猕猴前额叶的几何表征如何随学习重塑？Nature Neuroscience 在 XOR 任务中跟踪到完整的高维→低维轨迹

认知神经科学前沿文献分享

基本信息

Title:Learning shapes neural geometry in the primate prefrontal cortex

发表时间:2026-06-25

发表期刊:Nature Neuroscience

获取原文:

1. 添加小助手:PSY-Brain-Frontier即可获取PDF版本

引言

前额叶皮层（PFC）的功能解释里，一直有两条并行的线索。一种传统观点认为，PFC 神经元会自适应地调谐到任务相关信息上，群体活动因此呈现低维、流形化的结构——这是"自适应编码"模型的实证基础。另一种近年被反复强调的看法则相反：PFC 群体活动更像一个"非线性核"，把低维输入投影到高维空间，从而提供丰富的模式分离能力。

两种解释各有实验支持，但各自的边界相当明显。低维视角难以充分说明 PFC 在复杂认知中表现出的灵活度；高维视角又难以解释训练后的 PFC 经常只对任务相关特征保持选择性，而对其它特征不再敏感。一个自然的调和假设是：PFC 并非一直停留在某一种几何形态上，而是会随着学习阶段在两种表征之间切换。新任务早期，高维、随机混合的选择性可能为探索各种输入-输出对应关系提供最大灵活性；随着学习收敛到特定任务结构，群体活动又会转向低维、对任务相关变量高度特化的表征。这种动态切换在理论上被多次提出，但横跨多个训练日、在同一批神经元上系统验证 PFC 几何如何随学习变化的工作并不多。

本文瞄准的就是这一缺口。研究者让猕猴从零开始学习一条新"异或（XOR）"规则，并在整个学习过程中持续记录外侧前额叶皮层（lateral PFC）的群体活动。如果 PFC 真的会在两种几何之间切换，那具体要问的就是：切换的轨迹是什么？哪些任务变量上切换最明显？当规则被推广到新刺激集时，新旧表征又是如何对齐的？

实验设计与方法逻辑

两只成年雄性恒河猴在右侧外侧前额叶皮层植入半慢性多电极阵列，每只猴各完成 25 个日记录会话（猴 1：实验 1 共 17 个会话、实验 2 共 8 个；猴 2：实验 1 共 10 个、实验 2 共 15 个）。实验 1 累计记录 376 个神经元（猴 1: 146，猴 2: 230），实验 2 累计记录 356 个（猴 1: 205，猴 2: 151）。任务采用经典被动关联范式：动物只需注视屏幕，颜色（蓝/绿）先行出现，随后出现形状（方形/菱形），两者的异或关系决定本试次是否给奖；形状的"宽度"作为与奖赏无关的第三特征被保留下来，专门用来检验 PFC 是否会主动丢弃任务无关信息。电极在每个会话开始前至少推进 62.5 μm，以保证每次记录到的是新一批细胞。

群体分析上，会话按 4 个学习阶段划分（用滑动窗口保证各阶段试次量平衡），跨猴合并为伪群体后做三类分析。线性 SVM 的时间分辨解码分别考察颜色、形状、宽度和 XOR 在不同阶段的可分性；shattering dimensionality 量化群体可以实现的二分任务数；三轴选择性空间（颜色、形状、XOR）中计算的回归系数被用来估计每个神经元的选择性，并比较其协方差结构到两种理论生成模型——高维随机混合（random mixed selectivity）模型与低维最小选择性（minimal selectivity）模型——的距离。实验 2 进一步引入与原颜色对共享相同"形状-奖赏"对应关系的新颜色对（粉/卡其），目的是看 PFC 是否会把新旧两套刺激的上下文（context）、刺激集（set）及其交互（XOR 2）编码到同一组共享轴上。

