引言：一个被长期误解的声音
你坐在一间绝对安静的房间里，门窗紧闭，空调关闭，所有电子设备熄灭。在这样的环境中，大多数人会注意到一个奇怪的事实：他们的耳朵里并不是真正安静的。一种持续的、微弱的嗡鸣声、嘶嘶声或高频哨声一直存在，只是在日常环境噪声的掩盖下被忽略了。这就是主观性耳鸣（subjective tinnitus）——在没有任何外部声源的情况下，大脑产生的声音感知。
全球约有10%至15%的成年人经历过某种程度的耳鸣，其中约1%到2%的人受到严重影响，干扰睡眠、注意力乃至心理健康。耳鸣是听力学和神经科学中最古老也最令人困惑的现象之一。几千年来，从古埃及的纸莎草文献到希波克拉底的医学著作，人类一直在试图解释这种"没有来源的声音"。然而直到最近几十年，随着神经影像学和计算神经科学的发展，研究者才真正开始理解耳鸣背后的大脑机制。
2016年，德国埃尔兰根-纽伦堡大学的Patrick Krauss和Achim Schilling提出了一个在当时颇具争议的理论框架：耳鸣的随机共振（Stochastic Resonance, SR）模型。这个模型大胆地挑战了当时主流的"耳鸣是病理性功能障碍"的范式，提出耳鸣实际上是大脑进行自适应感觉优化的副产品。十年过去了，这个模型经历了从一个现象学假设到完整神经计算理论的蜕变。2026年6月，两位作者在arXiv上发表了一篇全面的综述论文（arXiv:2606.17736v1），系统回顾了这一理论框架十年来的发展历程。
什么是随机共振？一个反直觉的物理学原理
要理解耳鸣的随机共振模型，首先需要理解"随机共振"这个物理学概念本身。随机共振是一个令人惊讶的现象：在一个非线性系统中，适量的噪声不仅不会降低信号质量，反而能够增强系统对微弱信号的检测能力。
这个概念最早由意大利物理学家Roberto Benzi和合作者在1981年提出，用来解释地球冰河期的周期性规律。他们发现，地球轨道参数的微弱周期性变化（信号）加上气候系统中的随机波动（噪声），共同驱动了冰期与间冰期之间的周期性转换。单独的轨道变化太微弱，不足以触发气候系统的大幅响应；但当随机噪声将系统推到一个临界阈值附近时，微弱的周期信号就能引发大幅度的气候转变。
这个原理可以用一个简单的类比来说明。想象你站在一个昏暗的房间里，试图辨认墙上的一幅画。如果房间里完全没有任何光线（零噪声），你什么都看不见。如果房间里有极强的探照灯直射你的眼睛（过量噪声），你同样什么也看不见——光线完全淹没了画面。但是，如果房间里有恰到好处的微弱环境光（适量噪声），你的视觉系统反而能够更好地分辨画面的细节。这就是随机共振的本质：噪声、信号和非线性系统之间的三角关系。
在神经科学领域，随机共振已经被广泛证实。单个神经元本身就是高度非线性的器件——它们需要膜电位积累到一个阈值才能发放动作电位。当输入信号非常微弱时，神经元可能永远达不到发放阈值。但如果此时有一定水平的背景噪声（神经噪声），噪声引起的随机波动可能恰好将膜电位推到阈值附近，使得微弱信号能够间歇性地触发神经元发放。通过这种机制，一个原本无法被检测到的信号变得可以被检测。
传统耳鸣理论：把噪声当作敌人
在随机共振模型提出之前，主流的耳鸣理论几乎一致认为耳鸣是神经活动异常增加的病理结果。这些理论的核心叙事是：听力损失导致了大脑的代偿性过度激活，而这种过度激活是一种功能失调。
中央增益理论（Central Gain Theory）是其中最有影响力的假说之一。该理论认为，当内耳毛细胞受损导致外周听力输入减少时，大脑中枢听觉通路会"调高音量"来补偿缺失的输入，就像你把电视遥控器的音量旋钮调大一样。这种增益的增加导致了听觉皮层和下丘等中枢结构中自发神经活动的异常增强，大脑将这种增强的内部活动解释为声音，从而产生了耳鸣感知。
另一个重要理论基于突触可塑性。当听觉输入减少后，某些抑制性突触连接会减弱（所谓的"去抑制"），导致兴奋-抑制平衡被打破，听觉系统变得过度兴奋。还有理论从丘脑皮层环路的异常节律活动入手，认为耳鸣与某些特定的振荡模式（如增强的α波段活动或异常的γ振荡）有关。
