PsyBrain 腦心前沿 | 公眾號(hào) PSY-Brain_Frontier

一鍵關(guān)注，點(diǎn)亮星標(biāo) ??

不錯(cuò)過每日前沿資訊

認(rèn)知神經(jīng)科學(xué)前沿文獻(xiàn)分享

基本信息

Title:Adaptive stretching of representations across brain regions and deep learning model layers

發(fā)表時(shí)間：2025.11.21

發(fā)表期刊:Nature Communications

影響因子：15.7

獲取原文：

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

研究背景

想象一下，當(dāng)你在一堆雜亂的桌面上尋找你的車鑰匙時(shí)，你的大腦發(fā)生了什么？為了找到那個(gè)特定的目標(biāo)，你會(huì)自動(dòng)忽略掉那些柔軟的、毛絨絨的物體，而對(duì)金屬光澤、特定形狀的物體變得格外敏感。這就是心理學(xué)中經(jīng)典的“選擇性注意”現(xiàn)象。

長(zhǎng)久以來，神經(jīng)科學(xué)家們都知道前額葉皮層（PFC）在這一過程中扮演著“指揮官”的角色，它通過自上而下的信號(hào)調(diào)節(jié)視覺系統(tǒng)，以增強(qiáng)任務(wù)相關(guān)信息的處理。然而，一個(gè)更深層且充滿爭(zhēng)議的問題是：這種調(diào)節(jié)究竟在多大程度上改變了大腦的內(nèi)部表征？大腦是為了當(dāng)前任務(wù)徹底“重構(gòu)”了自己，還是僅僅是在高層區(qū)域做了加權(quán)？

有一種理論認(rèn)為，注意力的本質(zhì)是“表征延伸（Representational Stretching）”，即沿著任務(wù)相關(guān)的維度（比如“金屬光澤”），神經(jīng)表征的距離被拉長(zhǎng)了，而無關(guān)維度的差異被壓縮了。如果這一假設(shè)成立，那么這種延伸是僅限于負(fù)責(zé)決策的高級(jí)腦區(qū)，還是會(huì)波及到像V4（負(fù)責(zé)顏色）和MT（負(fù)責(zé)運(yùn)動(dòng)）這樣的感覺皮層？

更為有趣的是，這種復(fù)雜的認(rèn)知控制機(jī)制是生物腦獨(dú)有的進(jìn)化產(chǎn)物，還是任何智能系統(tǒng)（包括人工智能）在優(yōu)化任務(wù)表現(xiàn)時(shí)都會(huì)涌現(xiàn)出的必然策略？為了回答這些問題，研究人員結(jié)合了獼猴的多腦區(qū)電生理記錄與深度學(xué)習(xí)模型（CNN-LSTM），展開了一場(chǎng)跨越生物與人工神經(jīng)網(wǎng)絡(luò)的深度探索。

研究核心總結(jié)

本研究通過記錄獼猴在執(zhí)行多屬性決策任務(wù)時(shí)的多腦區(qū)神經(jīng)活動(dòng)，并結(jié)合深度神經(jīng)網(wǎng)絡(luò)模型，揭示了大腦在任務(wù)導(dǎo)向下的適應(yīng)性表征重構(gòu)機(jī)制。

Fig. 1 | Overview of the behavioral task and CNN-LSTM modeling.

核心發(fā)現(xiàn)一：全腦范圍的適應(yīng)性“維度延伸”

研究采用表征相似性分析（Representational Similarity Analysis, RSA），構(gòu)建了包含前額葉（PFC）、額葉眼動(dòng)區(qū)（FEF）、外側(cè)頂內(nèi)溝（LIP）、下顳葉（IT）以及視覺皮層（V4, MT）的表征差異矩陣（RDM）。結(jié)果顯示，“維度延伸”現(xiàn)象在所有記錄腦區(qū)中均被觀察到。具體而言，當(dāng)任務(wù)要求關(guān)注“運(yùn)動(dòng)”維度時(shí)，那些在運(yùn)動(dòng)方向上不同、但在顏色上相同的刺激，其神經(jīng)表征的差異性顯著增大；反之亦然。這意味著，大腦不僅是在決策端進(jìn)行篩選，而是通過廣泛的神經(jīng)重構(gòu)，主動(dòng)拉大了任務(wù)相關(guān)特征在神經(jīng)空間中的距離，從而優(yōu)化分類邊界。

Fig. 2 | Spike timing measures best capture the experimenter intended coordinates.

