‹ Back

 大腦像 AI 一樣模組化思考？《Nature》揭秘大腦如何利用「共享神經子空間」快速切換任務
 

 

利創智能圖靈學院
科楠老師
2025-12-15

 

前言：大腦的「樂高」積木哲學

 

    在日常生活中，人類展現了驚人的認知靈活性。想像一下，你學會了切番茄，這個動作不僅可以用於做沙拉，還能用於煮義大利麵或製作三明治。這種將單一技能（如「切番茄」）靈活運用在不同情境（如「做沙拉」或「煮麵」）的能力，被稱為「組合性」（Compositionality）。

 

長久以來，科學家一直試圖解開一個謎題：大腦是如何在神經層面上實現這種組合性的？ 當我們切換任務時，大腦是為每個新任務從頭建立一套全新的神經迴路，還是像玩樂高積木一樣，靈活地重複使用既有的「神經模組」？

 

近日，發表於頂尖學術期刊《Nature》的一項重磅研究 "Building compositional tasks with shared neural subspaces"，由普林斯頓大學的 Sina Tafazoli 等人領銜，為我們揭開了這個謎底。研究發現，大腦（特別是前額葉皮質）確實採用了一種高效的策略——利用「共享神經子空間」來儲存任務相關的資訊，並根據當下需求靈活地組合這些資訊。這不僅解釋了人類為何能快速適應新環境，也為未來的人工智慧（AI）發展提供了重要的生物學藍圖。

一、 挑戰認知科學的聖杯：大腦如何「舉一反三」？

 

    在人工智慧領域，經過訓練的神經網絡已經展現出類似的能力。當 AI 被訓練執行多項任務時，它會傾向於重複使用某些計算模組（Computational Components）和表徵（Representations）。這種機制讓 AI 能夠快速學習新任務，因為它不需要從零開始。

然而，生物大腦是否也運作著同樣的機制，長期以來並不明朗。過去的研究雖然知道大腦具有可塑性，但對於神經元群體如何具體編碼這種「跨任務的通用知識」，仍缺乏直接的證據。

這項新研究的核心突破在於，它直接觀察到了靈長類動物的大腦如何在不同但相關的任務之間，重複使用相同的神經編碼模式。這意味著，大腦並不是為每一個新任務發明新的「語言」，而是用同一套「詞彙」來書寫不同的「故事」。

二、 精巧的實驗設計：教猴子玩「組合遊戲」

 

    為了探究這個問題，研究團隊設計了一個精巧的實驗，訓練兩隻恆河猴（Rhesus macaques）進行三種具有「組合關係」的任務 。

 

1. 實驗任務解構

    猴子需要觀看電腦螢幕上的視覺刺激（這些刺激在形狀和顏色上會不斷變化），並根據規則將視線移動（眼動，Saccade）到特定目標。這三個任務分別是：

 

• 任務 S1（形狀-軸線1）：猴子需要判斷圖案的形狀（是像兔子還是像T恤？），然後在軸線 1（左上或右下）上做出反應 。
• 任務 C2（顏色-軸線2）：猴子需要判斷圖案的顏色（是紅還是綠？），然後在軸線 2（右上或左下）上做出反應。
• 任務 C1（顏色-軸線1）：這是關鍵的「組合任務」。猴子需要像任務 C2 一樣判斷顏色，但反應的方式卻要像任務 S1 一樣使用軸線 1。

 

圖. 共享表徵在任務過程中轉化為共享運動表徵。(Tafazoli et al., 2025)

 

2. 組合性的體現

    仔細觀察你會發現，任務 C1 其實是任務 C2 的「感知規則」（辨別顏色）與任務 S1 的「運動規則」（軸線 1 反應）的混合體。

如果大腦真的具有「組合性」，那麼在執行 C1 任務時，它應該會調用原本在 C2 中用於辨別顏色的神經迴路，以及在 S1 中用於控制眼動的神經迴路，並將兩者結合起來。

 

實驗中，猴子並不知道當下具體是哪個任務，它們需要根據嘗試錯誤（Trial-and-error）來推斷當前的規則，這模擬了真實世界中我們不斷適應環境變化的過程。

三、 核心發現：存在於大腦中的「共享神經子空間」

 

    研究團隊在猴子執行任務時，記錄了其外側前額葉皮質（LPFC）以及其他腦區的神經元活動 。通過先進的數據分析技術（如降維分析和解碼器訓練），他們有了驚人的發現。

 

1. 什麼是「神經子空間」？

    想像一個擁擠的房間裡有數千人在說話（神經元放電）。如果你只聽單個人的聲音，可能是一片嘈雜。但如果你能找到一個特定的「角度」或「頻率」（子空間），你會發現其中一群人正在整齊劃一地喊出「紅色」或「綠色」。這個特定的集體活動模式，就是「神經子空間」。

