动态资源分配协调人脑中的物理模拟

人类能够通过在大脑中对物体动力学进行内部模拟，灵活地预测物理事件，而这种能力是当前人工智能系统所欠缺的。通过结合视觉遮挡的小球碰撞范式与多模态神经影像技术（fMRI/MEG），我们揭示了一种在时空上有组织的物理模拟神经架构。fMRI显示出层级化的空间分离：高阶皮层区域编码关系性物理变量，这与低阶感觉运动区域所编码的物体特异性特征相区分。MEG则揭示了两个在时间上彼此分离的神经过程：其一是与碰撞动力学相一致、实时追踪物体演化状态的模拟过程；其二是一个提前预测碰撞发生的早期神经信号（约在接触前700毫秒出现）。我们提出，这种早期预测性控制机制能够在模拟过程中动态分配认知资源。我们进一步将其形式化为动态资源直觉物理引擎（IPE）模型，该模型通过优化准确性—代价权衡，同时解释了行为数据以及双重神经时间尺度。关键在于，该框架预测了另一种独立于碰撞发生之外的适应性控制变量的早期编码，而这一点已得到MEG与瞳孔反应的共同证据支持。这些发现揭示了大脑如何通过层级组织的预测性控制来高效实现物理推断，并在此过程中动态分配认知资源。

人类能够通过在大脑中对物体动力学进行内部模拟，灵活地预测物理事件，而当前的人工智能系统尚不具备这种能力。通过结合视觉遮挡条件下的小球碰撞范式与多模态神经影像技术（fMRI/MEG），我们揭示了一种具有时空组织性的物理模拟神经架构。fMRI结果显示出层级化的空间分离：高阶皮层区域编码关系性物理变量，而低阶感觉运动区域则编码物体特异性特征，二者彼此 distinct。MEG揭示了两个时间上彼此分离的神经过程：其一是实时模拟过程，用于追踪物体不断演化的状态，并与碰撞动力学保持一致；其二是一个提前出现的预测信号，用于预期碰撞的发生（约在接触前700毫秒）。我们提出，这种早期预测性控制机制能够在模拟过程中动态分配认知资源。我们进一步将其形式化为一个动态资源直觉物理引擎（Dynamic Resource Intuitive Physics Engine, IPE）模型，该模型通过优化准确性—代价权衡，同时刻画了行为数据和双重神经时间尺度。关键的是，该框架预测了另一种区别于碰撞发生的适应性控制变量的早期编码，而这一点同时得到了MEG和瞳孔反应证据的支持。这些发现揭示了大脑如何通过层级组织的预测性控制机制，实现对认知资源的动态分配，从而高效地完成物理推断。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.21.732202v1?rss=1

🏷️ 物理模拟 认知资源分配 预测性控制 fMRI/MEG 直觉物理引擎