颠覆传统认知！Science新研究：学习让大脑神经元更“合群”，而非更“独立”

当你在某项技能上愈发熟练，比如在人群中一眼认出熟悉的面孔、快速发现文字里的拼写错误，或是精准预测游戏中的下一步动作时，大脑中的感觉神经元并不会变得更独立地工作，反而会变得愈发协调，彼此共享信息、协同行动。

这是罗切斯特大学及其德尔蒙特神经科学研究所的研究人员发表在

《Science》

上的一项新研究得出的核心结论，该研究直接挑战了神经科学领域一个长期持有的经典假设：学习通过最小化神经信号间的冗余来提升大脑的信息处理效率。

这项由 Shizhao Liu 主导的研究证实，学习过程反而会显著增加神经元之间的共享活动，而这一发现不仅能为理解学习障碍、感知相关疾病提供全新视角，更能为开发更灵活、更贴近人类思维的人工智能工具带来关键启发。Shizhao Liu 是该校脑与认知科学系 Ralf Haefner 和 Adam Snyder 实验室的研究生，其团队的相关研究成果为解析大脑学习的底层神经机制打开了新的窗口。

“神经科学的主流观点一直认为，学习会推动神经元更独立地行动，以此提升大脑的处理效率，让下游脑区能更清晰地读取信息。”Shizhao Liu 表示，“但我们的研究结果支持了一种截然不同的观点：大脑的感觉区域并非只是被动地编码外部世界的信息，而是会主动进行推理——将接收到的感官信息，与大脑从过往经验中学会的先验预期深度融合。” 数十年来，经典的感知加工模型一直塑造着科研人员对大脑感知、决策等过程的理解，该模型认为大脑的感官处理是一个单向的前馈过程，学习会通过减少神经元之间的共享活动简化信息处理方式，降低信息冗余，从而让下游脑区更高效地解码信息。

但 Liu、Haefner、Snyder 及其团队的研究，却揭示了大脑学习背后一套完全不同的神经机制，这一机制也契合了生成式推理的理论框架：大脑的感官处理本质上是双向的，感觉神经元并非在学习中变得愈发独立，而是会逐步提升协调性，大幅增加彼此共享的信息量，尤其是当大脑积极参与一项任务、需要做出主动决策时，这种协同效应会表现得更为明显。

而这种神经元间的高度协调，本质上反映了大脑对内部先验预期的依赖程度不断提升——随着学习的推进，来自更高层级脑区的反馈信号会持续影响感觉神经元的反应模式，让大脑的感知过程成为传入的感官证据，与过往经验形成的先验预期相互融合的过程。

为了验证这一结论，研究人员开展了针对性的动物实验，他们以两只恒河猴为研究对象，在数周的时间里，训练其完成两种视觉方向辨别任务（主方向辨别：区分 0° 和 90° 视觉刺激，斜方向辨别：区分 45° 和 135° 视觉刺激），并利用 96 通道犹他阵列，长期、持续地记录猕猴视觉皮层 V4 区同一组神经元群体的活动，核心追踪两个关键问题：随着学习的深入，神经元的行动是愈发独立，还是会共享更多信息；神经信号的信息冗余度会发生怎样的变化。

研究人员通过计算完整群体神经活动的线性 Fisher 信息，与去除相关性后的同一群体 Fisher 信息的差值，来量化信息冗余度，最终得到了一系列关键发现：在学习初期，猕猴视觉皮层 V4 区神经元的信息冗余度几乎为 0，意味着这些神经元大多独立工作。但随着猕猴不断磨练视觉辨别技能，神经元的协同性显著提升，信息冗余度持续增加，最终达到了一个稳定水平——约 50% 的单个神经元信息会与其他被记录的神经元共享。

更值得关注的是，这种信息冗余的提升并非只发生在数周的长期学习中，在单个试验的数百毫秒内，神经元的信息冗余也会动态上升，呈现出逐步积累、共享信息的特征。且这一过程中，信息冗余的增加并未造成神经元群体的信息丢失，反而让单个神经元的信息承载量有所提升，这也是生成式推理框架的核心预测之一。

在学习辨别任务期间，视觉神经元之间的冗余性和信息限制相关性有所增强

“这有点像一群人共同解决一个问题。”Adam Snyder 形象地比喻道，“学习并没有让每个人都尽可能高效地孤立工作，而是让他们更多地交流、共享信息。这种信息共享不仅能让每个个体获得更充分的信息，更能让整个神经元群体的反应变得更灵活、更具适应性。”

研究还发现，神经元的这种协调效应具有显著的任务依赖性：只有当猕猴积极执行视觉辨别任务、根据所见的视觉刺激做出决策时，这种高协同性才会出现。当它们只是被动观看相同的视觉图像，无需做出任何反应时，这一效应便会消失。同时，对任务最关键、承载更多任务相关信息的神经元，在协调性和信息冗余度上的提升也最为显著，且这些变化并非永久性的神经回路改造，而是灵活、动态的调整，研究人员认为，这一系列转变由更高层级脑区的反馈信号引导，让神经元能够根据任务需求，实时调整自身的活动模式。

这些发现也进一步印证了神经科学领域一个日益被认可的观点：大脑并非一个简单向前传递信息的 “传送带”，其感官处理并非单向的前馈过程，而是一个持续将所看到的外部信息，与预期看到的内容相融合的动态推理过程，通过反馈信号和循环相互作用，让信息在神经元间重新分配，最终形成对感官世界的一致认知，而这一过程，需要神经元群体的共同行动，而非各自为战。

这一研究发现的价值，不仅体现在解析大脑的神经机制上，更在健康研究和人工智能开发领域展现出重要的应用潜力。在健康领域，理解大脑在学习过程中如何协调神经元、实现信息共享与反馈整合，可能为学习障碍、各类感知相关疾病（如弱视、知觉加工障碍等）提供全新的研究视角，科研人员可以进一步探索，这类疾病是否与神经元间的信息共享异常、高层级脑区的反馈信号传递障碍相关，为后续的干预和治疗方案开发提供理论支撑。

而在人工智能领域，这一发现更是为新一代 AI 系统的设计带来了关键启发。当前大多数人工智能系统都建立在判别式架构之上，核心逻辑是将感官输入直接映射到输出，缺乏大脑式的生成式反馈循环。“我们的新研究表明，若能在 AI 系统中融入生成式反馈循环——让内部模型塑造感官表征，结合先验知识与新的感官信息，可能会打造出更优秀的人工智能系统：它们能从有限的数据中更快地学习，对不确定性的环境更具鲁棒性，也能更灵活地适应不断变化的任务需求。”Ralf Haefner 表示。

除此之外，这一研究还打破了 “信息冗余 = 处理低效” 的固有认知，让科研人员重新审视神经信号冗余的功能价值——它并非大脑信息处理的 “副产品”，而是支撑大脑灵活、稳健决策的关键机制。未来，研究人员还将进一步探索这种神经元的协同模式，在大脑不同的感觉皮层、不同的学习任务中是否具有普遍性，以及这一模式在大脑发育、衰老过程中会发生怎样的变化，为更全面地理解大脑的学习机制奠定基础。（

生物谷）

参考文献：

Shizhao Liu et al,

Task learning increases information redundancy of neural responses in macaque visual cortex

, Science (2026). DOI: 10.1126/science.adw7707.