PsyBrain 腦心前沿 | 公眾號 PSY-Brain_Frontier

一鍵關(guān)注，點亮星標 ??

不錯過每日前沿資訊

認知神經(jīng)科學前沿文獻分享

基本信息

Title:Building compositional tasks with shared neural subspaces

發(fā)表時間：2025.11.26

發(fā)表期刊:Nature

影響因子：48.5

獲取原文：

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

研究背景

認知系統(tǒng)如何靈活適應環(huán)境變化并學習新任務？人類和非人靈長類動物能夠?qū)⒑唵蔚男袨楹驼J知模塊進行重新利用和靈活組合 ，這種能力被稱為任務組合性（Task Compositionality）。試想，我們在學會辨別水果顏色“是否成熟”這一基本技能后，可以將它用于采摘、烹飪、食用等多種任務中。組合性正是實現(xiàn)通用智能的關(guān)鍵 。

然而，大腦在神經(jīng)環(huán)路層面如何將這些基本模塊像“樂高積木”一樣靈活地“搭建”和“拆解”，并實現(xiàn)對感覺、認知和運動表征的靈活“動態(tài)路徑選擇/動態(tài)路由”（Dynamic Routing），一直是認知神經(jīng)科學的核心挑戰(zhàn) 。

神經(jīng)系統(tǒng)必須解決一個關(guān)鍵問題：如何確保在執(zhí)行新任務時，只激活并連接當前任務所需的神經(jīng)資源（例如，顏色信息），同時抑制那些不相關(guān)的舊信息（例如，形狀信息或錯誤的運動路徑），避免“內(nèi)部短路”？

本研究正是為了揭示這一動態(tài)調(diào)控的神經(jīng)基礎。研究團隊通過設計三個具有精妙組合關(guān)系的視覺分類任務（S1, C1, C2），精準測試了任務組合性在神經(jīng)層面的實現(xiàn) 。其中，任務C1被視為組合任務，它結(jié)合了C2的顏色感知子任務與S1的軸1運動響應子任務 。更重要的是，實驗范式要求獼猴在任務切換時，必須通過迭代更新內(nèi)部任務信念來推斷當前規(guī)則（即任務推斷），從而提供了觀察神經(jīng)資源動態(tài)調(diào)控的理想窗口 。

Fig. 1 | The monkeys performed three compositional tasks.

研究核心總結(jié)

本研究的核心發(fā)現(xiàn)是，大腦通過維護和調(diào)用共享神經(jīng)活動子空間來高效支持任務組合性，而外側(cè)前額葉皮層（LPFC）是實現(xiàn)這一靈活機制的關(guān)鍵樞紐。

Fig. 2 | Colour category and response representations were shared across tasks.

一、共享表征與動態(tài)轉(zhuǎn)換

1. 子空間泛化性： LPFC是共享表征的主要樞紐，其神經(jīng)活動表現(xiàn)出強大的跨任務泛化能力，證實了存在與具體任務解耦的共享感覺子空間（編碼顏色類別）和共享運動子空間（編碼軸1/軸2響應方向）。通過線性分類器驗證，訓練用于C2的顏色分類器可成功解碼C1任務中的顏色信息；運動表征則在所有記錄區(qū)域（包括LPFC, FEF, PAR, aIT）中都表現(xiàn)出廣泛的共享性 。

2. 順序組合與計算路由： 任務的執(zhí)行體現(xiàn)為這些子空間的順序參與和任務依賴的轉(zhuǎn)換 。在LPFC中，神經(jīng)活動首先在共享顏色子空間中編碼刺激類別，隨后被選擇性地路由至任務相關(guān)的共享運動子空間（如C1任務中路由至軸1）?？鐣r序相關(guān)性分析進一步證實，共享感覺表征的編碼強度能夠預測未來相關(guān)運動響應軸的編碼，而非無關(guān)軸，清晰地展示了從感知信息到任務特定運動輸出的動態(tài)轉(zhuǎn)換過程 。

Fig. 3 | Shared representations were transformed into shared motor representations during the task.

二、任務信念與幾何門控

1. 信念驅(qū)動的動態(tài)門控： 子空間的靈活調(diào)用并非自動，而是由內(nèi)部任務信念驅(qū)動和調(diào)控 。LPFC中任務信念編碼的增強，正相關(guān)地預測了共享顏色子空間的參與度。

2. 增益調(diào)控與干擾抑制：任務信念通過實施一種幾何縮放機制，即增益調(diào)控，來實現(xiàn)對表征的動態(tài)控制。任務相關(guān)特征（如顏色）的神經(jīng)表征被放大，而任務無關(guān)特征（如形狀）的表征則被衰減和延遲。這種幾何調(diào)整策略由壓縮指數(shù)（Compression Index, CPI）量化，并與任務信念高度相關(guān)，是解決多任務干擾和支持持續(xù)學習的關(guān)鍵策略 。值得注意的是，對無關(guān)運動軸的抑制是快速的（3-6個試次內(nèi)），而對無關(guān)感覺特征的衰減則是漸進的，反映了不同層級規(guī)則的推斷速度差異 。

Fig. 4 | Shared subspaces are dynamically engaged during task discovery.

綜上所述，本研究在神經(jīng)群體層面為任務組合性的實現(xiàn)提供了結(jié)構(gòu)性證據(jù)。外側(cè)前額葉皮層（LPFC）通過維護共享神經(jīng)子空間作為可重用的計算組件 。這種靈活的組合，本質(zhì)上依賴于高維度的內(nèi)部任務信念作為核心的控制信號 。該信念不僅驅(qū)動了從感覺表征到運動表征的動態(tài)計算路由，實現(xiàn)任務相關(guān)的時序轉(zhuǎn)換 ，還通過幾何門控機制，精確地放大任務相關(guān)信息并抑制干擾信息 。這一發(fā)現(xiàn)揭示了大腦如何在保障跨任務泛化性的同時，通過精細的表征幾何學調(diào)整來有效解決持續(xù)學習中的干擾和沖突問題 。

Fig. 5 | Irrelevant sensory and motor representations were suppressed during flexible behaviour.

Abstract

Cognition is highly flexible—we perform many different tasks and continually adapt our behaviour to changing demands. Artificial neural networks trained to perform multiple tasks will reuse representations and computational components across tasks. By composing tasks from these subcomponents, an agent can flexibly switch between tasks and rapidly learn new tasks. Yet, whether such compositionality is found in the brain is unclear. Here we show the same subspaces of neural activity represent task-relevant information across multiple tasks, with each task flexibly engaging these subspaces in a task-specific manner. We trained monkeys to switch between three compositionally related tasks. In neural recordings, we found that task-relevant information about stimulus features and motor actions were represented in subspaces of neural activity that were shared across tasks. When monkeys performed a task, neural representations in the relevant shared sensory subspace were transformed to the relevant shared motor subspace. Monkeys adapted to changes in the task by iteratively updating their internal belief about the current task and then, based on this belief, flexibly engaging the shared sensory and motor subspaces relevant to the task. In summary, our findings suggest that the brain can flexibly perform multiple tasks by compositionally combining task-relevant neural representations.

請打分

這篇剛剛登上Nature的研究，是否實至名歸？我們邀請您作為“云審稿人”，一同品鑒。精讀全文后，歡迎在匿名投票中打分，并在評論區(qū)分享您的深度見解。

前沿交流|歡迎加入認知神經(jīng)科學前沿交流群！

核心圖表、方法細節(jié)、統(tǒng)計結(jié)果與討論見原文及其拓展數(shù)據(jù)。

分享人：飯哥

審核：PsyBrain 腦心前沿編輯部