PsyBrain 脑心前沿 / 感知觉与注意：顶刊文献解读专题 / A · 文献解读 / A058 · NatCommun：瞬间看懂“天书”？科学家发现大脑“一

A058 Nat Commun：瞬间看懂“天书”？科学家发现大脑“一次性知觉学习”的神秘位点

来源：公众号 PSY-Brain_Frontier ｜发布：2026-02-12 ｜原文链接

PsyBrain 脑心前沿 | 公众号 PSY-Brain_Frontier

一键关注，点亮星标 ⭐️

不错过每日前沿资讯

🧠 PsyBrain · 寒假提升计划 💪

你是否经历过这样的时刻：面对海量的 sMRI、fMRI 或 EEG 数据，不知从何下手构建 Pipeline？为了跑通一个模型，在 GitHub 和论坛之间反复横跳，甚至和 AI 纠缠半天却依然报错？明明有着绝佳的实验结果，却不知道怎么画脑袋，更不知道论文里那些漂亮的 🧠 是怎么来…

数据分析原理、实践与可视化本该是通往真理的桥梁，但往往成为阻碍你探索科学的高墙。

今年，我们联手国内顶尖名校博士和资深硕博生为你打造了一套认知神经科学全栈工具箱。从经典的sMRI、fMRI、dMRI、EEG/MEG，到硬核的 电生理、脑机接口，再到前沿的 RSA、MVPA、强化学习、认知建模、大语言模型，我们一站式配齐，欢迎查看~

课程时间 2026年2月24-28日，部分开设在3月初，报名截止 2026年2月17日。

考虑到报名人数和授课老师的时间安排，仍开设的课程如下，欢迎垂询~

报名截止 5 天倒计时~ 报名截止倒计时十天 | 面向心理学、认知神经科学同学的寒假提升班

认知神经科学前沿文献分享

基本信息

Title:Neural and computational mechanisms underlying one-shot perceptual learning in humans

发表时间：2026.2.4

发表期刊: Nature Communications

影响因子：15.7

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

研究背景

在日常生活中，我们常会有这样的体验：面对一张模糊不清的黑白斑点图，最初我们只能看到杂乱无章的色块。然而，一旦我们看过该图片对应的清晰原图，再次通过“脑补”回到这张模糊图片时，原本无意义的斑点瞬间就组成了具体的物体（如一只斑点狗）。这种现象被称为“一次性知觉学习”（One-shot Perceptual Learning）。

与以此往通常需要反复训练的“熟能生巧”式知觉学习不同，一次性知觉学习不仅发生极快（一次体验即可），而且效果持久（数月甚至数年后仍能识别），并伴随着强烈的“顿悟感”。这就引出了一个令认知神经科学界困惑已久的谜题：大脑是如何在毫秒级的时间尺度内，建立起如此稳固且持久的知觉先验的？

虽然传统观点认为快速学习通常依赖于海马体（Hippocampus），但近期的研究表明，这种知觉层面的“顿悟”并不依赖于海马体的外显记忆系统，而是一种独立的皮层机制。过往的神经影像学研究虽然观察到广泛的脑区（如额顶网络FPN、默认网络DMN以及视觉皮层）参与其中，但始终无法精确定位核心的可塑性发生位点究竟在哪里。究竟是高层认知网络自上而下的调控，还是视觉皮层内部的表征发生了改变？

本研究结合了心理物理学、7T高场强fMRI、颅内脑电（iEEG）记录以及深度神经网络（DNN）建模等多种手段，试图彻底解开这一“顿悟”时刻背后的神经计算机制。

Fig. 1 | Paradigm and hypotheses for the psychophysics experiment.

研究核心总结

这项2026年2月4日发表于 Nature Communications的研究，通过一系列精巧的实验设计和多模态数据分析，确定了高级视觉皮层（High-level Visual Cortex, HLVC），特别是梭状回（Fusiform Cortex, FC），是支撑人类一次性知觉学习的关键神经基质。

Fig. 2 | Mapping invariance properties of perceptual priors.

