獼猴前額葉的幾何表征如何隨學習重塑？Nature Neuroscience 在 XOR 任務中跟蹤到完整的高維→低維軌跡

認知神經科學前沿文獻分享

基本信息

Title:Learning shapes neural geometry in the primate prefrontal cortex

發表時間:2026-06-25

發表期刊:Nature Neuroscience

獲取原文:

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

引言

前額葉皮層（PFC）的功能解釋里，一直有兩條并行的線索。一種傳統觀點認為，PFC 神經元會自適應地調諧到任務相關信息上，群體活動因此呈現低維、流形化的結構——這是"自適應編碼"模型的實證基礎。另一種近年被反復強調的看法則相反：PFC 群體活動更像一個"非線性核"，把低維輸入投影到高維空間，從而提供豐富的模式分離能力。

兩種解釋各有實驗支持，但各自的邊界相當明顯。低維視角難以充分說明 PFC 在復雜認知中表現出的靈活度；高維視角又難以解釋訓練后的 PFC 經常只對任務相關特征保持選擇性，而對其它特征不再敏感。一個自然的調和假設是：PFC 并非一直停留在某一種幾何形態上，而是會隨著學習階段在兩種表征之間切換。新任務早期，高維、隨機混合的選擇性可能為探索各種輸入-輸出對應關系提供最大靈活性；隨著學習收斂到特定任務結構，群體活動又會轉向低維、對任務相關變量高度特化的表征。這種動態切換在理論上被多次提出，但橫跨多個訓練日、在同一批神經元上系統驗證 PFC 幾何如何隨學習變化的工作并不多。

本文瞄準的就是這一缺口。研究者讓獼猴從零開始學習一條新"異或（XOR）"規則，并在整個學習過程中持續記錄外側前額葉皮層（lateral PFC）的群體活動。如果 PFC 真的會在兩種幾何之間切換，那具體要問的就是：切換的軌跡是什么？哪些任務變量上切換最明顯？當規則被推廣到新刺激集時，新舊表征又是如何對齊的？

實驗設計與方法邏輯

兩只成年雄性恒河猴在右側外側前額葉皮層植入半慢性多電極陣列，每只猴各完成 25 個日記錄會話（猴 1：實驗 1 共 17 個會話、實驗 2 共 8 個；猴 2：實驗 1 共 10 個、實驗 2 共 15 個）。實驗 1 累計記錄 376 個神經元（猴 1: 146，猴 2: 230），實驗 2 累計記錄 356 個（猴 1: 205，猴 2: 151）。任務采用經典被動關聯范式：動物只需注視屏幕，顏色（藍/綠）先行出現，隨后出現形狀（方形/菱形），兩者的異或關系決定本試次是否給獎；形狀的"寬度"作為與獎賞無關的第三特征被保留下來，專門用來檢驗 PFC 是否會主動丟棄任務無關信息。電極在每個會話開始前至少推進 62.5 μm，以保證每次記錄到的是新一批細胞。

群體分析上，會話按 4 個學習階段劃分（用滑動窗口保證各階段試次量平衡），跨猴合并為偽群體后做三類分析。線性 SVM 的時間分辨解碼分別考察顏色、形狀、寬度和 XOR 在不同階段的可分性；shattering dimensionality 量化群體可以實現的二分任務數；三軸選擇性空間（顏色、形狀、XOR）中計算的回歸系數被用來估計每個神經元的選擇性，并比較其協方差結構到兩種理論生成模型——高維隨機混合（random mixed selectivity）模型與低維最小選擇性（minimal selectivity）模型——的距離。實驗 2 進一步引入與原顏色對共享相同"形狀-獎賞"對應關系的新顏色對（粉/卡其），目的是看 PFC 是否會把新舊兩套刺激的上下文（context）、刺激集（set）及其交互（XOR 2）編碼到同一組共享軸上。

Figure 1. Potential effects of learning on neural geometry in the prefrontal cortex

