背景百科：猕猴上肢运动控制的群体神经科学与脑机接口
这是一篇写给「聪明外行」的领域入门读物——比如一位来自其他学科、第一次接触运动控制神经科学的研究生。它回答的问题不是「某篇论文做了什么」，而是：这个领域在研究什么、从哪里来、用什么工具、形成了哪些概念、由哪些人推动，以及我们为什么按现在这种方式读这些论文。
本文的资料基础是本目录下的 47 篇文献笔记（编号 A01–F05）。这些笔记逐一依据原始论文 PDF 写成，每篇包含背景、研究思路、方法、主要结果、逐图解读、讨论边界和思考问题，关键数字与结论都经过逐图核对。正文中形如 B06 的链接可以直接跳到对应笔记查看原文证据与图。
目录里还有三篇「元文档」，分工不同：00_总览 是导航与一句话结论索引；01_综述 围绕「运动皮层如何在身体、任务和反馈共同变化时维持有效控制」组织跨论文证据，是一篇论证性的学术综述；本文不重复那条论证线，而是讲领域的通识背景、历史来龙去脉和人物谱系，帮助你获得阅读综述与单篇笔记所需的「上下文」。两篇可以对照着读：本文给你地图，综述带你看证据如何相互约束。
一个贯穿全文的提醒（这也是本笔记体系的风格）：「能解码」「存在低维结构」「找到了因果机制」是三个不同层次的结论。神经活动与某个变量相关，首先只说明数据携带信息；要主张因果控制，还需要独立的操纵证据。文中会尽量区分「证明」「支持」与「提示」。
本文目录
这个领域研究什么
一个看似简单的动作有多难
伸手拿一杯水，对人是毫不费力的日常动作，对神经系统却是一连串工程难题。第一，感觉延迟：视觉信息从视网膜到皮层需要几十到上百毫秒，等你「看到」手偏离目标时，偏离已经发生了。第二，噪声：从感觉估计到运动神经元放电，每一级都有噪声，而动作必须在噪声中保持准确。第三，冗余：手臂的关节和肌肉数量远多于完成任务所需的自由度——同一个终点位置可以有无数种关节姿态，同一条轨迹可以有无数种肌肉发力组合，系统必须从中「选择」。第四，学习：身体在生长和变化，工具会改变肢体的动力学，环境会改变感觉与动作的关系，控制系统必须持续更新。
因此这个领域的核心问题可以概括为四个动词：大脑如何计划一个动作（在动之前准备什么）、如何执行（如何把意图变成肌肉命令）、如何纠正（如何利用反馈在几十到几百毫秒内在线修正）、如何学习（如何把一次经验变成持久的能力）。本集的 47 篇论文，几乎每一篇都在其中一个动词上提供了证据。
为什么用猕猴
猕猴（主要是恒河猴与食蟹猴）的上肢骨骼肌肉结构、视觉引导的伸手抓握行为与人类高度相似；它们可以被训练完成需要数百上千次试次的精细任务，使统计分析成为可能；在严格的伦理与兽医规范下，可以在它们皮层植入电极，以单神经元分辨率记录行为过程中的活动——这类数据目前无法从人身上常规获得。猕猴研究因此成为理解人类运动控制（以及开发运动假肢）的主要动物模型。本集除少数比较性工作（如以狨猴捕食为重点的综述 F05）外，主体都是猕猴实验。
为什么伸手和抓握是「模型行为」
正如遗传学用果蝇、视觉研究用光栅，运动控制研究需要一个足够简单又足够丰富的「模型行为」。伸手（reach）正好满足：从中心位置伸向不同方向的目标（即著名的 center-out 范式），方向、距离、速度都可参数化地操纵；抓握（grasp）则引入了物体形状、握法与用力的维度。二者合起来覆盖了从「去哪儿」到「怎么拿」的完整动作链。本集 D 区的 D07、D08、D12、D13 都在拆解这两个成分如何在皮层中组合。
什么是「群体神经科学」转向
传统研究一次记录一个神经元，问「这个细胞编码什么」。但越来越多证据表明，单个神经元的响应往往是混合选择性（mixed selectivity）的：同一个细胞同时受位置、握法、朝向等多个参数调制，且这种混合呈连续谱分布而非分成整齐的类别（本集 D12 在额顶网络中定量展示了这一点）。如果单细胞是「混合」的，那么「每个细胞代表一个变量」的解释框架就难以为继。群体神经科学的转向是：把同一时刻许多神经元的联合活动看作高维空间中的一个点，研究这个点随时间画出的轨迹与它的几何结构，而不是逐个细胞地贴标签。2010 年代多电极阵列的普及让这种研究成为日常（见下文「发展脉络」）。本集副标题里的「群体神经科学」指的就是这一视角。