知觉先验的表征特性：定位于高级视觉皮层

研究团队首先通过心理物理学实验探究了这种“知觉先验”的本质。结果发现，一次性学习获得的先验表现出显著的尺寸不变性（Size Invariance），即在原图尺寸的一半或两倍大小时仍能保持识别效果；但它对方向（旋转/翻转）和位置较为敏感。这种“部分不变性”直接排除了早期视觉皮层（对尺寸非常敏感）作为存储位点的可能性，而与高级视觉皮层（具有尺寸不变性但保留部分视角特异性）的编码特性高度吻合。

此外，类别替换实验（用同类别的另一张图作为线索）无法诱导学习效应，证明这种先验是基于知觉特征（Perceptual）而非抽象概念（Conceptual）的。

Fig. 3 | Model-based RSA results (n = 10 subjects).

神经编码与时序证据：梭状回的核心地位

利用7T fMRI进行的表征相似性分析（RSA）显示，只有高级视觉皮层（尤其是LO2和FC）的神经表征模式与行为实验中观察到的“尺寸不变性但方向敏感性”完美匹配。

更关键的证据来自高时间分辨率的颅内脑电（iEEG）。分析发现，在观看模糊图片时，神经活动向先验知识（清晰原图的表征）发生偏转（Neural Tuning Shift）的现象，最早发生于HLVC（约刺激后225ms），随后才传导至早期视觉皮层（EVC）。这有力地支持了HLVC是先验知识存储和激活的核心位点，并通过自上而下的反馈调节早期视觉处理。这也推翻了之前认为额顶网络（FPN）或默认网络（DMN）直接编码先验知识的假设。

Fig. 4 | Timing properties of learning-induced activity changes.

深度计算模型：Top-down Transformer的生物合理性

为了探索潜在的计算机制，研究人员构建了一个包含“先验存储模块”和“自上而下调节机制”的Vision Transformer模型。该模型不仅在行为层面重现了人类的一次性学习能力（包括准确率和错误模式），更重要的是，模型中累积的先验信息能够通过线性映射准确预测人类大脑梭状回（FC）的神经活动，且预测效力显著优于其他脑区。

模型分析还揭示了一个有趣的现象：背侧视觉通路（Dorsal Stream）的信息强度与学习成功率呈负相关，暗示在一次性知觉学习中，腹侧通路（负责物体识别）与背侧通路可能存在竞争机制。

图10

Fig. 5 | Model displays perceptual learning effect and predicts human learning outcomes.

图11

研究意义

本研究通过“行为-影像-电生理-计算”的趋同证据，一举终结了关于一次性知觉学习发生位点的长期争论。它揭示了人类大脑如何利用高级视觉皮层（HLVC）内的可塑性快速存储知觉先验，并通过自上而下的反馈机制瞬间重构视觉输入，实现从“混沌”到“有序”的知觉顿悟。这一发现不仅深化了我们对视觉认知的理解，也为开发具备人类级快速学习能力的人工智能模型提供了重要的生物学蓝图。

图12

Fig. 6 | Brain prediction contrast reveals FC’s strong involvement in learning.

图13

Abstract

The ability to quickly learn and generalize is one of the brain’s most impressive feats and recreating it remains a major challenge for modern artificial intelligence research. One of the most mysterious one-shot learning abilities displayed by humans is one-shot perceptual learning, whereby a single viewing experience drastically alters visual perception in a long-lasting manner. Where in the brain one-shot perceptual learning occurs and what mechanisms support it remain enigmatic. Combining psychophysics, 7 T fMRI, and intracranial recordings, we identify the high-level visual cortex as the most likely neural substrate wherein neural plasticity supports one-shot perceptual learning. We further develop a deep neural network model incorporating top-down feedback into a vision transformer, which recapitulates and predicts human behavior. The prior knowledge learnt by this model is highly similar to the neural code in the human high-level visual cortex. These results reveal the neurocomputational mechanisms underlying one-shot perceptual learning in humans.

前沿交流| 欢迎加入认知神经科学前沿交流群！

⭐️[入群链接]

图14