核心發(fā)現(xiàn)二：脈沖時(shí)序編碼的關(guān)鍵作用

與傳統(tǒng)的發(fā)放率編碼（Rate Coding）相比，研究發(fā)現(xiàn)包含時(shí)間信息的編碼指標(biāo)，特別是脈沖間隔（Inter-Spike Interval, ISI），能更精準(zhǔn)地捕捉這種維度延伸效應(yīng)。數(shù)據(jù)表明，ISI指標(biāo)構(gòu)建的RDM與實(shí)驗(yàn)設(shè)定的物理刺激空間具有最高的相似度，且在捕捉任務(wù)調(diào)制的動(dòng)態(tài)變化上顯著優(yōu)于單純的脈沖計(jì)數(shù)。這暗示了神經(jīng)元發(fā)放的精細(xì)時(shí)序結(jié)構(gòu)（Spike Timing）承載著決策所需的關(guān)鍵信息，而非僅僅是發(fā)放頻率的改變。

Fig. 3 | Dimensional stretching occurs in both neural data and model representations.

核心發(fā)現(xiàn)三：人工神經(jīng)網(wǎng)絡(luò)的自發(fā)涌現(xiàn)與生物限制

研究者構(gòu)建了一個(gè)模擬靈長(zhǎng)類視覺系統(tǒng)的深度學(xué)習(xí)模型（CNN前端+堆疊LSTM后端），并在相同的視覺輸入和任務(wù)下進(jìn)行訓(xùn)練（無顯式注意模塊，僅通過試錯(cuò)學(xué)習(xí)最小化誤差）。令人驚訝的是，模型不僅在行為表現(xiàn)上達(dá)到了高水平，其內(nèi)部表征也自發(fā)涌現(xiàn)出了與生物腦高度相似的“維度延伸”策略。這表明，這種注意機(jī)制可能并非需要預(yù)設(shè)的專用模塊，而是智能系統(tǒng)為了最大化任務(wù)表現(xiàn)而采取的一種通用統(tǒng)計(jì)學(xué)習(xí)策略。不過，差異在于模型的靈活性遠(yuǎn)超生物腦：模型的各層均能根據(jù)任務(wù)完全重構(gòu)；而生物腦中的V4和MT區(qū)雖然也表現(xiàn)出延伸，但仍保留了較強(qiáng)的模態(tài)特異性（Modality-bound），即V4始終更偏向顏色處理，MT更偏向運(yùn)動(dòng)處理，顯示了生物進(jìn)化的解剖約束。

Fig. 4 | Task-relevant attention allocation as estimated by the cognitive model.

這項(xiàng)研究有力地證明了大腦是一個(gè)高度動(dòng)態(tài)的統(tǒng)計(jì)學(xué)習(xí)引擎。為了適應(yīng)當(dāng)前任務(wù)，它會(huì)跨越層級(jí)地“拉伸”其神經(jīng)表征，利用脈沖時(shí)序編碼來放大相關(guān)維度的差異。這種機(jī)制在生物腦和人工神經(jīng)網(wǎng)絡(luò)中的殊途同歸，為我們理解認(rèn)知的計(jì)算本質(zhì)提供了極其重要的視角。

Fig. 5 | Alignment between brain region and LSTM layers.

Abstract

Prefrontal cortex (PFC) is known to modulate the visual system to favor goal-relevant information by accentuating task-relevant stimulus dimensions. Does the brain broadly re-configures itself to optimize performance by stretching visual representations along task-relevant dimensions? We considered a task that required monkeys to selectively attend on a trial-by-trial basis to one of two dimensions (color or motion direction) to make a decision. Although effects were most prominent in frontal areas, representations stretched along task-relevant dimensions in all sites considered: V4, MT, lateral PFC, frontal eye fields (FEF), lateral intraparietal cortex (LIP), and inferotemporal cortex (IT). Spike timing was crucial to this code. A deep learning model was trained on the same visual input and rewards as the monkeys. Despite lacking an explicit selective attention or other control mechanism, by minimizing error during learning, the model’s representations stretched along task-relevant dimensions, indicating that stretching is an adaptive strategy.

請(qǐng)打分

這篇?jiǎng)倓偟巧?strong>Nature Communications的研究，是否實(shí)至名歸？我們邀請(qǐng)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(píng)論區(qū)分享您的深度見解。

前沿交流|歡迎加入認(rèn)知神經(jīng)科學(xué)前沿交流群！

核心圖表、方法細(xì)節(jié)、統(tǒng)計(jì)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