大脑的神经连接从未停止重塑。在与外界互动、学习新事物的过程中，神经通路持续发生变化。麻省理工学院麦戈文脑研究所与加拿大多伦多约克大学的科学家们，正通过结合脑活动精细分析与计算建模，深入探究这一变化过程。
麦戈文研究所博士后Lynn Sorensen、研究员兼麻省理工学院教授James DiCarlo，以及约克大学助理教授Kohitij Kar合作，比较了动物与一个具有类脑架构的人工神经网络在接受相同视觉物体识别训练时的表现差异。随着模型性能的提升，其内部结构的重组方式与研究团队在动物大脑中观察到的变化高度吻合。
这项开放获取研究于7月8日发表在《自然·通讯》期刊上，揭示了视觉处理能力的变化如何支撑动物学习区分新类型物体。研究人员希望通过对这些变化建模，更好地预测训练如何重塑感知能力，并有望为各类学习者提供教育策略方面的参考。
微妙的变化
学习一个新物体需要调动大脑的多个区域。视觉处理区域协同工作，对眼睛接收到的信息进行解析，再与其他脑区沟通，赋予视觉信息以意义并指导行为。这一系统的多个部分在学习过程中可能都会发生变化，研究团队希望更清晰地了解这种变化是如何分布的。
神经科学家们一直在争论：当动物学习识别新物体时，大脑视觉处理区域究竟会发生多大程度的变化？一些人认为，视觉处理通路在学习过程中基本保持不变，以避免对整体视觉感知造成广泛干扰；但也有研究者报告称，在人类和其他灵长类动物中，这类学习会引起专属视觉处理区域内活动的变化。
为了深入观察，研究团队将目光聚焦于大脑视觉物体处理网络的关键组成部分——下颞叶皮层（IT皮层）。当视觉信息到达IT皮层时，关键的物体特征已被清晰呈现——清晰到仅凭分析该区域的神经活动模式，就能"解码"出受试者正在看什么物体，甚至预测其在识别时可能犯的错误。
研究团队记录了动物在观看并识别物体图像时IT皮层的神经活动。部分动物未经训练，因此所看到的图像对它们几乎没有意义；另一部分动物则已学会识别类似物体，能够区分大象、椅子等特定物体，即便这些物体以不同大小、不同角度或不同背景呈现，也不影响识别。
训练组与未训练组动物的IT皮层活动总体模式大致相似，表明学习并未对这一高级视觉表征进行大幅改写。但研究团队仍发现，已学会识别相关物体的动物与未训练动物相比，其IT皮层神经元对图像的响应方式存在细微但稳定的差异。
建模学习过程
研究团队借助计算模型，探究这些微小变化如何促成学习。Sorensen训练了一组内部组件已映射至IT皮层的人工神经网络，让其识别与动物所见相同类别的物体。这些模型采用梯度下降法进行学习，即通过不断根据错误调整参数来持续提升准确率。
只有部分动物模型展现出与受试动物相匹配的学习行为。在这些匹配的模型中，类IT皮层阶段的变化方式与研究人员在训练动物IT皮层中观察到的学习相关变化高度相似。
梯度下降法虽常用于训练人工智能，但通常被认为在生物学上并不能直接模拟大脑的学习方式。研究人员表示，动物与模型之间学习效果的高度吻合，说明这类人工神经网络即便与大脑学习方式不同，也能在有效的抽象层面上为理解生物学习提供洞见。
"这表明我们实际上可以在硅基环境中构建未来实验的版本，"Sorensen说，"我认为这给了我们一个提问'如果……会怎样'的实验场——并有可能预测出超越实验者直觉的新发现。"
模型中支撑学习的大部分变化发生在IT皮层之外。"这告诉我们，在我们记录的区域与最终行为输出之间，还有很多环节需要在这一过程中发生改变，"Kar说。他补充道，随着研究人员深入探究下游脑区如何参与学习，该团队的模型将发挥重要作用。
研究人员强调，他们的研究实现了比人类研究更精细的脑活动测量，而且由于动物大脑的组织结构与人类相似，其实验结果对人类学习具有直接参考价值。他们表示，理解受试者IT皮层可塑性的影响，有助于研究人员为人类设计新的学习策略。
"我们此前对学习新物体的概念性理解是：大脑在视觉系统的下游突触连接上做出改变，从而不破坏视觉系统本身，"DiCarlo说——他同时也是麻省理工学院脑与认知科学系Peter de Florez讲席教授及Siegel Family Quest for Intelligence项目主任。"你不会希望整个视觉系统仅仅因为学会识别大象，就变成一台'大象探测器'。但这项研究更进一步，表明当你学习'大象'时，你的IT皮层确实会发生一点点变化，使其与大象更加相关。"
这种变化很可能也会影响对其他视觉特征的识别。DiCarlo表示，IT皮层中支持大象识别的细微变化，或许也能让你更擅长识别大象以外的事物；同样，这些变化也可能让你在识别某些其他事物时稍显吃力。
这类影响在直觉上难以预判，但通过计算建模便会变得显而易见。例如，研究团队的模型揭示，在学会识别新物体后，IT皮层中包含了更多关于物体位置的信息。通过提供此类洞见，模型有望助力设计更有效的视觉任务训练策略，包括为那些感觉处理方式与常人不同、可能以非典型方式从视觉信息中学习的人群提供支持。
Q&A
Q1：IT皮层在视觉学习中扮演什么角色？
A：IT皮层（下颞叶皮层）是大脑视觉物体处理网络的关键组成部分。当视觉信息到达IT皮层时，物体的关键特征已被清晰呈现，仅凭分析该区域的神经活动模式，就能"解码"出受试者正在看什么，甚至预测其识别错误。研究发现，动物学习识别新物体后，IT皮层会发生细微但稳定的变化，使其与所学物体更加相关，同时也可能影响对其他视觉特征的识别。
Q2：人工神经网络模型如何帮助理解大脑的学习机制？
A：研究团队训练了一组内部组件已映射至IT皮层的人工神经网络，让其识别与动物相同类别的物体。在与动物学习行为匹配的模型中，类IT皮层阶段的变化方式与动物大脑中观察到的变化高度吻合。这说明即便人工神经网络的学习方式与大脑不同，也能在有效的抽象层面揭示生物学习规律，并可用于预测训练如何重塑感知，为教育策略设计提供参考。
Q3：这项研究对人类学习有什么实际意义？
A：由于动物大脑组织结构与人类相似，研究结果对人类学习具有直接参考价值。研究表明，视觉学习不仅涉及视觉系统下游的突触变化，IT皮层本身也会发生细微调整。通过计算建模，研究人员可以预测训练对感知的影响，有望为视觉任务设计更有效的训练策略，尤其是为感觉处理方式非典型的人群（如存在感觉处理差异的学习者）提供个性化支持。