这些理论虽然在细节上有所不同，但共享一个基本假设：耳鸣是病态的，是系统出了故障的表现，治疗的目标应该是修复这个故障——要么恢复正常的听力输入，要么抑制异常的神经活动。
随机共振模型的核心洞见：噪声是解决方案而非问题
Krauss和Schilling在2016年提出的随机共振模型从根本上颠覆了上述叙事。他们观察到一个被长期忽略的事实：在听力损失发生后，听觉系统中自发神经活动的增加并不一定意味着系统失控了。从信息论的角度来看，这种增加可能是系统的一种功能性的、自适应的反应。
核心逻辑链条如下：当内耳毛细胞受损，传递到中枢听觉通路的信号强度降低。在正常情况下，听觉神经通路中的噪声水平足以辅助微弱信号的检测（随机共振效应）。但当信号进一步减弱到某个临界值以下时，原有的噪声水平就不再足以维持有效的信号传输。在这种情况下，听觉系统可能会自适应地增加内部噪声水平，试图通过增强随机共振效应来恢复信息传输能力。
这种自适应噪声上调的后果是什么呢？当大脑增加了内部噪声以帮助检测来自外部世界的微弱信号时，这种增强的噪声本身也可能被大脑解读为声音——即使外部并没有声源。换句话说，耳鸣并不是系统崩溃的标志，而是系统在积极尝试优化信息处理的过程中产生的副作用。耳鸣是大脑为了"听见更多"而付出的代价。
这个重新框架（reframing）在概念上具有深远的意义。它将耳鸣从"病理学"的范畴转移到了"计算优化"的范畴，从"功能障碍"变成了"功能的代价"。这不仅仅是语义上的变化，它对治疗策略的制定具有根本性的指导意义。如果耳鸣是自适应过程的产物，那么治疗不应该是简单地抑制神经活动（这可能会进一步损害信息传输），而应该是帮助系统以更优的方式实现其自适应目标。
信息论视角：信噪比、检测阈值与最优噪声
随机共振模型的一个重要特征是它与信息论的深度整合。在经典信号检测理论中，一个检测器的性能取决于信噪比（SNR）——信号强度与噪声强度的比值。当信号非常微弱时，信噪比极低，检测器的性能接近随机猜测。
然而在非线性系统中，情况变得更加微妙。考虑一个具有发放阈值的神经元：如果信号低于阈值，没有任何动作电位产生，信息传输为零。如果加入适量的噪声，噪声的随机波动可以将信号间歇性地推过阈值，产生一个与信号相关联的脉冲序列。虽然脉冲的时间不完全精确，但信号的时间结构仍然可以被下游神经元从脉冲序列的统计特性中解码出来。在这种情况下，噪声实际上提供了一种"信息通道"，使得原本不可能的信号传输成为可能。
但是，噪声的量存在一个最优值。噪声太少，信号无法突破阈值；噪声太多，信号完全被噪声淹没，就像在摇滚音乐会上试图听到窃窃私语一样。最优噪声水平恰好位于这两个极端之间的某个点，此时检测性能（通常用d'或互信息来衡量）达到最大值。这个最优值的存在是随机共振的核心特征。
Krauss和Schilling将这个框架应用于听觉系统。他们提出，正常听力的个体中，听觉通路的内源性噪声水平大致处于最优值附近。听力损失降低了信号强度，使得原有的噪声水平不再是最优的——系统需要更多的噪声来维持检测性能。于是，自适应机制上调噪声水平，直到建立新的最优平衡。这种上调就是耳鸣的神经基础。
这种分析的优雅之处在于，它把一个看似神秘的医学症状转化为了一个可以用数学精确描述的优化问题。噪声上调的幅度、速率、频率特异性——这些都可以从信号检测理论和信息论的基本原理出发进行定量计算和预测。
频率特异性：为什么耳鸣有特定的音调
耳鸣的一个显著特征是它通常具有明确的频率特异性。大多数耳鸣患者报告听到的是一个特定音调的声音，而这个音调往往与他们听力损失最严重的频率范围相对应。例如，一个在4000 Hz附近有明显听力下降的人，其耳鸣音调通常也集中在4000 Hz左右。
