PsyBrain 脑心前沿 / 科研分析：认知神经科学前沿的结构化精读 / J · 决策与强化学习 / J013 · 北大最新NC：大脑如何学习新概念？神经贝叶斯模型揭示皮层

J013 北大最新NC：大脑如何学习新概念？神经贝叶斯模型揭示皮层结构先验的关键作用

来源：公众号 PSY-Brain_Frontier ｜发布：2026-05-22 ｜原文链接

认知神经科学前沿文献分享

基本信息

Title: Cortical knowledge structures guide word concept learning

发表时间: 2026-05-13

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”跳转论文网页

研究背景

假设你到了一个陌生的国家，当地人指着勺子、锤子和眼镜，告诉你这些都叫“Leca”。当你随后看到一把斧头时，你会觉得它也是“Leca”吗？人类能够仅凭寥寥几个例子，迅速掌握新词的含义并准确泛化，这种从稀疏数据中学习的能力是人类智能的标志。

然而，大脑究竟是如何做到这一点的？过去的研究存在两条截然不同的线索。神经科学中的联结学习理论认为，学习新概念依赖于海马体等区域，通过建立词汇与具体样例之间的全新关联来实现，这是一种“无先验”的机制。而认知发展领域的计算模型则认为，人类利用了长时记忆中丰富的背景知识，在一个结构化的“假设空间”中进行贝叶斯概率推理，这是一种“基于先验”的机制。

尽管贝叶斯模型在行为层面上极具解释力，但它一直面临一个致命的批评：缺乏神经生物学基础。大脑中真的存在这样一个“假设空间”吗？近日，北京大学毕彦超、朱露莎团队合作在 Nature Communications 发表最新研究，开发了一种“神经贝叶斯模型（NBM）”，直接利用大脑皮层的神经表征构建先验知识空间，首次揭示了皮层知识结构如何指导词汇概念的学习与泛化。

研究核心总结

为了验证大脑是否真的利用已有知识进行贝叶斯推理，研究者设计了一个巧妙的两阶段实验。首先，他们记录了被试在观看58个不同物体（如动物、人脸、人造物）时的大脑功能磁共振成像（fMRI）数据，以此提取出大脑对这些物体的“神经表征先验”。随后，被试在扫描仪内完成新词学习任务（例如通过勺子、锤子学习“Leca”），并判断新物体是否属于该词汇。

Fig 1. 实验设计概览：研究者先独立测量大脑对各类物体的神经表征（提取先验），再用这些神经先验去预测被试在学习新词汇时的神经活动与泛化行为。

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

一、视觉皮层的神经先验成功预测了新词表征与泛化行为

研究者将腹侧枕颞皮层（VOTC，一个负责高级视觉和物体知识表征的关键区域）的神经活动输入到神经贝叶斯模型（NBM）中。结果发现，基于VOTC神经先验构建的NBM，不仅精准预测了新词在大脑中的全新神经表征，还成功预测了被试在面对新物体时的泛化概率。

更重要的是，NBM的表现显著优于不包含结构化先验的“神经平均模型（NMM）”，也优于基于人类行为评分构建的传统贝叶斯模型。这说明，VOTC中高维、分布式的神经表征拓扑结构，本身就为概念学习提供了强大的先验假设空间。

Fig 3. 基于VOTC神经先验的贝叶斯模型（NBM），在预测新词概念的神经表征时，表现显著优于缺乏先验的神经平均模型（NMM）和打乱先验的控制模型。

Fig 4. VOTC的神经贝叶斯模型不仅能预测大脑活动，还能准确预测被试在面对新物体时“它属不属于新词”的泛化行为。

二、海马体与皮层的双重分工：强先验靠皮层，弱先验靠海马

既然VOTC在利用先验知识学习中扮演了核心角色，那么传统上被认为负责学习新关联的海马体和内侧前额叶皮层（MPFC）又在做什么？

研究发现，当被试通过熟悉的物体（具有丰富的先验知识）学习新词时，海马体和MPFC的神经活动既不能被NBM预测，也没有表现出对概念更新的追踪。然而，当研究者让被试通过毫无意义的“新颖形状”（缺乏先验知识）来学习新词时，海马体立刻展现出了显著的预测能力。并且在这种“弱先验”条件下，NBM的预测力并不比简单的神经平均模型更好。

这一双重分离现象表明，大脑在学习新概念时会根据先验知识的丰富程度动态切换策略：当面对熟悉事物时，大脑直接在皮层（如VOTC）的语义网络中进行贝叶斯推理，实现“快速映射”；而当面对完全陌生的事物时，则依赖海马体进行纯粹的、无先验的样例关联学习。

Fig 5. VOTC与海马体在概念学习中表现出截然不同的模式：VOTC主导基于熟悉物体的强先验学习，而海马体则负责基于新颖形状的弱先验关联学习。

三、大语言模型（LLMs）在概念泛化上仍缺乏类人推理机制

既然丰富的背景知识对概念学习如此重要，那么拥有海量参数和超级语义知识库的大语言模型（如GPT-4o和Qwen2.5-VL），是否能像人类一样完美地学习新词汇？

研究者让这些多模态大模型完成了与人类被试完全相同的看图学词任务。结果显示，虽然大模型也能在一定程度上预测泛化行为，但它们与人类行为的拟合度，远远比不上结合了神经与行为先验的贝叶斯学习模型。特别是在学习具有丰富先验的熟悉物体时，大模型的表现显著落后。这揭示了一个关键事实：仅仅拥有海量的结构化知识是不够的，大模型目前仍缺乏一种能够有效调用这些知识去指导小样本学习的内在推理机制。