From Movement to Cognitive Maps: RNNs Reveal How Locomotor Development Shapes Hippocampal Spatial Coding¶

会议: ICLR 2026 Oral
OpenReview: 8bM7MkxJee
代码: 有
领域: 计算神经科学
关键词: hippocampus, spatial coding, locomotor development, RNN, place cells, cognitive maps

一句话总结¶

结合幼鼠运动发育的计算分析和浅层 RNN 模型，证明运动统计特征的发育变化（爬行→行走→奔跑→成年）驱动了空间调谐神经元的序贯涌现，复现了大鼠海马空间编码的发育时间线，且具体的发育运动统计（而非简单的感觉输入加速）是位置中心空间表征涌现的关键。

研究背景与动机¶

领域现状：海马的空间编码（位置细胞、网格细胞等）何时/如何发育，是认知神经科学的核心问题。运动经验对空间认知的影响被假设但缺乏计算机制解释。
核心idea一句话：具身感知运动经验（embodied sensorimotor experience）驱动海马空间编码的个体发育——通过 RNN 建模首次建立运动发育→空间编码涌现的计算机制。

方法详解¶

关键设计¶

运动发育分析：通过聚类识别幼鼠的发育阶段（爬行/行走/奔跑/成体）
浅层 RNN 模型：训练预测即将到来的视觉刺激，输入为并行视觉+前庭信号
渐进发育暴露：RNN 依次暴露于各发育阶段的运动轨迹
实验验证：RNN 的空间调谐涌现时间线与大鼠海马记录数据吻合

实验关键数据¶

空间调谐单元的序贯涌现复现发育时间线
生成可测试的预测，通过海马记录验证
仅加速感觉变化不足以产生位置中心表征——必须是特定的发育运动统计

亮点与洞察¶

具身认知的计算证据：运动不仅是输出，还是塑造认知表征的关键输入——对 embodied AI 有直接启示
生物学-AI 双向桥梁：既解释了神经科学现象，又为 AI 空间认知提供了发育式训练范式

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次计算性地连接运动发育和空间编码涌现
实验充分度: ⭐⭐⭐⭐ 计算模型+生物验证
写作质量: ⭐⭐⭐⭐ 跨学科写作清晰
价值: ⭐⭐⭐⭐ 对计算神经科学和 embodied AI 有深远启示