 

2. 跨任務的知識共享

    研究發現，大腦對「顏色」的編碼是跨任務共享的。
無論猴子是在做 C2 任務還是 C1 任務，當它們看到紅色時，LPFC 神經元群體在「顏色子空間」中的活動模式幾乎一模一樣。這就像是電腦裡的一個「顏色辨識函式庫」，一旦寫好，不同的程式（任務）都可以直接呼叫它，而不需要重新編寫代碼。

 

同樣地，運動反應（Motor Response）的編碼也是共享的。無論是因為形狀判斷（S1）還是顏色判斷（C1）導致猴子看向左上方，神經元在「運動子空間」中的活動模式是高度一致的 。

 

3. LPFC 的獨特角色

    有趣的是，這種高度的「抽象化」和「共享性」主要出現在外側前額葉皮質（LPFC）。相較之下，視覺皮層或頂葉皮層（Parietal Cortex）等區域的活動則更具體於當下的特定任務，共享程度較低。這確立了 LPFC 作為大腦「認知控制中心」的地位，它負責提取抽象規則並靈活運用。

四、 認知的動態舞蹈：從感知到行動的轉換

 

    如果只是擁有共享的模組還不夠，大腦還必須知道何時以及如何使用它們。研究揭示了一個動態的「路由」（Routing）過程。

當猴子執行任務 C1 時，大腦內部的神經訊號會先進入「共享顏色子空間」（處理視覺輸入），然後透過一種特定的轉換機制，將資訊流導向「共享運動子空間」（準備眼動）。

 

研究人員使用正交神經子空間（Orthogonal Neural Subspaces）分析發現，這種從感知到行動的轉換是任務專一性（Task-specific）的。

 

• 在任務 C1 中，紅色的顏色資訊會準確地預測軸線 1 上的反應。
• 在任務 C2 中，同樣的紅色資訊則會預測軸線 2 上的反應。

 

這意味著，雖然「零件」（顏色和運動的表徵）是通用的，但「組裝說明書」（如何將顏色對應到動作）是根據當前任務靈活改變的。這正如同一塊樂高積木，依據說明書不同，既可以是城堡的塔樓，也可以是車子的輪軸。

五、 靈活適應的代價與機制

 

    研究還觀察到，當任務規則突然改變時（例如從 C1 變成 C2），猴子需要幾次嘗試來更新它們的「信念狀態」（Internal Belief）。

 

神經數據顯示，猴子的大腦會迭代地更新對當前任務的猜測。一旦確認了新任務，大腦就會迅速調整神經子空間的連接方式，切斷舊的感官-運動連結，建立新的連結。這種機制解釋了為什麼我們在切換工作時（例如從回覆 Email 轉去寫程式）會有短暫的「轉換成本」（Switch Cost），但隨後就能流暢運作。

六、 結語：通往通用人工智慧（AGI）的鑰匙

 

    這項研究不僅是神經科學的勝利，對人工智慧的發展也極具啟發性。目前的深度學習模型往往面臨「災難性遺忘」（Catastrophic Forgetting）的問題——學了新任務，舊任務就忘了。

 

普林斯頓大學的這項研究告訴我們，真正的智慧來自於「模組化」與「重用性」。大腦不需要為世界上的每一種情況儲存獨立的解決方案；相反，它建立了一套通用的、抽象的基礎表徵（顏色、形狀、方向），並通過靈活的控制機制將它們組合起來 。

 

未來的 AI 若能模仿這種「共享子空間」的架構，將能大幅降低學習成本，實現真正的通用性和靈活性，向著像人類一樣「舉一反三」的智慧邁進一大步。

 

 

 

參考文獻

 

1. Tafazoli, S., Bouchacourt, F. M., Ardalan, A., Markov, N. T., Uchimura, M., Mattar, M. G., ... & Buschman, T. J. (2025). Building compositional tasks with shared neural subspaces. Nature. https://doi.org/10.1038/s41586-025-09805-2 

 

2. Yang, G. R., Joglekar, M. R., Song, H. F., Newsome, W. T., & Wang, X. J. (2019). Task representations in neural networks trained to perform many cognitive tasks. Nature Neuroscience, 22, 297-306.

 

3. Holton, E., et al. (2025). Humans and neural networks show similar patterns of transfer and interference during continual learning. Nature Human Behaviour. 

 

4. Driscoll, L. N., Shenoy, K., & Sussillo, D. (2024). Flexible multitask computation in recurrent networks utilizes shared dynamical motifs. Nature Neuroscience, 27, 1349-1363. 

 

5.  Flesch, T., et al. (2023). Schema formation in a neural population subspace underlies learning-to-learn in flexible sensorimotor problem-solving. Nature Neuroscience, 26, 879-890.