发展脉络：从反射到群体动力学
反射传统与清醒猴记录的诞生（1900s–1960s）
二十世纪初，Sherrington 以脊髓反射为基本单元理解运动，确立了「刺激—反应」的分析传统。这个传统强大但受限：麻醉或制备动物无法回答「自主运动」的问题。1960 年代，NIH 的 Edward Evarts 开创了在清醒、行为中的猕猴上记录单个神经元的范式，证明锥体束神经元（从运动皮层直达脊髓的输出细胞）的活动与动物施加的力相关。这确立了整个领域的基本工作方式：训练动物完成可控行为，同时记录神经元放电。华盛顿大学的 Eberhard Fetz 在 1969 年进一步证明，猴子可以通过操作性条件反射学会主动控制单个神经元的放电去驱动仪表指针——这个实验后来被视为脑机接口的思想源头。Fetz 与 Paul Cheney 还开创了 spike-triggered averaging（用皮层细胞放电触发平均肌电，推断其对肌肉的作用），开创了皮层运动神经元（CM 细胞）研究。
方向调谐与群体向量（1980s–1990s）
如果把电极插进运动皮层，让猴子向八个方向伸手，许多神经元会对某个方向放电最强、对相反方向最弱——这就是方向调谐：细胞的放电率随运动方向呈余弦式变化，峰值方向称为「偏好方向」。Apostolos Georgopoulos（约翰霍普金斯，后赴明尼苏达大学）在 1982–1986 年的一系列论文中建立了这一描述，并提出群体向量（population vector）：把每个细胞想象成一支指向自己偏好方向的箭头、长度正比于当前放电强度，把所有箭头加总，合向量指向的方向与实际运动方向吻合。这是「群体」思想的第一次胜利：单个细胞的信号模糊，群体的加总却精确。
这条线培养了一批重要人物：Andrew Schwartz 与 Georgopoulos 长期合作（后赴匹兹堡），John Kalaska 早年在 JHU 与 Georgopoulos 合作（后赴蒙特利尔大学），Roberto Caminiti 是其合作者。但调谐观也很快遇到麻烦：偏好方向会随负载、姿势、任务情境改变——匹兹堡 Peter Strick 实验室的 Kakei 等人（1999）系统比较了「肌肉坐标」与「运动坐标」的解释力；Schwartz 的学生 Daniel Moran（亚利桑那，后赴华盛顿大学圣路易斯）继续追问位置与速度如何分离表征，即本集 A01；Moran 自己的实验室又用绕障任务揭示了 PMd 计划活动的策略性（A02）。Schwartz 实验室的后续工作（A04、A06）则把问题推进到「M1 活动有多少其实是视觉反馈」。
计算运动控制：内模型与最优反馈控制（1990s–2000s）
与电生理平行，1990 年代兴起了用控制论与机器学习语言描述运动系统的计算运动控制。Daniel Wolpert（剑桥）、Mitsuo Kawato（ATR）与 Michael Jordan（MIT，后赴 Berkeley）共同奠定了框架，其核心概念是内模型（internal model）：大脑内部学到一个关于「身体+环境」的模拟器——前向模型预测「这个命令会让手怎么动」，逆向模型计算「要这样动该发什么命令」。Emilio Bizzi 与 Ferdinando Mussa-Ivaldi（MIT）的力场适应范式为此提供了经典行为证据：机器人手柄对伸手施加干扰力，手的轨迹先被扭曲、经练习逐渐恢复直；Reza Shadmehr 在 MIT 参与这一纲领后赴约翰霍普金斯继续发展。本集 C02（Li、Padoa-Schioppa 与 Bizzi，2001）把力场适应搬进 M1 单细胞记录，发现部分细胞的调谐在洗脱期仍不同于基线——即所谓「记忆细胞」的操作性定义。C01 则显示视觉旋转学习后，准备期活动的改变具有方向局部性。
另一条计算主线是最优反馈控制（optimal feedback control）：Jordan 的学生 Emanuel Todorov 等人提出，神经系统不是预先规划好整条轨迹再执行，而是运行一个反馈策略——只纠正「对任务目标有影响」的偏差，放任无关方向的变异（又称「最小干预原则」）。这优雅地解释了为什么重复动作中「无关维度变异性大、任务维度变异性小」。Stephen Scott（Queen's University）的综述把这套计算与神经基础对接（本集 E02）；他的实验室成员 Kevin Cross 在猕猴上直接验证：目标越「宽」（允许的误差越大），视觉和机械扰动引发的快速纠正越小，肌电在约 90 ms（视觉扰动）和 70–100 ms 量级就表现出目标依赖（F03）。