核心發現

發現一：PFC 表征維度隨學習下降，但任務相關的 XOR 始終可讀

先看最直接的事實：隨著學習推進，PFC 群體不再能像最初那樣對所有任務變量都保持高可分性。Fig. 2E-G 的時間分辨解碼給出一條清晰的對比——學習階段 1 時，群體對顏色、形狀和 XOR 三種變量在獎勵給出前的精度都顯著高于 chance 水平；到階段 4，顏色（P < 0.05）和形狀（P < 0.001）的解碼精度在多個時間窗明顯下降，而 XOR 的解碼精度保持穩定。這種不對稱下降說明，群體活動并沒有隨學習變得"信息更少"，而是把信息集中到任務真正需要的那個非線性組合上。

Figure 2. Neural representations in macaque PFC during learning of a single task

維度層面的進一步證據見 Fig. 2J：shattering dimensionality 在學習過程中顯著下降（P = 0.01）；第一主成分解釋的方差比例也從階段 1 的 0.466 上升到階段 4 的 0.581（P < 0.05），群體活動從分散在多個方向逐步集中到少數幾個主導維度。Fig. 2H-I 進一步把"任務無關維度"納入檢驗：與獎賞無關的形狀寬度（width）解碼精度在學習后同樣下降（P < 0.05）。PFC 在這里做的是把表征收縮到與任務直接相關的非線性組合上，同時把無關維度一并壓縮——整體編碼強度并未簡單降低。

發現二：選擇性結構從隨機混合收斂到最小模型

維度的下降還需要在選擇性結構層面得到驗證。Fig. 2K-N 把每個神經元的回歸系數投到三軸選擇性空間（顏色、形狀、XOR），比較數據協方差矩陣與兩種理論模型的距離。階段 1 時，PFC 神經元在選擇性空間中呈接近球形、各向同性的分布，與高維隨機混合模型一致（P = 0.316，與隨機模型無顯著差異）；階段 4 時分布明顯向僅保留 XOR 選擇性的方向收斂，與最小模型已無法區分（P = 0.999），同時與隨機模型的距離顯著拉大（P < 0.001）。

這一收斂在跨階段軌跡上是漸進的。Fig. 2M-N 的距離指標隨學習階段單調變化：與隨機模型距離遞增、與最小模型距離遞減。兩類獨立數據也支撐同一結論——按"試次終止指數"對會話重新排序的偽群體（Extended Data Fig. 3I-O），以及 Constantinidis 等人已發表工作記憶數據集的再分析（Extended Data Fig. 4），都看到學習把 PFC 推向最小選擇性區間。訓練后 PFC 的協方差結構并非偶然地稀疏化，而是收斂到一類"只保留任務相關變量"的低維幾何。

Figure 3. Neural representations in macaque PFC during learning of two instances of the same task structure

Figure 4. The PFC aligns new and old task representations as a function of learning

發現三：引入新刺激集后，新舊表征沿共享軸對齊

實驗 2 是本文的"推廣測試"：在動物已熟練舊顏色對（藍/綠）后，引入一組與舊顏色對共享相同"形狀-獎賞"對應關系的新顏色對（粉/卡其）。Fig. 3A-B 把這一設計畫成因子化結構——context（顏色對）才是真正的任務相關變量，stimulus set（具體是哪一對顏色）以及 context × set（XOR 2）都是任務無關維度。Fig. 3E-G 給出關鍵時間窗的解碼結果：與實驗 1 一致，set 和 XOR 2 的解碼精度隨學習顯著下降（分別 P < 0.001 和 P < 0.05），context 的解碼精度跨階段保持穩定。

Fig. 4 的跨集泛化分析提供更直接的證據。Fig. 4A 比較同一批 PFC 神經元在階段 1 與階段 4 對"set 1 上下文"和"set 2 上下文"的選擇性：階段 1 時兩者相關系數 r = -0.15（不顯著，提示兩套刺激在 PFC 中由不同子集編碼），階段 4 時上升到 r = 0.37（P < 0.001）。Fig. 4C-D 的 SVM 跨集泛化解碼進一步顯示，訓練后 context 的跨集泛化精度達到"普通 context 解碼"的天花板（Extended Data Fig. 6F），說明對上下文信息的編碼在兩套刺激中由同一條決策邊界承載。Fig. 4E-L 給出對形狀和 XOR 的平行分析，模式一致：訓練后跨集泛化精度都接近或達到對應普通解碼的天花板。不同變量達到穩定泛化的時間尺度并不一致——XOR 在階段 1 就已跨集泛化（共享形狀是原因），而 context 和 shape 需要多周訓練才能穩定對齊。