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

核心发现

发现一：PFC 表征维度随学习下降，但任务相关的 XOR 始终可读

先看最直接的事实：随着学习推进，PFC 群体不再能像最初那样对所有任务变量都保持高可分性。Fig. 2E-G 的时间分辨解码给出一条清晰的对比——学习阶段 1 时，群体对颜色、形状和 XOR 三种变量在奖励给出前的精度都显著高于 chance 水平；到阶段 4，颜色（P < 0.05）和形状（P < 0.001）的解码精度在多个时间窗明显下降，而 XOR 的解码精度保持稳定。这种不对称下降说明，群体活动并没有随学习变得"信息更少"，而是把信息集中到任务真正需要的那个非线性组合上。

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

维度层面的进一步证据见 Fig. 2J：shattering dimensionality 在学习过程中显著下降（P = 0.01）；第一主成分解释的方差比例也从阶段 1 的 0.466 上升到阶段 4 的 0.581（P < 0.05），群体活动从分散在多个方向逐步集中到少数几个主导维度。Fig. 2H-I 进一步把"任务无关维度"纳入检验：与奖赏无关的形状宽度（width）解码精度在学习后同样下降（P < 0.05）。PFC 在这里做的是把表征收缩到与任务直接相关的非线性组合上，同时把无关维度一并压缩——整体编码强度并未简单降低。

发现二：选择性结构从随机混合收敛到最小模型

维度的下降还需要在选择性结构层面得到验证。Fig. 2K-N 把每个神经元的回归系数投到三轴选择性空间（颜色、形状、XOR），比较数据协方差矩阵与两种理论模型的距离。阶段 1 时，PFC 神经元在选择性空间中呈接近球形、各向同性的分布，与高维随机混合模型一致（P = 0.316，与随机模型无显著差异）；阶段 4 时分布明显向仅保留 XOR 选择性的方向收敛，与最小模型已无法区分（P = 0.999），同时与随机模型的距离显著拉大（P < 0.001）。

这一收敛在跨阶段轨迹上是渐进的。Fig. 2M-N 的距离指标随学习阶段单调变化：与随机模型距离递增、与最小模型距离递减。两类独立数据也支撑同一结论——按"试次终止指数"对会话重新排序的伪群体（Extended Data Fig. 3I-O），以及 Constantinidis 等人已发表工作记忆数据集的再分析（Extended Data Fig. 4），都看到学习把 PFC 推向最小选择性区间。训练后 PFC 的协方差结构并非偶然地稀疏化，而是收敛到一类"只保留任务相关变量"的低维几何。

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

发现三：引入新刺激集后，新旧表征沿共享轴对齐

实验 2 是本文的"推广测试"：在动物已熟练旧颜色对（蓝/绿）后，引入一组与旧颜色对共享相同"形状-奖赏"对应关系的新颜色对（粉/卡其）。Fig. 3A-B 把这一设计画成因子化结构——context（颜色对）才是真正的任务相关变量，stimulus set（具体是哪一对颜色）以及 context × set（XOR 2）都是任务无关维度。Fig. 3E-G 给出关键时间窗的解码结果：与实验 1 一致，set 和 XOR 2 的解码精度随学习显著下降（分别 P < 0.001 和 P < 0.05），context 的解码精度跨阶段保持稳定。

Fig. 4 的跨集泛化分析提供更直接的证据。Fig. 4A 比较同一批 PFC 神经元在阶段 1 与阶段 4 对"set 1 上下文"和"set 2 上下文"的选择性：阶段 1 时两者相关系数 r = -0.15（不显著，提示两套刺激在 PFC 中由不同子集编码），阶段 4 时上升到 r = 0.37（P < 0.001）。Fig. 4C-D 的 SVM 跨集泛化解码进一步显示，训练后 context 的跨集泛化精度达到"普通 context 解码"的天花板（Extended Data Fig. 6F），说明对上下文信息的编码在两套刺激中由同一条决策边界承载。Fig. 4E-L 给出对形状和 XOR 的平行分析，模式一致：训练后跨集泛化精度都接近或达到对应普通解码的天花板。不同变量达到稳定泛化的时间尺度并不一致——XOR 在阶段 1 就已跨集泛化（共享形状是原因），而 context 和 shape 需要多周训练才能稳定对齐。