多电极阵列与群体动力学（2010s）
2000 年代 Utah 阵列（一枚指甲盖大小、约百通道的硅电极阵列，可长期植入皮层）普及，研究者终于能同时记录上百个神经元。斯坦福 Krishna Shenoy 实验室是这一转向的中心之一：其学生 Mark Churchland（博士随 Shenoy，博后随 Steve Lisberger，后赴哥伦比亚大学）等人 2012 年在 Nature 发表的 D01 用 jPCA 方法（一种在高维群体活动中寻找「旋转」结构的降维技术，白话地说：找出群体状态如何像旋转的陀螺一样随时间演化）发现，伸手期间运动皮层群体活动存在一致而短暂的旋转成分，单个细胞看似杂乱的时间响应可以由简单的群体动力学统一解释。这被视为「编码观」（神经元代表外部变量）向「动力学观」（皮层是一个产生模式的动力系统）转变的标志性工作。
西北大学 Lee Miller 实验室（其学生包括 Matthew Perich、Juan Gallego）则从另一角度推进：不同运动任务之间，群体的主要协变模式——即神经流形（neural manifold，想象神经元联合活动被约束在高维空间中的一张低维「曲面」上，就像三维空间里的气球表面是二维的）——存在跨任务共享（D02）；在行为稳定的前提下，这种低维结构经线性对齐后可以跨天保持，最长跨约两年（D03）。Gallego 等人的综述 E01 系统化了这套语言。但动力学观也有边界：D04 发现适用于伸手的低维旋转描述在其抓握数据上明显较弱，提醒人们不能把伸手的结果不加检验地推广。
闭环脑机接口：从思想实验到双向系统（1969–2026）
Fetz 1969 年的单神经元条件反射是种下的种子。2003 年，杜克大学 Miguel Nicolelis 实验室的 Jose Carmena 等人让猕猴用额顶叶群体活动直接控制机械臂完成含位移与握力的任务（B06），通常被视为现代运动 BCI 的起点。Nicolelis 实验室随后把系统做成双向：O'Doherty 等（2011）让猴子用 M1 控制虚拟手臂探索物体，同时用电刺激 S1（初级体感皮层）把「触碰到了什么纹理」写回大脑（B01）；Ifft 等（2013）实现双半球记录下的双臂虚拟控制（B02）；同实验室的 Shokur 等（2013）证明同步的视觉—触觉配对可扩展皮层的身体表征（A07）。Carmena 赴 Berkeley 后，其博后 Amy Orsborn（现华盛顿大学）研究了解码器自身适应与动物学习的相互作用（B07）；Orsborn 团队 2026 年进一步用再分析加网络模型表明辅助算法会塑造学到的神经表征（B05）。2026 年的两篇新工作则分别拓展了信号源（腹侧前运动皮层 PMv 也能支持闭环控制，B03）与任务形态（立体 VR 中的导航控制，B04）。详见下文「闭环 BCI 专题」。
虚拟反馈操纵与自然行为（2010s–2026）
虚拟现实与虚拟反馈操纵为实验室带来了前所未有的可控性：可以只改光标的可见性、增益或旋转而不改手的真实运动，把「看到的」与「做到的」解耦。A 区多篇论文利用这一点（A03、A04、A05）。与此同时，领域也在向自然行为回摆：DeepLabCut（E04）和 OpenMonkeyStudio（E05）等无标记姿态追踪工具使自由运动猕猴的测量成为可能；自然伸手中的前运动皮层位置场（D06）、长期练习后轨迹选择的能量学解释（F04）、狨猴捕食的生态视角综述（F05），以及真实与虚拟导航表征的直接比较（F01）都在检验：实验室范式得到的结论，有多少能活到实验室之外。
方法工具箱：这个领域靠什么做实验
下表概览主要方法类别，随后逐项解释它们解决什么问题、对应本集哪些笔记。
| 类别 | 方法 | 解决什么问题 | 本集例子 |
|---|---|---|---|
