《物理评论快报》近期发表的一项研究提出，神经科学中用于识别“大脑处于临界点”现象的多项常用特征，可能在一定条件下由统计伪影造成。研究团队在构建更稳健的检验框架后，将其应用于全脑功能性磁共振成像（fMRI）数据，结果显示：人脑活动呈现近临界特征，但并未处于临界点。

神经科学界长期关注“大脑运行在临界点附近”的假设，即系统处于稳定与混沌动力学之间的相变边缘。相关理论认为，临界附近可能带来更高的计算灵活性、更大的动态范围以及对输入更敏感的响应。过去的神经记录中，研究者也曾观察到近似尺度不变性与跨时空尺度的幂律行为，这些现象被视为支持证据之一。该概念亦影响到人工智能领域，尤其是储备计算研究中，“混沌边缘”附近的网络常被认为表现更佳。

不过，研究团队指出，一个关键问题仍未解决：这些临界性特征究竟源于大脑递归网络的内在集体动力学，还是由外部输入特性与数据采样限制共同塑造。研究强调，神经记录中常见的时间自相关（信号随时间缓慢变化）以及有限采样（时间点数量相对脑区数量不足）两项因素，即便在不存在真实集体动力学的系统中，也可能产生类似临界性的统计特征。

据Phys.org报道，格拉纳达大学博士生、该研究共同作者鲁本·卡尔沃·伊巴涅斯（Rubén Calvo Ibáñez）表示，团队重点检验的伪影来源是“时间相关性与子采样的叠加”。为此，研究人员构建了一个脑区之间不存在连接的简化模型：在这种“断连”系统中并无集体动力学机制，但只要每个区域的输入具有较长时间自相关，就可能出现表观缩放指数随相关时间连续变化的现象。研究认为，这一问题在fMRI中尤为突出，因为BOLD信号本身较慢且记录时长相对有限。

在方法上，研究指出，检测临界性常见的两条路径分别是：一是分析大脑活动协方差矩阵的特征值谱（基于主成分分析的思路）；二是采用现象学重整化群（PRG）方法，追踪神经元（或脑区）逐步聚合成更大簇群时活动统计量的变化。但团队认为，上述方法在面对时间自相关与有限采样时存在盲点，可能将伪影误判为临界缩放。

为区分真实临界性与伪影，研究团队构建并扩展了两个理论模型以分别隔离不同影响因素。其中一个模型为线性递归发放率模型，使用参数g表征整体耦合强度，网络可由稳定、快速衰减的状态逐步逼近不稳定边缘。研究的关键观点之一是，时间粗粒化在数学上等价于用具有自相关的“彩色噪声”驱动网络，从而使缩放特征对预处理选择更为敏感。作为对照，团队还考察了g=0、脑区间完全无交互的情形，并指出在有限记录条件下，仅用缓慢噪声驱动独立区域，也足以产生带有伪幂律尾部的协方差统计，且在统计上可能与真正临界网络难以区分。

在此基础上，研究提出三项实用工具以削弱伪影影响：其一为时间移位随机化，即对每个脑区的时间序列独立打乱，以保留慢波动但破坏脑区间真实协同；其二为跨参与者数据合并，以增加有效时间点、降低采样误差；其三为指数匹配，用以检验fMRI中观测到的缩放特征是否与递归模型预测一致，而非落入伪影基线。

研究随后将该框架应用于LEMON数据集。该数据集包含136名健康参与者的静息态fMRI扫描，覆盖183个脑区，每位受试者记录时长约10分钟。

研究结果显示，在合并后的群体层面数据中，存在真实的近临界特征：有效耦合强度约为0.88，而1.0对应临界点。研究据此认为，当以群体方式分析大脑活动时，整体动力学接近但仍低于临界阈值。进一步地，在进行时间移位随机化后，这些特征几乎完全消失，研究团队据此判断原始数据中保留下来的信号更可能反映真实集体动力学而非统计伪影。研究还称，提取的缩放指数与递归发放率模型预测高度一致，指向近临界行为来自回响网络活动，而非结构化输入所致。

卡尔沃在采访中表示，接近临界点运行可能保留多尺度集体模式与可控放大等特性，同时避免系统恰处临界点时小扰动引发不稳定的风险。

研究团队表示，下一步计划构建基于连接组的模型，以将临界性特征与大脑结构架构更直接关联，并测试临界距离是否会随年龄、疾病或认知状态变化。团队同时指出，该框架的适用范围不局限于神经科学，也可用于其他声称存在近临界动力学的研究场景。

© 2026 Science X Network