跨脑区与深度学习模型层的自适应表征拉伸：任务相关维度的神经编码优化策略

《Nature Communications》：Adaptive stretching of representations across brain regions and deep learning model layers

　　本刊推荐：为探究大脑是否通过拉伸任务相关维度的表征来优化决策，研究人员训练猴子完成颜色-运动方向选择性注意任务，并同步记录V4、MT、PFC、FEF、LIP、IT等多脑区神经活动。研究发现所有脑区均出现任务相关维度的表征拉伸，且脉冲时序（ISI/SPIKE）优于速率编码；深度学习模型（CNN-LSTM）仅通过误差最小化也出现类似拉伸，表明此为普适的自适应策略。该研究揭示了大脑与人工智能系统共享的表征优化机制。

　　

在复杂多变的环境中，大脑如何快速调整自身以优先处理与当前目标相关的信息？例如，在寻找钥匙时，人们会不自觉地将注意力集中在具有金属光泽和小巧形状的物体上。这种被称为"选择性注意"的认知功能，长期以来被认为依赖于前额叶皮层（Prefrontal Cortex, PFC）对视觉系统的调控。然而，一个更深层次的问题是：大脑是否会通过"拉伸"神经表征——即扩大任务相关维度上的神经表征差异——来优化行为表现？

传统观点认为，大脑各区域功能相对固定，例如V4主要处理颜色信息，MT主要处理运动信息。但近年来越来越多的证据表明，高级脑区可能通过反馈连接重塑整个视觉皮层的表征。为验证这一假说，张欣雅等人开展了一项创新性研究，训练猴子完成一个灵活的视觉决策任务，并同步记录多个脑区的神经活动。相关成果发表于《Nature Communications》杂志。

研究人员设计了一个巧妙的实验范式：在每个试次开始时，猴子会看到一个提示信号，表明本试次需要关注的是颜色还是运动方向维度。随后，猴子观看一个彩色运动点阵，并根据提示的维度做出向左或向右的眼动反应。通过记录V4、MT、外侧PFC、额眼区（FEF）、顶内沟外侧区（LIP）和颞下皮层（IT）的神经活动，研究人员能够全面评估不同脑区在任务中的表征变化。

关键技术方法方面，研究团队采用多管齐下的策略：首先利用21种颜色-运动组合刺激训练两只恒河猴完成选择性注意任务，通过立体定位记录技术采集6个脑区的神经信号；其次构建CNN-LSTM混合模型，使用预训练的VGG-16卷积神经网络处理视觉输入，6层堆叠长短期记忆网络（LSTM）学习决策策略；最后运用表征相似性分析（Representational Similarity Analysis, RSA）比较大脑与模型表征，并通过认知模型拟合和交叉验证量化注意力权重分配。

神经表征与脉冲时序

研究首先探讨何种神经相似性度量最能反映实验者定义的刺激坐标。通过比较脉冲间隔（ISI）距离、SPIKE距离和速率编码等指标，发现脉冲时序信息显著优于传统的速率编码。

脑区与模型中的维度拉伸

核心发现是大脑和LSTM模型均表现出显著的任务相关维度拉伸。当颜色相关时，颜色不匹配的刺激对在神经表征上更加 dissimilar（不相似）；当运动相关时，运动不匹配的刺激对差异更大。这种拉伸效应在所有脑区均存在，但在前额叶区域最为明显。

认知模型验证

通过拟合带有注意力权重的认知模型，研究发现与使用混合任务数据训练的基线模型相比，任务特异性认知模型能更好地匹配神经数据，进一步证实了维度拉伸的存在。

LSTM与脑区的对应关系

尽管大脑和模型都表现出自适应拉伸，但它们的重构程度存在差异。V4和MT表现出一定的模态特异性——V4在颜色任务中与LSTM活动更相关，而MT在运动任务中相关性更高，表明生物系统存在感知维度局部加工的限制或优势。

研究结论表明，大脑确实通过拉伸任务相关维度的表征来优化行为表现，这种机制广泛存在于视觉、前额叶和顶叶皮层。尤为重要的是，脉冲时序在神经编码中扮演关键角色，挑战了传统的速率编码主导观点。深度学习模型的结果进一步表明，这种拉伸现象可以通过简单的误差最小化过程涌现，无需预设专门的控制机制。

该研究的深刻意义在于揭示了大脑与人工 intelligence 系统共享的通用信息处理原则：通过自适应重构内部表征来优化任务表现。同时，生物系统与模型的关键差异（如V4/MT的模态特异性）提示我们，大脑在进化过程中可能保留了感知维度局部加工的优势。这项研究为理解认知控制机制的起源提供了新视角，表明复杂的注意力控制可以从统计学习过程中自然涌现，而非完全依赖先天的专用神经回路。未来研究可进一步探索脉冲时序信息在决策中的功能作用，以及如何将此类生物约束整合到人工智能模型中。