熟练掌握网球的人，往往能更快上手羽毛球、乒乓球等其他球类运动；学会一种解题思路，遇到类似问题也能迅速上手。这种“举一反三”的能力，是人类智能最迷人的特质之一。这种能力并非简单的记忆叠加，而是一种更高层级的“学会学习”（learning to learn）能力——大脑能够提取任务背后的共性规律，并在新的情境中高效复用。这一能力的神经基础，是大脑在学习过程中形成的可重复利用的稳定神经活动模式，即心理学中的“图式”（Schema）。但长期以来，大脑如何在复用已有知识的同时，灵活适应新的任务条件，始终是个谜题。
近日，中国科学院自动化研究所联合解放军总医院第九医学中心、吉林大学第一医院为该问题提供了重要解答。研究首次发现，灵长类大脑的神经活动会形成两个近乎正交的表征空间，分别负责表征稳定的“图式”结构与随具体任务变化的特征，这一神经组织方式巧妙破解了学习过程中稳定性与灵活性的平衡难题。相关成果发表于《自然·通讯》（Nature Communications）。
研究团队以猕猴为实验对象，训练其完成一系列视觉—运动映射任务。结果发现，随着训练推进，猕猴在后续同类任务中的学习速度显著提升，表现出明显的“举一反三”能力。这表明，灵长类动物与人类一样，能够提取任务中的抽象结构，并将其迁移应用于新问题。
进一步的神经记录显示，在猕猴背侧前运动区（PMd）的神经群体活动中，大脑会自发形成两个几乎相互正交的表征空间：一个是稳定的“决策子空间”，其中存在低维神经流形，负责编码任务的核心决策逻辑。即使具体视觉刺激发生变化，只要决策规则不变，大脑仍会复用这一稳定的神经模式。另一个是相对独立的“感觉子空间”，专门编码当前任务的具体感觉特征，用于适配新的外部条件。这种近乎正交的神经组织方式，使得稳定知识与新信息在不同表征空间中运行，彼此干扰最小化。换句话说，大脑通过“表征空间分离”实现了知识的稳定存储与灵活更新。
这一成果不仅深化了我们对灵长类大脑学习机制的理解，也为人工智能的发展提供了重要启示。当前深度学习系统在连续学习多个任务时，往往会出现“灾难性遗忘”——新任务的学习会干扰旧任务的知识。相比之下，灵长类大脑通过构建相互正交的表征空间，实现了知识隔离与复用并存。借鉴这一策略，有望为构建具备快速学习、灵活适应能力的新一代人工智能系统提供全新设计思路。
本研究的共同第一作者为中国科学院自动化研究所博士研究生田凯茜、吉林大学第一医院赵智平医生及中国科学院自动化研究所陈阳副研究员；中国科学院自动化研究所余山研究员与解放军总医院第九医学中心顾建文教授为共同通讯作者。研究工作得到国家科技创新2030-“脑科学与类脑研究”重大项目、中国科学院战略先导专项等资助。
