：它不去計算每個神經元的電脈衝，而是用寥寥幾個數字來概括整群，比如平均放電率（這群細胞發送信號有多忙碌）或這片組織的平均電壓。這種取平均的思路，科學家稱之為平均場描述。

它之所以行得通，是因為位置相近、工作相似的神經元往往行為也相似，於是它們合起來的活動比任何單個細胞都更平滑、更可預測——個體的隨機抖動會相互抵消，留下一個乾淨的群體信號。一個典型的模型用一小組方程來表述：這群細胞的平均活動如何隨時間起落，興奮性群體（推動鄰居放電）與抑制性群體（讓它們安靜下來）如何彼此較勁，以及由此湧現的節律如何加快、減慢，或陷入振盪。正因為它如此精簡，便能在一台普通電腦上，對大片腦區、長段時間地運行下去。

這使得神經集群模型成為研究腦節律和大尺度活動的得力工具：它有助於解釋腦電圖（一種從頭皮記錄大腦電節律的方法）中看到的波形，幫助理解像癲癇發作這樣整片腦區陷入失控同步放電的情形，也是把許多這樣的群體連接在一起、構建全腦模擬的基本積木。代價在於，由於把單個神經元抹平了，模型放棄了精細的細節——它告訴你人群整體在做什麼，卻說不出其中任何一個人具體在幹什麼。