PsyBrain 脑心前沿 / 感知觉与注意：顶刊文献解读专题 / A · 文献解读 / A055 · 最新Science视觉学习的反直觉结果：V4编码更“共享

A055 最新Science | 视觉学习的反直觉结果：V4编码更“共享”，而非更“独立”

来源：公众号 PSY-Brain_Frontier ｜发布：2026-03-07 ｜原文链接

PsyBrain 脑心前沿 | 公众号 PSY-Brain_Frontier

一键关注，点亮星标 ⭐️

第一时间接收每日前沿资讯

认知神经科学前沿文献分享

基本信息：

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

发表时间：2026.3.5

Journal:Science

影响因子：45.8

获取原文：

*添加小助手:*PSY-Brain-Frontier即可获取PDF版本
点击页面底部“阅读原文”即可跳转论文原网页

引言

我们常把“学习”理解为一种优化：该保留的信号变清晰、该丢掉的噪声被压下去，神经系统也因此变得更高效、更“去冗余”。

在视觉研究与深度学习的经典图景里，感知主要靠前馈加工：从低级到高级视觉区，信息被逐级“解缠”，让下游决策更容易读出；反馈连接更多是修饰性的，像注意那样增强相关特征、抑制相关噪声。

但另一套框架，生成式推断是把感知看成双向推理：感觉皮层神经元不仅反映输入证据，还编码“后验信念”，持续融合先验与证据。理论上，这种融合会让任务相关信息在神经元之间被“共享”，从而表现为更高的信息冗余与信息限制相关。这与“学习会降低冗余、提升编码效率”的传统预期正相反。

Liu 等人选择了一个足够尖锐的可检验预测：如果生成式推断成立，随着任务学习，视觉皮层内的冗余应该上升。作者在两只猕猴的视觉皮层 V4 区进行长期群体记录，追踪其从不会到熟练的全过程，试图用数据直接裁决两种理论路径。

Redundancy and information-limiting correlations among visual neurons increased during learning discrimination tasks.

实验设计与方法逻辑

作者让两只猕猴分别学习两种粗略方位辨别任务（cardinal：0° vs 90°；oblique：45° vs 135°），刺激为可控信号强度的动态噪声序列（1.6 s），动物以扫视作答；同时用Utah 阵列在 V4 进行跨周的稳定群体记录。核心指标是线性费舍尔信息（linear Fisher information）在真实相关结构（Ireal）与打乱试次破坏相关（Ishuffle）之间的差值，用以量化“相关性带来的冗余”（Iredundancy = Ishuffle − Ireal），并与学习进程与任务/被动观看状态对照。

Fig. 1. Illustration of experiment and key predictions.

Fig. 2. Experimental design and behavior.

核心发现

学会任务后，V4群体反而出现显著“信息共享”

图3把结论说得很直接：训练初期 Iredundancy 近乎为零，提示群体反应基本独立；随学习推进，Iredundancy 在四个训练阶段都显著上升，并与学习指数（learning index）正相关（图3A、3B）。更关键的是，论文摘要指出训练后冗余可达“每个神经元约一半信息与其他神经元共享”的量级，这种增强的相关性并未随意波动，而是与行为变好同步增长。

图10

Fig. 3. Redundancy increases over the course of learning.

冗余上升依赖主动做任务，不像“固定重连”的长期改变

如果冗余增加来自前馈通路被重新塑造，那么同一天的被动观看也应呈现类似变化；但图3C显示并非如此：在学习后期，任务执行时的 Iredundancy 明显高于被动观看（多数训练阶段成立），而早期则不明显。这种“同一群神经元、同一天记录、状态一换就变”的对照，把矛头指向更灵活的反馈/递归过程，而不是缓慢、结构性的前馈改造。

图11

Fig. 3. Redundancy increases over the course of learning.

冗余不是“信息变少”的代价，而是单神经元信息变多的结果

传统观点把相关性当作有害噪声，会压低群体信息；作者用图4把机制拆开：学习过程中 Ireal 与 Ishuffle 都随学习上升，但 Ishuffle 增长更快（图4D、4E），因此 Iredundancy 才变大。因为 Ishuffle 本质上反映“每个神经元的边际信息之和”，它的上升意味着单神经元携带的任务信息变多，而这些新增信息又被更广泛地共享，从而表现为冗余增加（图4A 的生成式推断信息回传示意）。

图12

图13

Fig. 4. Increase in redundancy is explained by increase in Ishuffle not a decrease in Ireal.

冗余不仅跨周增长，还会在单次试次内随时间累积

生成式推断预测：证据在试次内逐步积累，早期信息会通过先验形式影响后续表征，于是冗余会“越做越多”。图5把每个 1.6 s 试次切成 8 个 200 ms 时间窗：在四分之三的训练阶段中，学习后期的 Iredundancy 随时间窗显著上升（图5C 实线），而早期学习则较弱（虚线）。作者还指出早期存在适应导致的信息下降，但学习后的信息再分配可能抵消这一下降，使共享信息在后段逐步抬升。

图14

Fig. 5. Redundancy increases within a trial.

图15

归纳总结和点评

这项研究用长期群体记录给出一个“反直觉但高度可检验”的答案：在猕猴学习知觉辨别任务时，V4 神经元之间的信息冗余会增加，而且与表现提升同向变化；这种变化更像任务状态驱动的动态再分配，而非简单的前馈去冗余。作者进一步证明冗余上升并不是群体信息受损的代价，而是单神经元任务信息被放大并在群体中共享的结果。它把“相关性=噪声”的惯性解释推到台前，迫使我们重新审视反馈与递归在感觉皮层中的核心地位。

图16