Figure 6

發現四：隨機混合是學習必經的中間態，即使有先驗

把實驗 1 和實驗 2 擺在一起看，本文真正關心的問題是：哪怕新任務與已有任務共享結構，PFC 在群體層面也不會直接跳到最小表征，而是先經過一段"近似隨機混合"的中間態。Fig. 3I-N 把實驗 2 的選擇性按 4 個學習階段排列：階段 1 時選擇性顯著偏離隨機模型（P < 0.001），作者把它解釋為"新刺激帶來的新奇效應"；階段 2 時與隨機模型已無顯著差異（回到高維混合）；階段 3-4 才逐步向最小模型收斂。這一軌跡說明，PFC 不會因為已有先驗就跳過探索階段——無論學全新任務還是帶支架的推廣，群體都要先經過一段高維、隨機混合的中間態，再落到低維、任務相關的表征。

在討論中，作者把這一觀察與計算模型中"雙階段學習策略"的預測呼應：早期依賴"庫式動力學"快速給出高維可塑性，后期通過本地連接與突觸可塑性把表征固化為低維流形。這與"小腦驅動皮層"那類模型在小腦-運動皮層上觀察到的雙階段動力學在結構上同源。不過需要看清邊界：群體來自不同會話的偽群體，并不能直接證明同一批神經元在長時程上確實經歷了從隨機到最小的收斂；樣本仍是兩只動物、一類任務結構；"刺激集不變的幾何"在更復雜、組合式任務下是否成立，也還需要后續工作驗證。

歸納總結和點評

這項研究把"前額葉到底是高維還是低維"這一長期爭論重新放到了時間軸上：在從零學習到熟練掌握、再到推廣到新刺激集的完整過程中，PFC 群體活動先呈現高維、非線性混合的選擇性，再逐步收斂為低維、抽象的表征；新刺激集引入后，新舊表征沿共享軸對齊，形成對具體刺激不敏感的編碼幾何。證據鏈比較完整：群體解碼、shattering dimensionality、選擇性協方差與兩種生成模型的距離、跨集泛化解碼等多條獨立指標都指向同一結論；另一批已發表數據集上的概念性復制也提高了結論的穩健性。

但同樣要看清邊界。群體來自不同會話的偽群體，作者已明確指出這一點不直接等同于"同一批神經元在長時程上發生收斂"；樣本只有兩只動物、一類規則結構，context、shape、XOR 三個 motif 的推廣速度差異也提示任務的成分組成會影響 PFC 幾何重組的快慢。穩妥的解讀是：這項工作把"前額葉表征幾何隨學習動態變化"從一種理論可能變成在 XOR 這類非線性規則上有實驗支撐的現象，并對"高維 vs 低維"之爭給出了階段化的回答；要把它擴展到更復雜、組合式的認知任務上，仍需要結合慢性記錄、更多動物和更豐富的任務結構。

請打分

這篇剛剛登上 Nature Neuroscience 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。

暑期提升

分享人：BQ

審核：PsyBrain 腦心前沿編輯部

你好，這里是「PsyBrain 腦心前沿」

專注追蹤全球認知神經科學的最尖端突破

視野直擊 Nature, Science, Cell 正刊 及核心子刊與頂級大刊

每日速遞「深度解讀」與「前沿快訊」

科研是一場探索未知的長跑，但你無需獨行。歡迎加入PsyBrain 學術社群，和一群懂你的同行，共同丈量腦與心智的無垠前沿。

點擊卡片進群，歡迎你的到來

一鍵關注，點亮星標 ? 前沿不走丟！

一鍵分享，讓更多人了解前沿