随机共振模型能够自然地解释这一现象。听力损失通常是频率依赖的——高频听力往往先于低频听力受损。在听觉皮层中，不同频率的信号由不同的神经元集群处理（音调拓扑组织，即tonotopic organization）。当特定频率范围的听力下降时，负责处理这些频率的神经元集群接收到的信号减弱。这些特定的神经元集群会自适应地上调其内部噪声水平，而其他接收正常信号的神经元集群则不需要这样做。
其结果是，只有受损频率对应区域的噪声被增强了。大脑将这些增强的噪声活动解释为声音，产生了与受损频率相对应的耳鸣音调。这解释了为什么耳鸣的音调与听力损失的频率范围有如此精确的对应关系。
更进一步，这一预测已经得到了实验验证。Krauss等人通过分析大规模临床听力图数据，发现耳鸣患者的听力损失模式确实呈现频率特异性分布，且与耳鸣音调的分布高度相关。此外，动物实验也支持了这一预测：在噪声暴露导致特定频率听力损失的小鼠中，听觉皮层对应区域的自发活动确实出现了选择性增强，且增强的模式与随机共振模型的预测一致。
一个有趣的推论是：如果一个人的听力损失是全频段的（比如某些药物中毒或老年性耳鸣），那么理论上耳鸣也应该是多音调的或"白噪声"型的，而不是单一音调的。临床上确实有这样的报告，全频听力损失患者描述的耳鸣更倾向于"嘶嘶声"或"白噪声"，而非纯音调。这种对应关系为模型提供了额外的支持。
多通道听觉处理与跨模态可塑性
随机共振模型在十年间不断演化，其理论框架已从最初单通道的描述扩展到多通道听觉处理的整合模型。在真实的听觉系统中，信息不是通过单一通道传输的，而是通过大量并行的频率通道同时处理。每个通道都有自己的信号强度、噪声水平和检测阈值。
当听力损失在不同频率通道中呈现不同的严重程度时，听觉系统面临的优化问题变得更加复杂。系统需要同时为所有受损通道独立调整噪声水平，而每个通道的最优噪声水平可能不同。这种多通道优化的结果是一个复杂的噪声分布图（noise landscape），它反映了听力损失在整个频率范围内的空间模式。
Krauss和Schilling还将跨模态可塑性纳入了理论框架。当听觉输入大幅减少时，其他感觉模态（如视觉和体感）的输入可能会入侵听觉皮层的领地。这种跨模态入侵在严重听力损失的个体中已被广泛观察到——功能性磁共振成像研究显示，先天性耳聋个体的听觉皮层可以被视觉刺激激活。从随机共振的角度来看，跨模态输入可能为听觉皮层的神经元提供了额外的非听觉信号，影响了这些神经元的最优噪声水平设定。这为理解耳鸣的多维度特征（如与身体姿势或眼动相关的耳鸣变化）提供了新的框架。
跨模态可塑性还暗示了一个更深层的信息论原理：大脑皮层并不是按照感觉模态严格分区的"硬件"，而是一个灵活的计算资源分配系统。当某个模态的输入大幅减少时，原本分配给该模态的计算资源可以被重新分配给其他模态，或被用于增强残余输入的处理效率。耳鸣可能反映了这种资源重新分配过程中的一个特殊情形——听觉皮层的计算资源被用于最大化从受损听觉通路中提取的信息量，而噪声上调是这种最大化策略的一个组成部分。
计算建模：从理论到可验证的预测
一个理论框架的价值不仅在于它能否解释已知现象，更在于它能否产生可验证的新预测。过去十年中，多个研究组开发了不同层次的计算模型来测试随机共振耳鸣模型的具体预测。
基于Hodgkin-Huxley神经元模型和积分-发放（integrate-and-fire）模型的模拟研究表明，在模拟听力损失条件下，神经元确实会通过增加内部噪声来恢复检测性能，且这种噪声上调的幅度与听力损失的程度呈正相关。更精细的模型还考虑了突触噪声、离子通道噪声和网络水平噪声的不同来源，发现虽然各种噪声来源的贡献不同，但总体效应是一致的。
大规模神经网络模型进一步揭示了更复杂的动态。在一个由数千个互相连接的神经元组成的听觉皮层网络模型中，局部听力损失不仅导致受损区域的噪声上调，还通过网络连接影响了周围区域的活动模式。这种级联效应可以解释为什么耳鸣有时会"扩散"——患者报告耳鸣的音调或空间位置随时间发生变化。
