來源：腦科學與智能技術卓越創新中心

我們的大腦為什么能在聊天、工作、學習之間瞬間"切換頻道"，還幾乎不出錯？

中國科學院腦智卓越中心與其他單位合作在國際頂刊Trends in Neurosciences發表綜述回答了這一問題的研究方向。綜述指出，大腦的任務切換既有令人驚嘆的"整潔"的一面——不同任務的神經活動各占據神經空間的不同"維度"，互不干擾；同時也存在"雜亂"的一面——真實大腦切換任務時會慢半拍，神經信號也遠比理論模型復雜。理解這套"整潔"與"雜亂"并存的神經機制，可能為認知靈活性受損相關疾病提供全新的研究思路。

近日，中國科學院腦科學與智能技術卓越創新中心Gouki Okazawa研究員與美國芝加哥大學薛澄博士合作，在國際期刊Trends in Neurosciences發表綜述論文《任務依賴神經幾何與計算的"整潔"與"雜亂"》（The 'neat' and 'messy' in task-dependent neural geometry and computation）。該綜述系統梳理了大腦在靈活任務切換中的神經計算機制，概括了"整潔"的理論框架與"雜亂"的生物學現實并存的現狀，并展望了整合兩者的未來研究路徑。

"整潔"的任務依賴計算框架

大腦在執行不同任務時，能夠靈活控制信息流并調整計算策略。近年來，神經元群體活動分析與人工神經網絡建模方面的進展，揭示了這一靈活性背后的"整潔"的計算原理。

神經元群體活動可在神經狀態空間中被可視化為軌跡，其形態（即"神經幾何"）受網絡連接與任務背景信號的共同調控。研究發現，不同任務的神經群體活動往往占據不同的神經子空間或流形（manifold），對應不同任務的動力學現象，從而實現任務特異性的計算。

另外，大腦采用解纏（disentangled）與組合（compositional）編碼策略來支持快速靈活的規則切換（圖1）。"解纏"表征將不同任務變量以可分離的形式獨立編碼；"組合"表征則將復雜功能分解為可復用的基本計算模塊。非人靈長類神經生理學研究與人工神經網絡建模表明，解纏與組合編碼能夠支持快速任務切換、零樣本泛化以及元學習。

圖1：解纏與組合編碼如何支持高效任務切換

"雜亂"的生物學現實

然而，上述"整潔"框架并不能解釋任務控制中許多復雜的實驗觀測。綜述將這些復雜性歸納為兩個層面。

計算層面的次優任務切換：人類與動物在任務切換后往往表現出切換代價（switch cost），即反應時間延長、正確率下降。生理研究顯示，猴的頂葉后皮層等腦區對任務狀態的編碼呈現出逐漸的過渡，而非即時的切換，這一特性會導致任務切換時，執行任務本身的準確度下降。值得注意的是，以任務性能為目標訓練的標準循環神經網絡（RNN）并不產生切換代價，只有直接擬合行為數據的RNN才能復現這一現象，說明任務切換代價源于生物特異性約束，而非出于完成任務需要。

實現層面的糾纏表征：解纏與組合編碼并不必然出現在真實神經數據中（圖2）。決策環路的動力學現象往往偏離"整潔"的理論。比如，對決策證據的編碼并不一定由神經元發放率線性相關，實際神經幾何往往形成彎曲流形，與該簡潔模型存在偏差。又比如，實驗中觀察到的動力學現象往往不符合理想的模型動力學。此外，神經活動中普遍編碼了大量任務無關變量，但這些信號與任務相關計算之間的相互影響機制目前仍不清晰。

圖2：實現層面糾纏表征的實驗證據

整合"整潔"與"雜亂"的未來研究方向

綜述將當前研究格局比作從不同角度觀察一件復雜雕塑（圖3）：某些視角下呈現出清晰的結構（"整潔"），另一些視角則呈現出難以解讀的復雜性（"雜亂"）。基于這一類比，作者提出兩條互補的未來研究路徑。

假說驅動路徑（拓展"整潔"框架）：通過改進任務設計、神經分析方法和計算模型，將表面的"雜亂"納入更完善的規范性框架加以解釋。例如，次優行為在特定約束條件或目標函數下可能實為最優策略；在網絡模型中引入更符合生物學的約束與目標函數，有望更好地對齊神經數據。

數據驅動路徑（包容"雜亂"的現實）：利用人工神經網絡直接擬合行為與神經數據，構建捕捉系統完整復雜性的代理模型。這類數據驅動模型可作為揭示隱藏內在動力學的工具，并為未來從中提煉可解釋計算原理提供基礎。

上述兩條路徑最終指向同一目標：構建既具可解釋性、又能忠實捕捉大腦任務依賴計算的統一模型，并有望為認知靈活性相關的神經精神疾病的轉化研究提供新思路。

圖3：整合"整潔"與"雜亂"的兩條未來研究路徑

https://doi.org/10.1016/j.tins.2026.04.012

參考文獻

Xue C, Okazawa G. The 'neat' and 'messy' in task-dependent neural geometry and computation. Trends Neurosci. 2026 May 26:S0166-2236(26)00094-9. doi: 10.1016/j.tins.2026.04.012. Epub ahead of print. PMID: 42191500.

閱讀最新前沿科技趨勢報告，請訪問21世紀關鍵技術研究院的“未來知識庫”

未來知識庫是 “21世紀關鍵技術研究院”建 立的在線知識庫平臺，收藏的資料范圍包括人工智能、腦科學、互聯網、超級智能，數智大腦、能源、軍事、經濟、人類風險等等領域的前沿進展與未來趨勢。目前擁有超過8000篇重要資料。每周更新不少于100篇世界范圍最新研究資料。 歡迎掃描二維碼或訪問https://wx.zsxq.com/group/454854145828進入。

截止到2月28日 ”未來知識庫”精選的百部前沿科技趨勢報告

（加入未來知識庫，全部資料免費閱讀和下載）