| 电生理 | 单电极逐细胞记录 | 精细采样单个神经元的调谐 | D07、D08、D12 |
| 电生理 | Utah 阵列（约百通道，长期植入） | 同时记录群体活动、跨天比较 | B03、B04、C04–C06、D01 |
| 电生理 | 微丝阵列 / 可调 tetrode | 覆盖多脑区或深层结构 | B07（B05 的数据来源）、F01（海马与眶额皮层） |
| 行为范式 | center-out 伸手 | 参数化操纵运动方向 | 本集多数论文的基础任务 |
| 行为范式 | 绕障伸手 | 分离目标方向与初始运动方向 | A02 |
| 行为范式 | 力场适应 | 研究动力学学习 | C02、C03、C08 |
| 行为范式 | 视觉运动旋转 / 增益操纵 | 研究视觉—运动映射学习、内模型 | C01、A03、C07 |
| 行为范式 | 反馈可见性与不确定性操纵 | 分离视觉反馈对活动的贡献 | A04、A05 |
| 行为范式 | BCI 闭环 | 人为规定「神经活动→光标」的映射 | B 区全部、C04–C07 |
| 测量 | 运动学与肌电（EMG） | 把神经活动与实际输出对照 | F03、C02 |
| 测量 | 眼动与同参照系标定 | 对齐眼、手、目标坐标 | A08 |
| 测量 | 无标记姿态追踪 | 测量自由运动中的全身姿态 | E04、E05 |
| 测量 | 行为控制软件 | 毫秒级刺激与事件时序 | E06（NIMH MonkeyLogic 重写） |
| 分析 | 调谐曲线与群体向量 | 描述单细胞与方向的关系 | 历史部分见「发展脉络」 |
| 分析 | PCA / jPCA | 降维、找旋转结构 | D01 |
| 分析 | LFADS 等潜变量模型 | 从放电推断平滑的潜在动力学 | D04、D05 |
| 分析 | PSID 等状态空间解码 | 实时提取行为相关低维状态用于 BCI | B03、B04 |
| 分析 | CCA 对齐 | 比较不同天/不同任务的群体结构 | D03、D13 |
| 分析 | output-null / output-potent 分解 | 判断活动变化是否影响下游读出 | C03 |
| 干预 | ICMS（皮层内微刺激） | 因果扰动或人工写入感觉 | D10（扰动）、B01（写入） |
| 资源 | 公开数据集 | 方法验证与再利用 | E07（682 个顶叶单元） |
几点使用这些工具时的常识。其一，运动学混淆：自然伸手中位置、速度、方向、肌肉活动高度相关，一个细胞与某变量相关不等于它编码该变量；A01 专门通过设计三维起终点来降低位置与速度的相关性，A06 则展示忽略速度的加性放电项会让解码器产生系统性漂移。其二，离线≠在线：用记录好的数据事后拟合出高解码精度（离线），不等于动物能用它做实时闭环控制（在线），后者要求动物根据反馈主动调节活动——这是评价一切 BCI 论文的第一道筛子。其三，对齐≠不变：CCA 等线性对齐找到跨天相似结构，首先说明统计上可对应，不能据此认定记录的还是同一批神经元、或突触连接未变（D03 的讨论边界即在于此）。其四，方法的验证条件：DeepLabCut 原始演示主要来自小鼠和果蝇，用到猕猴需重新训练与验证（E04）；OpenMonkeyStudio 用 62 台相机换取自由运动猕猴的三维姿态，并显示末端肢体（手、脚）对相机数量最敏感——8 台相机可恢复约 80% 整体性能，抓全末端需 32 台（E05）；KINARM 机器人平台与眼动仪的整合（A08）解决的则是眼手坐标对齐这个更基础的问题。
理论与概念模型：七个关键词
编码观 vs 动力学观
编码观把神经元看作变量的「代表」：放电率编码方向、位置或力。动力学观把皮层看作一个动力系统：群体活动像被内部连接结构引导的水流，其时间演化本身产生肌肉命令所需的时序，外部输入更像「推一把」而非逐时刻指定内容。D01 是后者在本集的标志性证据：简单动力学模型能复现伸手群体活动的若干特征并拟合肌电。但注意边界：观察到的旋转结构本身不能区分「自主动力学」与「持续感觉输入驱动」（D10 用 ICMS 扰动加网络模型正面试探了这个问题）；且 D04 显示该描述在其抓握数据上较弱。E01 的立场值得记住：单细胞调谐与群体模式可以同时成立，这不是非此即彼。