这些计算模型最重要的贡献是产生了定量的、可检验的预测。例如，模型预测在特定条件下（特定的信噪比范围内），添加外部噪声应该能够改善听觉检测性能。这一预测已经在多项行为实验和脑电图（EEG）研究中得到了验证。
另一个重要的建模贡献是将随机共振理论与贝叶斯推断框架联系起来。在贝叶斯框架中，大脑被视为一个最优推断机器，它不断地根据感官输入更新关于外部世界的内部模型。当听力损失减少了感官输入的信息量时，贝叶斯最优策略可能包括增加内部模型的不确定性（这在实现上可能表现为增加神经噪声），以避免对微弱或模糊的输入做出过度自信的判断。这种贝叶斯解释为随机共振模型提供了更坚实的理论基础，并将其与更广泛的计算神经科学理论联系起来。
动物实验的证据
动物模型为随机共振耳鸣模型提供了关键的因果证据。在小鼠和大鼠模型中，研究者可以通过精确控制噪声暴露来诱导特定频率范围的听力损失，然后使用电生理记录来监测听觉系统各层级的神经活动变化。
多项研究一致发现，听力损失后，听觉皮层和下丘中受损频率区域的自发发放率确实增加了。这种增加的时间进程与随机共振模型的预测相符：它不是在噪声暴露后立即出现的，而是在听力损失建立后的数天到数周内逐渐发展，暗示存在一个自适应调节过程而非简单的损伤反应。
更有说服力的是，在慢性植入电极的动物模型中，研究者观察到自发活动增加的同时，神经元对微弱声刺激的检测阈值并没有相应提高——如果噪声增加仅仅是病理性的过度兴奋，检测阈值应该升高；但如果噪声增加是为了增强随机共振以补偿信号损失，检测阈值应该保持或降低。实验结果更支持后一种解释。
此外，药理学实验也提供了支持。在局部施加GABA（抑制性神经递质）拮抗剂以增强听觉皮层的抑制作用后，耳鸣动物的自发活动增加被部分逆转，但同时对微弱声刺激的检测能力也下降了。这与随机共振模型的预测一致：噪声上调被抑制后，虽然耳鸣可能减轻，但信号检测能力也会受损，因为系统失去了噪声辅助检测的优势。
临床转化：基于噪声的治疗策略
随机共振模型不仅是一个解释性理论，它还直接启发了一种新型治疗策略。如果耳鸣是听觉系统在自适应调整噪声水平时产生的副产品，那么一种可能的治疗方法是提供外部噪声来替代内部噪声上调的需要。
具体来说，这种治疗方法使用与患者听力损失频率范围相匹配的近阈值噪声刺激（spectrally matched near-threshold noise stimulation）。这种定制化的噪声被精确调谐到刚好在患者残余听力阈值附近，旨在为受损的听觉通道提供足够的外部噪声，以利用随机共振效应增强信号检测，同时减少大脑自适应上调内部噪声的压力。
这种方法与传统的耳鸣掩蔽治疗有本质区别。传统掩蔽治疗使用宽带噪声来"盖住"耳鸣声音，本质上是症状管理——患者在噪声存在时听不到耳鸣，但一旦移除噪声，耳鸣立即恢复。基于随机共振的治疗则试图解决根本机制：通过提供外部噪声来优化信息传输，从而减少内部噪声上调的需要。理论上，如果这种方法成功，耳鸣应该在治疗结束后仍然减轻，因为听觉系统不再需要维持高水平的内部噪声。
早期的临床试验结果显示了有希望的前景。使用个性化近阈值噪声刺激的患者报告耳鸣严重程度显著下降，且效果在停止治疗后持续了数周到数月。虽然这些结果还需要更大规模的随机对照试验来确认，但它们为将来的耳鸣治疗提供了一个有坚实理论基础的新方向。
与其他理论的统一：走向整合框架
近年来最重要的理论进展之一是随机共振模型与中央增益理论、稳态可塑性（homeostatic plasticity）和预测编码（predictive coding）框架的整合。这些理论长期以来被视为竞争性的解释，但Krauss和Schilling在最新的综述中提出，它们实际上是同一个更大框架的不同侧面。
稳态可塑性描述了神经网络维持稳定活动水平的内在机制——当输入减少时，神经元会通过增加兴奋性或减少抑制性来补偿，维持活动在正常范围内。随机共振模型可以被视为稳态可塑性在信息论层面上的具体实现：系统不是盲目地维持活动水平，而是有针对性地调整噪声水平以优化信息传输。
