编辑推荐：
本期内容范围从简单到复杂，涵盖多个层面。研究人员为读者带来两篇专题文章，覆盖从控制中演绎推理的哲学到能源与排放成本的社会接受度等广泛主题。第一篇专题聚焦于反馈控制（feedback control）的科学氛围，并将其与无处不在且颠覆性的人工智能（artific
本期内容范围从简单到复杂，涵盖多个层面。研究人员为读者带来两篇专题文章，覆盖从控制中演绎推理的哲学到能源与排放成本的社会接受度等广泛主题。第一篇专题聚焦于反馈控制（feedback control）的科学氛围，并将其与无处不在且颠覆性的人工智能（artificial intelligence, AI）范式进行比较[A1]。第二篇专题关注由可持续性（sustainability）驱动的净零排放未来，这要求整合可再生能源（renewable energy），并可能引发电价波动及社会反应[A2]。本期的“Lecture Note”专栏探讨如何通过项目式教学（project-based teaching）学习理论概念[A3]。“From the Editor”专栏通过审视IEEE的复杂性与PID控制器（PID controller）的简单性，考察从简单到复杂的整体科学图景[A4]。最后，“President’s Message”专栏提醒读者控制社区对安全的贡献，并强调需要将其贡献传达给公共安全话语[A5]。“Member Activities”专栏重点介绍了IEEE温哥华分会IEEE控制、机器人与网络物理系统联合分会（IEEE Control, Robotics, and Cybernetics Joint Chapter）的活动，该分会于2025年获得杰出分会奖[A6]。本期“Technical Activities”专栏展示的两个技术委员会（Technical Committee, TC）是航空航天控制（Aerospace Control）与智能控制（Intelligent Control）[A7]。“People in Control”板块展示了来自全球不同角落的Mario Campos和Harish Madapusi[A8]。Mario Campos博士是巴西里约热内卢SmartAutomation公司的首席执行官，Madapusi博士是印度甘地讷格尔印度理工学院教授。此外，为满足读者阅读兴趣，研究人员在“Institutes in Control”专栏中通过与德国斯图加特大学系统理论与自动控制研究所（Institute for Systems Theory and Automatic Control）的主任Frank Allgower和Andrea Iannelli的对话，深入介绍了该研究所[A9]。“25 Years Ago”[A10]专栏回顾了Kenji Doya、Hidenori Kimura和Mitsuo Kawato的文章“Neural Mechanisms of Learning Control”。本期的“Conference Reports”专栏预告了将于2027年7月在费城举行的美国控制会议（American Control Conference）[A11]。“Conference Calendar”专栏列出了IEEE CSS主办或协办的即将举行的会议[A12]。最后，研究人员很高兴继续推出第4期引入的连环漫画专栏，由控制系统工程师Brian Douglas创作，以完全不同的视角看待辨识（identification）[A13]！
——Anuradha Annaswamy
**论文解读：学习与控制中的神经机制**
**研究背景与问题**
在控制科学领域，生物系统尤其是神经系统如何实现高效学习和控制，一直是研究者关注的核心问题。传统控制理论基于数学模型和精确推导，但生物体面对复杂、非线性和不确定环境时，展现出惊人的适应能力。25年前，Kenji Doya、Hidenori Kimura和Mitsuo Kawato在《IEEE Control Systems》上发表的论文“Neural Mechanisms of Learning Control”开创性地探讨了神经机制如何为学习控制提供理论框架。该研究旨在回答：神经系统如何通过反馈和前馈机制实现运动学习与适应？其背后的计算原理能否为人工控制系统设计提供启示？当时，人工智能（artificial intelligence, AI）范式尚未全面兴起，但生物神经网络的并行分布式处理特性已引起控制界关注。论文试图弥合神经科学与控制理论之间的鸿沟，为基于生物启发的控制策略奠定基础。