群体向量
Georgopoulos 纲领（见「发展脉络」）的核心。它解决的困惑是：单个细胞信号模糊且会变动，行为却精确——答案是把读出放在群体层面。它的边界同样塑造了后来的研究：偏好方向随情境变化（力场、负载、反馈），促使领域从「细胞代表固定变量」转向「细胞参与情境依赖的群体模式」。本集没有收录 1980 年代的原始论文，但 A 区与 D 区的工作都在它的延长线上。
内模型与前向预测
内模型假说（见「发展脉络」）预测：学习一个新视觉—运动映射后，大脑内部关于「我的手会怎样动」的模型已经更新，且这种更新应在目标出现之前就体现在神经状态中。A03（Shenoy 实验室）提供了直接入口：目标出现前的运动皮层群体状态与近期视觉增益经验相关，并能预测随后伸手的速度——支持「内模型相关状态在具体目标确定前已可被读出」。笔记同时提醒：其补偿增益的应用验证仍是离线分析。
最优反馈控制与最小干预
OFC 理论（见「发展脉络」）预测纠正应是任务相关的：对不影响得分的偏差不纠正。猕猴实验 F03 与之相容：宽目标下纠正幅度减小，且这种目标依赖在扰动后约 90 ms（视觉）与 70–100 ms（机械）的肌电中已可见。边界：行为与肌电证据与该理论相容，但不能唯一确定它，也没有定位产生响应的回路；E02 自我定位就是「计算框架下的工作假说」。
神经流形与输出零空间
如果群体活动被约束在低维流形上，那么相对于任何从皮层到下游的线性读出，活动都可以分解为两部分：output-potent（经过读出、能影响输出的方向）与output-null（输出零空间：在这些方向上改变活动不会改变读出结果——好比踩一辆已经脱链的自行车的脚踏）。C03（Miller 实验室）用 PMd→M1 的估计映射做这种分解，发现力场适应中 null 成分的变化与学习进程相关，而 potent 映射保持较好泛化——支持「准备活动的调整经由相对稳定的读出影响执行」。相关概念还有准备—运动正交子空间：准备期与运动期的群体活动占据近乎正交的子空间，使「准备」不会提前驱动肌肉；C08（Shenoy 实验室）在此基础上发现力场学习后，准备态出现一个近正交于力预测子空间的一致平移，它在洗脱后仍保持、方向可区分所学力场，并与再学习速度相关——提示准备活动可能索引运动记忆。边界要牢记：「零空间」永远相对于某个特定读出模型定义；与力预测子空间正交，不等于对全部下游无效。
流形约束下的学习：reassociation 与新模式
CMU 的 Byron Yu 与匹兹堡的 Aaron Batista 合作的一系列 BCI 实验把「流形是否约束学习」变成可实验的问题：因为 BCI 映射由实验者规定，可以精确区分扰动在流形之内还是之外。结论是分层级的：数小时内，流形内扰动总体易学、流形外扰动难学（C04，2014）；成功的流形内学习主要不是发明新模式，而是把既有活动模式重新关联（reassociation）到新方向（C05，2018）；但经多日渐进训练，动物能产生超出基线活动集合的新模式并用于改善输出（C06，2019）。三者合起来讲了一个「短时间被结构约束、长时间可以长出结构」的故事。计算模型 C10 补了重要一课：群体协方差大体稳定并不排除局部突触可塑性——少量相关的权重更新可以同时支持快速适应和稳定的活动统计，因此「协方差稳定」不能单独用来推断「连接未变」。
跨日稳定性
如果群体结构今天和明天完全不同，上述所有群体分析都会失效。D02 与 D03 提供的支持是：在重复、稳定的熟练行为中，低维结构经对齐后跨任务、跨日（最长约两年）保持，并支持长期离线解码。边界：这成立的条件是行为本身稳定；且对齐后的相似不等于单元身份不变，也不等于 BCI 已实现长期免校准。
闭环 BCI 专题：从 Fetz 的仪表到立体 VR
脑机接口（BCI/BMI）在这个领域有双重身份：它既是技术目标（帮助瘫痪患者恢复控制），也是科学仪器——因为「神经活动如何变成输出」的映射完全由实验者规定，BCI 成了研究学习与表征的受控窗口。这条线值得单独讲清它的逻辑。
