人类大脑网络的黎克夫 phases 最优性：脑临界性融合稳定性与灵活性

神经科学中一个著名假设认为，大脑通过靠近临界点实现最佳性能。然而，这一框架通常假设存在普适的临界点，无法解释在神经动力学和认知功能中观察到的显著个体差异。这些差异并非噪声，而是生命系统生物学原则的本质体现：在人类种群中，鲁棒性与灵活性之间必然存在的权衡。本研究提出，黎克夫 phases（GP）——由大脑网络区域和连接构成的两种异质性共同诱导的扩展临界态——为脑临界性提供了统一框架，更好地协调了鲁棒性与灵活性，同时解释了个体差异。利用 Human Connectome Project 数据和全脑建模，我们证明，结构网络模块化与局部兴奋性区域异质性之间的相互作用可产生生物可行的 GP，其特征为广泛延伸的全局兴奋范围，内嵌最优点，平衡全局与局部信息传输。关键在于，个体在 GP 中的位置导致独特的全局网络动力学，从而通过功能连接的灵活配置实现对隔离、整合及其之间平衡的独特认知特征。这些结果将 GP 确立为解决鲁棒性-灵活性权衡的进化适应机制，通过个体化的临界性景观实现多样化认知需求。