Nat Commun：大腦與深度神經網絡的通用“表征重構”與神經空間適應性“幾何拉伸”

PsyBrain 腦心前沿 | 公眾號 PSY-Brain_Frontier

一鍵關注，點亮星標 ??

不錯過每日前沿資訊

認知神經科學前沿文獻分享

基本信息

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

發表時間：2025.11.21

發表期刊: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，當你在一堆雜亂的桌面上尋找你的車鑰匙時，你的大腦發生了什么？為了找到那個特定的目標，你會自動忽略掉那些柔軟的、毛絨絨的物體，而對金屬光澤、特定形狀的物體變得格外敏感。這就是心理學中經典的“選擇性注意”現象。

長久以來，神經科學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調節視覺系統，以增強任務相關信息的處理。然而，一個更深層且充滿爭議的問題是：這種調節究竟在多大程度上改變了大腦的內部表征？大腦是為了當前任務徹底“重構”了自己，還是僅僅是在高層區域做了加權？

有一種理論認為，注意力的本質是“表征延伸（Representational Stretching）”，即沿著任務相關的維度（比如“金屬光澤”），神經表征的距離被拉長了，而無關維度的差異被壓縮了。如果這一假設成立，那么這種延伸是僅限于負責決策的高級腦區，還是會波及到像V4（負責顏色）和MT（負責運動）這樣的感覺皮層？

更為有趣的是，這種復雜的認知控制機制是生物腦獨有的進化產物，還是任何智能系統（包括人工智能）在優化任務表現時都會涌現出的必然策略？為了回答這些問題，研究人員結合了獼猴的多腦區電生理記錄與深度學習模型（CNN-LSTM），展開了一場跨越生物與人工神經網絡的深度探索。

研究核心總結

本研究通過記錄獼猴在執行多屬性決策任務時的多腦區神經活動，并結合深度神經網絡模型，揭示了大腦在任務導向下的適應性表征重構機制。

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

核心發現一：全腦范圍的適應性“維度延伸”

研究采用表征相似性分析（Representational Similarity Analysis, RSA），構建了包含前額葉（PFC）、額葉眼動區（FEF）、外側頂內溝（LIP）、下顳葉（IT）以及視覺皮層（V4, MT）的表征差異矩陣（RDM）。結果顯示，“維度延伸”現象在所有記錄腦區中均被觀察到。具體而言，當任務要求關注“運動”維度時，那些在運動方向上不同、但在顏色上相同的刺激，其神經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行篩選，而是通過廣泛的神經重構，主動拉大了任務相關特征在神經空間中的距離，從而優化分類邊界。

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

核心發現二：脈沖時序編碼的關鍵作用

與傳統的發放率編碼（Rate Coding）相比，研究發現包含時間信息的編碼指標，特別是脈沖間隔（Inter-Spike Interval, ISI），能更精準地捕捉這種維度延伸效應。數據表明，ISI指標構建的RDM與實驗設定的物理刺激空間具有最高的相似度，且在捕捉任務調制的動態變化上顯著優于單純的脈沖計數。這暗示了神經元發放的精細時序結構（Spike Timing）承載著決策所需的關鍵信息，而非僅僅是發放頻率的改變。

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

核心發現三：人工神經網絡的自發涌現與生物限制

研究者構建了一個模擬靈長類視覺系統的深度學習模型（CNN前端+堆疊LSTM后端），并在相同的視覺輸入和任務下進行訓練（無顯式注意模塊，僅通過試錯學習最小化誤差）。令人驚訝的是，模型不僅在行為表現上達到了高水平，其內部表征也自發涌現出了與生物腦高度相似的“維度延伸”策略。這表明，這種注意機制可能并非需要預設的專用模塊，而是智能系統為了最大化任務表現而采取的一種通用統計學習策略。不過，差異在于模型的靈活性遠超生物腦：模型的各層均能根據任務完全重構；而生物腦中的V4和MT區雖然也表現出延伸，但仍保留了較強的模態特異性（Modality-bound），即V4始終更偏向顏色處理，MT更偏向運動處理，顯示了生物進化的解剖約束。

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

這項研究有力地證明了大腦是一個高度動態的統計學習引擎。為了適應當前任務，它會跨越層級地“拉伸”其神經表征，利用脈沖時序編碼來放大相關維度的差異。這種機制在生物腦和人工神經網絡中的殊途同歸，為我們理解認知的計算本質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.

請打分

這篇剛剛登上Nature Communications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，并在評論區分享您的深度見解。

前沿交流|歡迎加入認知神經科學前沿交流群！

核心圖表、方法細節、統計結果與討論見原文及其拓展數據。

分享人：飯哥

審核：PsyBrain 腦心前沿編輯部