预测编码框架则从贝叶斯推断的角度为耳鸣提供了另一种解释。在这个框架中，大脑持续地生成关于感觉输入的预测，并将实际输入与预测进行比较。当听力损失导致实际输入与预测不匹配时，预测误差信号驱动了自适应调整。Krauss和Schilling提出，随机共振的噪声上调可能是预测编码系统在面对持续预测误差时的一种最优策略。
这种统一框架的优势在于它能够整合来自不同研究范式的发现，将看似矛盾的实验结果放在同一个理论框架下解释。例如，一些研究发现耳鸣与增强的皮层活动相关，而另一些研究则发现与减弱的皮层活动相关。在整合框架中，这些差异可以被理解为随机共振调整的不同阶段或不同严重程度的表现。
方法论进展：大规模临床分析
过去十年中，大规模临床数据分析为随机共振模型提供了新的证据来源。通过分析数千份听力图数据和耳鸣特征记录，研究者能够揭示听力损失模式与耳鸣特征之间的统计关系，这些关系在小样本研究中是不可见的。
这些分析确认了几个关键的相关性：耳鸣音调与听力损失最严重频率的对应关系、听力损失程度与耳鸣严重程度的正相关关系、以及双侧对称听力损失与更严重耳鸣之间的关联。虽然相关性不等于因果关系，但这些大规模模式与随机共振模型的预测高度一致。
机器学习方法的引入进一步增强了这些分析的能力。通过训练深度学习模型来预测耳鸣的存在与否或严重程度，研究者可以识别出传统统计方法可能遗漏的非线性模式和特征交互。这些分析的结果进一步支持了听力损失模式是耳鸣最强预测因子之一的结论。
大规模分析还揭示了一些新的模式，这些模式反过来又对理论模型提出了新的挑战。例如，某些个体在严重听力损失的情况下并未报告耳鸣，而另一些个体在轻微听力损失的情况下却有严重的耳鸣。这种个体差异可能与听觉系统的基线噪声水平、自适应调节能力或更广泛的神经解剖学差异有关，需要理论模型进一步发展来解释。
感觉阈值附近的信号检测：行为学证据
随机共振模型做出的一个最直接的行为学预测是：在适当条件下，添加外部噪声应该能够改善听觉检测性能。这个预测在字面上是反直觉的——在日常经验中，噪声总是让听觉变得更困难。但随机共振理论指出，这种情况只在信号强度远高于检测阈值时才成立。当信号极弱，接近检测阈值时，适量的噪声反而能帮助检测。
多项行为实验验证了这一预测。在正常听力的参与者中，当使用接近听觉阈值的微弱纯音作为信号时，添加适当水平的低频或宽带噪声确实能够提高检测率。在有轻度听力损失的参与者中，这种效应更加明显，与模型预测一致：听力损失降低了信号强度，使得系统更接近能够受益于随机共振的区域。
脑电图（EEG）和脑磁图（MEG）研究进一步揭示了这种效应的神经机制。添加近阈值噪声后，听觉诱发电位的幅度增加，表明噪声确实在神经水平上增强了信号的表征。时频分析还发现，噪声增强了特定频段（特别是α和β频段）的振荡活动，暗示噪声可能通过调节皮层振荡来影响信号检测。
这些实验结果的理论意义超出了耳鸣领域本身。它们表明，大脑对噪声的利用不是被动的或偶然的，而是一个精心调控的过程。听觉系统能够根据当前的信噪比条件动态调整其对噪声的"态度"：当信噪比高时，系统尽量排除噪声以获得精确的信号编码；当信噪比低时，系统主动利用噪声来增强检测。这种动态调节的能力反映了神经系统在信息处理方面的深刻灵活性。
从幻觉感知到更广泛的感觉科学
随机共振耳鸣模型的影响已经超出了听觉神经科学的范围。耳鸣本质上是一种幻觉感知——在没有外部刺激的情况下产生感觉体验。这种现象在其他感觉模态中也存在：视觉领域的"Charles Bonnet综合征"（视觉受损后产生复杂视幻觉）、体感领域的"幻肢痛"（截肢后感觉到缺失肢体的疼痛）。
随机共振模型为理解这些不同类型的幻觉感知提供了一个统一的框架。它们可能都是感觉系统在面对输入减少时进行自适应优化的副产品——不同的感觉系统面临相同的基本计算问题（如何在信号减弱的情况下维持信息传输），并找到了相同的解决方案（上调内部噪声），产生了类似的"副作用"（幻觉感知）。