思想源头（1969）：Fetz 证明单个神经元的放电可以被操作性训练——脑活动本身可以作为「行为」来控制外部设备。此后三十年的进步主要在信号（从单细胞到阵列群体）与算法（从阈值到状态空间解码）。
Nicolelis 学派的闭环纲领（2003–2013）：B06 证明猕猴可用额顶叶群体活动学习控制含位移与握力的 BMI，学习伴随调谐与群体相关变化——注意笔记的边界：装置有多自由度，不意味着实验同时解码了全部机械臂自由度或自然手形。B01 补上反馈半边：M1 控制虚拟手臂的同时，用 S1 微刺激（向皮层写入人工感觉信号）传递接触纹理线索，猴子据此辨别虚拟物体——「脑—机—脑」双向接口。B02 再扩展到双臂：双半球记录支持同时控制两条虚拟手臂，联合解码优于分臂模型，但观察到的神经变化尚不是可塑性机制的因果证明。
解码器适应与归因问题（2014–2026）：动物在 BCI 中表现变好，可能来自两个完全不同的地方——动物学习了，或算法在更新。B07（Carmena 实验室，Orsborn 为第一作者）表明有限的、按需的解码器适应与较长的固定映射练习可以共存，猕猴仍能形成并保留技能；神经调谐变化与行为改善及解码器参数有关，但不由二者完全决定。B05（Orsborn 团队）把这个问题推到表征层面：再分析自适应解码器数据发现学习相关的任务信息集中到较少的读出单元与低方差群体模式，匹配的网络模拟支持「解码器适应可促成这种集中」——但猴数据来自跨研究比较而非随机对照，这一限定不能省略。
新信号源与新任务（2026）：B03 在同一批动物中轮换比较 M1、PMd 与 PMv/F5c，显示 PMv 也能提供有效在线控制信号，但区域间比较受有效通道数、任务与辅助算法影响，不能概括为等效。B04 让猕猴在立体 VR 中完成导航、目标跳变与绕障，三只猴的 center-out 式任务平均成功率分别约 73%、83%、64%（机会水平约 20–23%）；其解码器在单次在线阶段内固定，但每次实验仍需被动观察数据初始化——「阶段内固定」与「整个研究免校准」是两回事。
读任何 BCI 论文都建议先问四个问题：解码是离线还是在线？解码器初始化靠什么数据？在线期间算法是否更新、何时更新？表现提升归因于动物学习还是算法变化的证据是什么？
VR 专题：两个「VR」与虚拟反馈的科学
读本集（以及本领域文献）首先要澄清一个术语陷阱：VR 有两义。其一是 virtual reality（虚拟现实）：立体显示、虚拟场景与虚拟化身，如 A07、B01、B02、B04、F01、F02。其二是 visuomotor rotation（视觉运动旋转）：把光标显示方向相对手的真实运动方向旋转一个角度，用于研究运动学习，如 C01、C03 的对照任务、C07。后者没有沉浸感可言，缩写撞车纯属历史巧合；00_总览 专门提醒了这一点。
虚拟反馈操纵的科学价值在于解耦：真实世界里「手怎么动」和「看到手怎么动」永远绑定，虚拟环境可以把两者拆开——旋转反馈方向（A04 借此发现部分运动末期 M1 活动依赖可见光标）、改变增益（A03）、操纵目标与效应器的不确定性（A05 发现两类不确定性影响表征的阶段不同）。它还能做现实做不到的事，比如让「虚拟触碰」与真实触觉配对，观察感觉运动皮层的身体表征是否扩展（A07：同步配对后 S1/M1 出现对单独虚拟触碰的反应——这支持跨模态可塑性，但没有直接测量猴子的主观身体拥有感，不能等同于证明了「橡胶手错觉」）。
边界同样清楚，而且是本集自己提供的：F01 让猕猴在视觉相近的真实与虚拟环境中完成同样的隐藏目标导航任务，两者行为都能学会，但海马与眶额皮层的空间选择性与任务表征存在差异——行为目标相近，不保证两种环境调用相同的神经表征。再叠加虚拟环境通常缺少真实触觉与力学反馈这一结构性差异，从 VR 结果向真实抓握外推时，应像 01_综述 建议的那样：先做运动学与接触过程匹配的成对任务，再逐项加回真实因素。
人物与师承谱系
运动控制神经科学是一个「师承结构」格外清晰的领域：方法、概念和动物设施都在具体实验室里传承。下表列出与本集关系最密切的人物（仅收录已核实的师承关系；空白表示本集未收其原始论文或无需标注）。
| 人物 | 机构 | 以什么闻名 | 师承/学派 | 本集代表作 |
|---|---|---|---|---|