**研究人员开展的研究与结论**
研究人员系统梳理了小脑（cerebellum）、基底节（basal ganglia）和大脑皮层（cerebral cortex）在运动学习与适应中的角色。他们提出，小脑充当内部模型（internal model）的更新器，通过前馈（feedforward）与反馈（feedback）控制的整合，实现精确运动指令的生成。基底节则参与强化学习（reinforcement learning），通过奖励信号调节动作选择。论文进一步指出，这些神经机制可抽象为非线性自适应控制器的结构，其学习规则类似于梯度下降（gradient descent）和时序差分（temporal difference, TD）学习。该研究的重要意义在于：首次将神经科学实验观察与控制系统理论形式化结合，建立了从生物学习到人工控制的桥梁，并为后续基于神经网络的智能控制（intelligent control）和自适应控制（adaptive control）提供了理论来源。论文发表在《IEEE Control Systems》上，成为该领域的经典文献，25年来持续影响控制论与机器学习的交叉研究。
**关键技术与方法**
研究人员主要采用以下关键技术方法：
1. **神经生理学数据整合**：基于小脑、基底节和大脑皮层的电生理记录与行为实验数据，建立运动学习的计算模型。
2. **反馈与前馈控制框架**：将生物运动控制抽象为反馈控制器（feedback controller）与前馈控制器（feedforward controller）的并行结构，其中前馈控制器通过内部模型（internal model）学习逆动力学。
3. **强化学习算法**：引入时序差分（TD）学习，利用奖励信号调整基底节中的动作选择策略，实现探索与利用的平衡。
4. **非线性动态系统建模**：采用非线性自适应控制理论，分析神经回路中的学习收敛性与稳定性，并对比不同学习规则（如Hebbian学习和误差反向传播）的效能。
（注：原文未涉及具体试剂、质粒构建或样本队列，故此处不赘述。）
**研究结果**
1. **小脑作为前馈控制的学习中心**：通过分析小脑浦肯野细胞（Purkinje cells）的突触可塑性，研究人员发现小脑能够通过爬行纤维（climbing fibers）传递的误差信号，调整平行纤维（parallel fibers）的权重，从而学习运动指令的逆模型。该过程相当于一个自适应前馈控制器，其学习率受误差幅度调节。
2. **基底节与强化学习机制**：研究表明，基底节中的多巴胺（dopamine）神经元编码奖励预测误差，该信号驱动纹状体（striatum）中动作价值的更新。这一机制与强化学习中的TD学习算法高度吻合，为策略搜索（policy search）提供了神经基础。
3. **大脑皮层与运动规划**：大脑皮层（尤其是运动皮层和辅助运动区）通过层级化结构，将运动目标分解为子任务序列，并利用工作记忆（working memory）维持短期目标。这种规划过程与模型预测控制（model predictive control, MPC）的原理相似，但更强调生物实时约束下的计算效率。
4. **神经机制的整合模型**：研究人员提出一个统一框架，将小脑、基底节和大脑皮层分别对应为前馈控制器、价值驱动选择器和序列规划器。该模型成功解释了人类在追踪运动、臂部到达和抓握任务中的行为表现，并预测了特定神经损伤（如小脑病变）导致的运动协调障碍。
**总结与讨论**
论文讨论部分指出，神经机制中的学习控制原理不仅适用于解释生物运动，还可为设计鲁棒自适应控制器提供新思路。例如，小脑的模块化结构可启发分布式控制系统的容错设计；而基底节的强化学习机制则可用于优化机器人在未知环境中的探索策略。研究人员强调，尽管当时的人工神经网络（artificial neural network, ANN）已取得一定进展，但生物神经系统的计算效率与泛化能力仍远优于人工系统，因此有必要深入挖掘神经机制中的非线性动力学特性。论文最终结论指出：生物学习控制的核心在于多层级反馈与前馈的协同作用，其中内部模型（internal model）的在线更新与奖励驱动的价值选择是两大关键支柱。这一结论为后续自适应控制、强化学习以及神经形态计算（neuromorphic computing）的发展奠定了理论基础，至今仍具有重要的学术价值。
