認知神經科學前沿文獻分享

基本信息

Title:Cortical knowledge structures guide word concept learning

發表時間:2026-05-13

發表期刊:Nature Communications

影響因子:15.7

獲取原文:

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

研究背景

假設你到了一個陌生的國家，當地人指著勺子、錘子和眼鏡，告訴你這些都叫“Leca”。當你隨后看到一把斧頭時，你會覺得它也是“Leca”嗎？人類能夠僅憑寥寥幾個例子，迅速掌握新詞的含義并準確泛化，這種從稀疏數據中學習的能力是人類智能的標志。

然而，大腦究竟是如何做到這一點的？過去的研究存在兩條截然不同的線索。神經科學中的聯結學習理論認為，學習新概念依賴于海馬體等區域，通過建立詞匯與具體樣例之間的全新關聯來實現，這是一種“無先驗”的機制。而認知發展領域的計算模型則認為，人類利用了長時記憶中豐富的背景知識，在一個結構化的“假設空間”中進行貝葉斯概率推理，這是一種“基于先驗”的機制。

盡管貝葉斯模型在行為層面上極具解釋力，但它一直面臨一個致命的批評：缺乏神經生物學基礎。大腦中真的存在這樣一個“假設空間”嗎？近日，北京大學畢彥超、朱露莎團隊合作在 Nature Communications 發表最新研究，開發了一種“神經貝葉斯模型（NBM）”，直接利用大腦皮層的神經表征構建先驗知識空間，首次揭示了皮層知識結構如何指導詞匯概念的學習與泛化。

研究核心總結

為了驗證大腦是否真的利用已有知識進行貝葉斯推理，研究者設計了一個巧妙的兩階段實驗。首先，他們記錄了被試在觀看58個不同物體（如動物、人臉、人造物）時的大腦功能磁共振成像（fMRI）數據，以此提取出大腦對這些物體的“神經表征先驗”。隨后，被試在掃描儀內完成新詞學習任務（例如通過勺子、錘子學習“Leca”），并判斷新物體是否屬于該詞匯。

Fig 1. 實驗設計概覽：研究者先獨立測量大腦對各類物體的神經表征（提取先驗），再用這些神經先驗去預測被試在學習新詞匯時的神經活動與泛化行為。

Fig 2. Flowchart of Neural Bayesian Model (NBM) construction and prediction (illustrated for “Leca”).

研究者將腹側枕顳皮層（VOTC，一個負責高級視覺和物體知識表征的關鍵區域）的神經活動輸入到神經貝葉斯模型（NBM）中。結果發現，基于VOTC神經先驗構建的NBM，不僅精準預測了新詞在大腦中的全新神經表征，還成功預測了被試在面對新物體時的泛化概率。

更重要的是，NBM的表現顯著優于不包含結構化先驗的“神經平均模型（NMM）”，也優于基于人類行為評分構建的傳統貝葉斯模型。這說明，VOTC中高維、分布式的神經表征拓撲結構，本身就為概念學習提供了強大的先驗假設空間。

Fig 3. 基于VOTC神經先驗的貝葉斯模型（NBM），在預測新詞概念的神經表征時，表現顯著優于缺乏先驗的神經平均模型（NMM）和打亂先驗的控制模型。

Fig 4. VOTC的神經貝葉斯模型不僅能預測大腦活動，還能準確預測被試在面對新物體時“它屬不屬于新詞”的泛化行為。

既然VOTC在利用先驗知識學習中扮演了核心角色，那么傳統上被認為負責學習新關聯的海馬體和內側前額葉皮層（MPFC）又在做什么？

研究發現，當被試通過熟悉的物體（具有豐富的先驗知識）學習新詞時，海馬體和MPFC的神經活動既不能被NBM預測，也沒有表現出對概念更新的追蹤。然而，當研究者讓被試通過毫無意義的“新穎形狀”（缺乏先驗知識）來學習新詞時，海馬體立刻展現出了顯著的預測能力。并且在這種“弱先驗”條件下，NBM的預測力并不比簡單的神經平均模型更好。

這一雙重分離現象表明，大腦在學習新概念時會根據先驗知識的豐富程度動態切換策略：當面對熟悉事物時，大腦直接在皮層（如VOTC）的語義網絡中進行貝葉斯推理，實現“快速映射”；而當面對完全陌生的事物時，則依賴海馬體進行純粹的、無先驗的樣例關聯學習。

Fig 5. VOTC與海馬體在概念學習中表現出截然不同的模式：VOTC主導基于熟悉物體的強先驗學習，而海馬體則負責基于新穎形狀的弱先驗關聯學習。

既然豐富的背景知識對概念學習如此重要，那么擁有海量參數和超級語義知識庫的大語言模型（如GPT-4o和Qwen2.5-VL），是否能像人類一樣完美地學習新詞匯？

研究者讓這些多模態大模型完成了與人類被試完全相同的看圖學詞任務。結果顯示，雖然大模型也能在一定程度上預測泛化行為，但它們與人類行為的擬合度，遠遠比不上結合了神經與行為先驗的貝葉斯學習模型。特別是在學習具有豐富先驗的熟悉物體時，大模型的表現顯著落后。這揭示了一個關鍵事實：僅僅擁有海量的結構化知識是不夠的，大模型目前仍缺乏一種能夠有效調用這些知識去指導小樣本學習的內在推理機制。

Fig 6. 在相同的詞匯概念學習任務中，盡管大語言模型擁有龐大的知識庫，但它們在模擬人類泛化行為上的表現，依然顯著遜色于貝葉斯學習模型。

研究意義

這項研究真正推進了我們對“大腦如何學習抽象概念”的理解。首先，它在理論上為經典的貝葉斯認知模型找到了堅實的神經生物學落腳點，證明了大腦皮層的分布式神經表征不僅僅是靜態的“知識庫”，它本身就構成了支持概率推理的動態“假設空間”。

其次，這項工作理清了語義記憶與情景記憶在學習中的邊界。它修正了“學習新關聯必須依賴海馬體”的舊觀念，指出在有豐富先驗知識的加持下，大腦可以直接在皮層網絡中完成新概念的構建與泛化。

最后，該研究也為人工智能的發展指明了邊界。它提醒我們，當前的深度學習模型雖然在知識儲備上遠超人類，但在面對稀疏數據進行結構化泛化時，依然缺乏人類大腦那種精妙的貝葉斯推理能力。未來的AI若想實現真正的類人學習，或許需要將這種基于先驗的推理機制更深地嵌入其底層架構中。

分享人：飯鴿兒

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