| Edward Evarts | NIH | 开创清醒猴单细胞记录；锥体束神经元与力的关系 | 领域实验范式奠基人 | — |
| Eberhard Fetz | 华盛顿大学 | 1969 单神经元操作性条件反射（BCI 思想源头）；与 Paul Cheney 开创 spike-triggered averaging 与 CM 细胞研究 | — | — |
| Vernon Mountcastle | 约翰霍普金斯 | 后顶叶生理与皮层功能柱 | Richard Andersen 曾在其实验室工作 | — |
| Apostolos Georgopoulos | 约翰霍普金斯→明尼苏达 | 方向调谐与群体向量纲领 | Andrew Schwartz 的长期合作者；John Kalaska 早年与其在 JHU 合作；Nicholas Port、Hugo Merchant 出自其明尼苏达实验室；Roberto Caminiti 是其合作者 | — |
| Andrew Schwartz | 匹兹堡 | 三维伸手的皮层表征与皮层控制假肢 | Georgopoulos 合作者；Daniel Moran 是其学生 | A04、A06 |
| Daniel Moran | 华盛顿大学圣路易斯 | 位置/速度表征；PMd 计划 | Schwartz 学生 | A01、A02 |
| Peter Strick | 匹兹堡 | M1 中肌肉与运动表征（Kakei 等 1999 出自其实验室） | — | — |
| Richard Andersen | Caltech | 后顶叶意图编码 | 出自 Mountcastle 实验室；Larry Snyder、Aaron Batista、Christopher Buneo 出自其实验室 | —（经 Batista 影响 C04–C06、F05） |
| Miguel Nicolelis | 杜克 | 闭环与双向 BMI 纲领 | Jose Carmena 的博士导师；O'Doherty、Ifft、Shokur 出自其实验室 | B06、B01、B02、A07 |
| Jose Carmena | Berkeley | BMI 学习与神经可塑性 | Nicolelis 学生；Amy Orsborn 曾在其实验室做博后 | B06、B07 |
| Amy Orsborn | 华盛顿大学 | 闭环解码器适应；辅助算法与表征 | Carmena 实验室博后 | B07、B05 |
| Krishna Shenoy | 斯坦福 | 群体动力学与高性能 BCI | Mark Churchland、David Sussillo、Matthew Golub、Sergey Stavisky、Jonathan Kao、Paul Nuyujukian、Saurabh Vyas、John Cunningham 等出自其实验室 | D01、A03、C07、C08 |
| Mark Churchland | 哥伦比亚大学 | 伸手的群体旋转动力学 | Shenoy 博士、Lisberger 博后；Matthew Kaufman（后赴冷泉港）、Abigail Russo 是其学生；John Cunningham 是 Shenoy 的学生（后赴 Columbia），Gamaleldin Elsayed 是 Cunningham 的学生 | D01 |
| Lee Miller | 西北大学 | 皮层—肌肉关系；流形的共享与稳定 | Matthew Perich、Juan Gallego 是其学生 | E01、D02、D03、C03、C10 |
| Byron Yu（CMU）与 Aaron Batista（匹兹堡） | CMU / 匹兹堡 | 神经流形约束下的学习 | Patrick Sadtler、Emily Oby 的导师；Batista 出自 Andersen 实验室 | C04、C05、C06 |
| Emilio Bizzi 与 Ferdinando Mussa-Ivaldi | MIT | 力场适应与内模型的实验纲领 | Reza Shadmehr 与其合作后赴 JHU；C02 出自 Bizzi 团队 | C02 |
