引言
生态学和神经网络研究虽分属不同尺度，但共享适应与学习的基本原理。传统Lotka–Volterra模型虽能描述物种间相互作用，却将相互作用系数视为恒定，难以解释自然界中随资源变化而动态调整的种间关系（如从互利到竞争）。与之相比，神经网络模型通过突触权重（synaptic weights）的时变性实现学习与记忆。本文由此切入，将Lotka–Volterra模型重构为神经网络框架，引入预测性学习机制，为生态系统动态提供新解读。
Lotka–Volterra模型作为双神经元系统
通过数学变换，Lotka–Volterra方程可转化为类似神经网络的离散形式：捕食者种群规模y(t+1) = w(t)x(t)（当死亡率γ=1时），其中w(t)为时变相互作用系数。该形式与线性神经元活动方程y=wx高度一致。关键创新在于对w的更新规则：Δw ∝ (y(t) - y(t-1))，即权重变化正比于当前与上一时刻种群规模差。这一机制等同于神经元的预测性学习——将y(t-1)视为“预期”种群规模，差异即为预测误差，驱动相互作用调整。模拟显示，该模型可再现Lotka–Volterra的振荡动态（图1D–F），且通过限制Δw变化或添加随机噪声可维持长期波动，更贴近实际生态数据的不规则性。
生态网络中的“学习”
将模型扩展至多物种食物网（图2），种群动态方程表述为xj(t+1) = f( xj(t) + Σiwij(t)xi(t) - Σkwjk(t)xk(t) )，其中f为饱和函数（类比神经元激活函数）。通过模拟包含30个生产者、30个初级消费者和2个顶级捕食者的食物网在两种季节性格局下的响应（图3A），作者应用对比赫布学习算法（Contrastive Hebbian Learning）：在自由阶段计算种群规模，在钳制阶段固定顶级捕食者规模以模拟环境压力，随后根据实际与预期种群规模差异（x - x̃）更新w。结果（图3B）表明，食物网能通过调整相互作用系数“学习”支持新环境下的捕食者格局——尽管初期因捕食压力增加导致学习曲线下降，但经过约1000次训练后，网络稳定维持了条件1中捕食者#1优势、条件2中捕食者#2优势的新稳态。
讨论
本研究通过预测性学习规则统一了生态与神经网络的适应性机制。该规则不仅克服了纯赫布学习（Hebbian learning）的权重发散问题，更揭示生态系统可通过预期误差最小化实现自我优化。与多层网络理论（multilayer network theory）侧重静态交互类型不同，本框架强调相互作用系数的动态适应。此外，模型的可扩展性允许利用GPU加速技术模拟大规模生态系统，为复杂生态动态预测提供新工具。文末进一步提出，预测性或是生命系统的核心属性——“生命度”可定义为系统基于预测最大化未来能量的能力，而预测性学习规则正是实现该过程的核心机制。
局限性
当前模型未涵盖空间动态（如种群移动与局部相互作用），且神经网络固有的“黑箱”问题可能削弱机制解释性。但通过“钳制”已知种群数据约束模型参数，可在保持生态可解释性前提下增强预测灵活性。未来工作需整合空间生态学以提升生物真实性。