这种跨模态的理论统一具有重要的研究价值。它暗示，对耳鸣机制的深入理解可能会为其他感觉障碍的治疗提供线索，反之亦然。例如，在幻肢痛领域已经有一些初步证据表明，感觉替代刺激（类似于随机共振模型中的外部噪声）能够减轻幻肢症状，这与耳鸣治疗中基于噪声的方法异曲同工。
未来方向：机制验证与临床转化
尽管随机共振模型在过去十年中取得了显著进展，但许多关键问题仍有待解决。在机制层面，内部噪声上调的具体分子和细胞机制尚不清楚。噪声的来源可能是多样的：离子通道的随机开关、突触囊泡的随机释放、网络中兴奋-抑制平衡的波动等等。确定这些不同来源的相对贡献，以及它们如何被自适应调节，是未来研究的重要方向。
在技术层面，开发能够在活体人类受试者中直接测量听觉通路内部噪声水平的方法至关重要。目前的技术（如EEG、MEG和功能性磁共振成像）只能间接反映神经活动，无法直接测量噪声水平。新兴的高场强磁共振成像技术和高密度脑电图阵列可能会提供更高的时空分辨率，帮助弥合动物模型和人类研究之间的鸿沟。
在临床层面，需要进行大规模、多中心的随机对照试验来验证基于随机共振的治疗方法的长期有效性和安全性。目前的证据主要来自小样本的先导研究，虽然结果令人鼓舞，但还不足以改变临床实践。此外，如何为每位患者精确地确定最优噪声参数（频率、强度、带宽、时间模式）也是一个需要解决的实际问题。
机器学习和个性化医学可能在这一领域发挥重要作用。通过分析患者的听力图、耳鸣特征和其他临床数据，机器学习算法可能能够预测每位患者的最优治疗参数，从而实现真正的个性化治疗。初步的研究已经显示了这种方法的可行性，但还需要更多的数据和验证。
对神经科学范式的启示
耳鸣随机共振模型的故事不仅关于耳鸣本身，它还反映了一个更广泛的科学教训：我们对"异常"神经活动的解读往往受限于我们的理论框架。当一个系统的输出偏离了我们预期的"正常"模式时，我们的第一反应通常是将其标记为"病理"或"功能障碍"。但正如随机共振模型所展示的，表面的"异常"有时可能反映了一个更深层次的功能性自适应过程。
这种视角在神经科学的其他领域也开始出现。例如，癫痫中的某些高频振荡过去被纯粹视为病理信号，但越来越多的证据表明它们可能在某些情况下反映了正常的记忆巩固过程。注意缺陷多动障碍（ADHD）中的注意力波动有时也被重新解释为一种探索性的自适应策略，而非纯粹的功能缺陷。
随机共振耳鸣模型的十年历程提醒我们，在神经科学中，"噪声"往往不是敌人——它是大脑计算工具箱中的一个重要组成部分。从分子水平的离子通道噪声到网络水平的活动波动，神经系统在多个尺度上都利用噪声来增强其计算能力。耳鸣可能只是这种普遍原理在特定条件下的一个引人注目的表现。
结语
从2016年的一个大胆假设到2026年的一个全面的神经计算理论，耳鸣随机共振模型的十年之旅展示了跨学科思维的力量。将物理学中的随机共振原理、信息论中的最优检测理论和计算神经科学中的自适应网络模型整合在一起，这个框架为理解一个困扰人类数千年的谜题提供了全新的视角。
最重要的概念转变也许在于：耳鸣不应该被简单地视为大脑发出的求救信号，而应该被理解为大脑精密计算的代价。在追求信息优化的过程中，神经系统做出了一个权衡——增加噪声以提高检测能力，同时接受了噪声本身被感知为声音的副作用。理解这个权衡的本质，可能是最终开发出根治耳鸣疗法的关键。
论文信息：Patrick Krauss, Achim Schilling, "Ten Years of the Stochastic Resonance Model of Tinnitus: From Phantom Perception to Adaptive Sensory Optimization", arXiv:2606.17736v1, 2026年6月。
评论