| Reza Shadmehr | 约翰霍普金斯 | 运动适应的计算理论 | Maurice Smith（后赴哈佛）、Kurt Thoroughman 是其学生；John Krakauer 是其长期同事 | — |
| Daniel Wolpert / Mitsuo Kawato / Michael Jordan | 剑桥 / ATR / MIT→Berkeley | 计算运动控制框架（内模型、最优控制） | Emanuel Todorov 是 Jordan 的学生 | —（框架影响见 E02） |
| Stephen Scott | Queen's University | 最优反馈控制的神经基础综述；创办 KINARM 平台 | Kevin Cross 出自其实验室；J. Andrew Pruszynski 曾与其合作（博士随瑞典 Umeå 的 Roland Johansson） | E02、F03 |
| Mackenzie Mathis 与 Alexander Mathis | EPFL / Harvard | DeepLabCut 无标记姿态估计 | — | E04 |
几条学脉的故事值得单独说。Georgopoulos 一脉把「群体」第一次变成可操作的分析对象，其合作者与学生（Schwartz、Kalaska、Moran）把方向调谐纲领一路推进到 BCI 与反馈研究，本集 A 区大半在这条延长线上。Nicolelis 一脉把 BCI 从概念演示做成系统：Carmena 出师后赴 Berkeley 专注于「动物与算法谁在学习」，Orsborn 再把这一问题带到华盛顿大学并延续到 B05。Shenoy 一脉是群体动力学转向的发动机：Churchland 把 jPCA 和动力学语言带到 Columbia 并培养出 Kaufman 等人；Stavisky、Kao、Vyas、Golub 等人则把这套语言用于内模型（A03）、学习迁移（C07）与运动记忆（C08）；同时 Golub 又参与了 Yu–Batista 的流形学习系列（C04–C06），两条线在概念上互相咬合。Miller 一脉（西北大学）以皮层—肌肉关系见长，Gallego 与 Perich 把流形的共享性（D02）、跨日稳定性（D03）和 output-null 分解（C03）做成方法学标配，并与 Clopath 等合作计算模型（C10）。
需要说明的留白：本集 2026 年的几篇新论文（B03、B04、D11、D12、F01）以及 A05、A08、D05、D06、D10、D13、E07、F02、F04 等，其作者的具体师承归属在笔记中没有记载，本文不作断言，只在「团队」层面指认（如 Janssen 团队、Scherberger 团队、Gail 团队、Shanechi 与 Pesaran 团队等）。
如何阅读本集
四份元文档的分工：00_总览 是导航——六个分区（A 运动表征与视觉反馈；B 闭环 BCI；C 运动学习；D 群体动力学与伸手抓握；E 综述、平台与数据；F 自然行为与泛化）、每篇一句话经核对的结论、按「你当前的问题」给出的阅读路线。01_综述 是论证——它围绕反馈、群体结构与学习组织证据，并反复强调证据边界。02_逐篇审查与修订记录 是账本——记录每篇笔记核对过哪个 PDF、改了什么、还有什么待核实。03_AI文献解读审核与修改润色指南 是规范——解释了为什么笔记坚持区分「证明、支持、提示」。
给外行的一条入门路线建议：
- 先读本文，建立地图。
- 概念框架：读 E02（反馈控制的计算视角）与 E01（流形视角），再看 D01 作为动力学观的关键实证。
- 一组经典实证：A01（表征问题与混淆控制）→ A04（反馈操纵）→ F03（目标依赖的快速纠正）。
- BCI 线索：B06 → B01 → B07 → B05。
- 学习线索：C02 → C04 → C05 → C06 → C08。
- 然后回到 01_综述 看这些证据如何相互约束，最后按自己的兴趣进入单篇笔记的逐图解读。
读任何一篇笔记时，推荐先看「背景」节理解它要区分什么解释，再看「讨论边界」节理解它不能声称什么——这两个节合起来，通常就是该论文在领域地图上的精确坐标。