Figure 6

发现四：随机混合是学习必经的中间态，即使有先验

把实验 1 和实验 2 摆在一起看，本文真正关心的问题是：哪怕新任务与已有任务共享结构，PFC 在群体层面也不会直接跳到最小表征，而是先经过一段"近似随机混合"的中间态。Fig. 3I-N 把实验 2 的选择性按 4 个学习阶段排列：阶段 1 时选择性显著偏离随机模型（P < 0.001），作者把它解释为"新刺激带来的新奇效应"；阶段 2 时与随机模型已无显著差异（回到高维混合）；阶段 3-4 才逐步向最小模型收敛。这一轨迹说明，PFC 不会因为已有先验就跳过探索阶段——无论学全新任务还是带支架的推广，群体都要先经过一段高维、随机混合的中间态，再落到低维、任务相关的表征。

在讨论中，作者把这一观察与计算模型中"双阶段学习策略"的预测呼应：早期依赖"库式动力学"快速给出高维可塑性，后期通过本地连接与突触可塑性把表征固化为低维流形。这与"小脑驱动皮层"那类模型在小脑-运动皮层上观察到的双阶段动力学在结构上同源。不过需要看清边界：群体来自不同会话的伪群体，并不能直接证明同一批神经元在长时程上确实经历了从随机到最小的收敛；样本仍是两只动物、一类任务结构；"刺激集不变的几何"在更复杂、组合式任务下是否成立，也还需要后续工作验证。

归纳总结和点评

这项研究把"前额叶到底是高维还是低维"这一长期争论重新放到了时间轴上：在从零学习到熟练掌握、再到推广到新刺激集的完整过程中，PFC 群体活动先呈现高维、非线性混合的选择性，再逐步收敛为低维、抽象的表征；新刺激集引入后，新旧表征沿共享轴对齐，形成对具体刺激不敏感的编码几何。证据链比较完整：群体解码、shattering dimensionality、选择性协方差与两种生成模型的距离、跨集泛化解码等多条独立指标都指向同一结论；另一批已发表数据集上的概念性复制也提高了结论的稳健性。

但同样要看清边界。群体来自不同会话的伪群体，作者已明确指出这一点不直接等同于"同一批神经元在长时程上发生收敛"；样本只有两只动物、一类规则结构，context、shape、XOR 三个 motif 的推广速度差异也提示任务的成分组成会影响 PFC 几何重组的快慢。稳妥的解读是：这项工作把"前额叶表征几何随学习动态变化"从一种理论可能变成在 XOR 这类非线性规则上有实验支撑的现象，并对"高维 vs 低维"之争给出了阶段化的回答；要把它扩展到更复杂、组合式的认知任务上，仍需要结合慢性记录、更多动物和更丰富的任务结构。

请打分

这篇刚刚登上 Nature Neuroscience 的研究，是否实至名归？我们邀请您作为“云审稿人”，一同品鉴。精读全文后，欢迎在匿名投票中打分，并在评论区分享您的深度见解。

暑期提升

分享人：BQ

审核：PsyBrain 脑心前沿编辑部

你好，这里是「PsyBrain 脑心前沿」

专注追踪全球认知神经科学的最尖端突破

视野直击 Nature, Science, Cell 正刊 及核心子刊与顶级大刊

每日速递「深度解读」与「前沿快讯」

科研是一场探索未知的长跑，但你无需独行。欢迎加入PsyBrain 学术社群，和一群懂你的同行，共同丈量脑与心智的无垠前沿。

点击卡片进群，欢迎你的到来

一键关注，点亮星标 ⭐ 前沿不走丢！

一键分享，让更多人了解前沿