X055 别再“神化”人脑了！牛津团队NHB新发：人类和AI一样，在持续学习中也会“学了B忘了A”
来源：公众号 PSY-Brain_Frontier ｜ 发布：2025-11-05 ｜ 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
认知神经科学前沿文献分享
基本信息
Title:Humans and neural networks show similar patterns of transfer and interference during continual learning
发表时间：2025.10.30
Journal：Nature Human Behaviour
影响因子：16.0
获取原文：
- 后台回复“文献”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：学得快，忘得也快？
对于一个习惯在中国大陆（左舵）开车的“老司机”来说，去英国（右舵）自驾是一种怎样的体验？
一方面，他无疑比驾校新手学得快得多：他知道如何踩油门、刹车，如何判断路况。这是知识迁移（Transfer）带来的巨大优势。
但另一方面，旧的驾驶习惯也可能变成“诅咒”：在转弯或进入环岛时，他可能会本能地驶向“错误”的车道。这种新旧知识的“打架”，其实为我们揭示了大脑在学习时面临的一项深刻的计算挑战。
在人工智能领域，这种现象的极端版本被称为“灾难性遗忘”（catastrophic forgetting）——当神经网络学习一项新任务后，可能会突然完全忘记先前掌握的技能。长期以来，这被视为机器的“缺陷”，而人类似乎能优雅地累积知识，显得技高一筹 。
但如果这种“遗忘”并非缺陷，而是一种为“快速学习”所付出的必然代价呢？如果人类大脑，其实也遵循着与AI相同的权衡法则呢？一篇发表于《自然-人类行为》的重磅研究，通过让二者完成相同的任务，直接挑战了这一传统认知 。
研究背景
智能系统的一个核心标志是持续学习（continual learning）的能力，即能从连续的信息流中按顺序学习，而这也是生物智能的基石 。然而，对于人工神经网络而言，其最大的障碍便是灾难性干扰（catastrophic interference）：新知识的权重更新会覆盖或破坏旧知识的存储，导致遗忘 。
传统观点认为，生物大脑通过突触巩固、海马体与新皮层的互补学习系统等复杂机制，从根本上规避了这个问题 。为了验证这一假设是否成立，牛津大学的研究团队设计了一个精巧的A-B-A范式实验：让人类和简化的线性神经网络先学习任务A，再学习任务B，最后重新测试任务A。实验的核心操控在于系统性地改变任务A和任务B规则的相似度，因为相似性正是调节知识迁移与干扰这对矛盾关系的关键变量 。
Fig. 1 | Task design.
研究核心总结
- 相似性决定的普适权衡法则
研究的核心发现是，人类和人工神经网络（ANNs）在持续学习中表现出惊人一致的计算权衡（computational trade-off）模式，且该模式完全由任务相似性主导 ：
- 高相似度 → 高迁移，高干扰：当新任务（B）与旧任务（A）规则相似时，学习者能有效利用旧知识，从而更快地掌握新任务（即知识迁移，knowledge transfer）。然而，这种优势的代价是，在回头重测旧任务（A）时，新知识会对其产生更强的干扰（即倒摄干扰，retroactive interference）。
- 低相似度 → 低迁移，低干扰：当两个任务截然不同时，学习者无法有效迁移知识，新任务的学习如同从零开始。但好处是，旧任务的知识得到了很好的保护，几乎不受干扰 。
在神经网络中，这一现象的底层机制源于其表征几何（representational geometry）。当任务相似时，网络倾向于重用（reuse）已有的神经表征，在同一个共享的低维子空间（shared subspace）中对两个任务进行编码。这加速了学习，但也必然导致对原有表征的修改和“覆盖”。相反，当任务足够不同时，网络会开辟一个全新的、与旧任务正交的表征子空间（orthogonal subspace），从而将知识隔离开，避免了干扰。
Fig. 2 | Transfer and Interference in ANNs.
- 人类学习的两种“人格”：整合者 vs. 拆分者
研究最有趣的发现之一是，在任务相似度“不上不下”（Near condition）时，人类被试的行为呈现出清晰的两极分化，形成了两种截然不同的学习策略：
- “整合者” (Lumpers)：这类学习者倾向于泛化（generalization）。他们积极地在新旧任务间寻找并应用共通的规则结构。这使得他们表现出极佳的知识迁移能力和对任务内新刺激的泛化能力。但代价是，他们也遭受了最严重的干扰，在重测旧任务时，会习惯性地误用新规则 。
- “拆分者” (Splitters)：这类学习者则倾向于分离（separation）。他们似乎将每个任务的知识“封装”起来，以避免混淆。这使得他们成功地规避了干扰。但代价是迁移和泛化能力都较差。有趣的是，他们在记忆与规则无关的、需要死记硬背的独特信息（如每个刺激的特定位置）方面表现得更好 。
这种分野揭示了学习中一个更本质的困境：究竟是构建一个抽象、普适的模型（整合者策略），还是为每个具体实例建立高保真的独立记忆（拆分者策略）。前者高效但易混淆，后者稳定但僵化。
Fig. 3 | Patterns of transfer and interference.
- 统一两种“人格”的计算原理：富裕 vs. 惰性学习
该研究最深刻的洞见，是将人类这两种学习“人格”与神经网络中两种已知的学习机制——“富裕”（rich）与“惰性”（lazy）学习机制——完美地对应起来 ：
- 整合者 (Lumpers) ≈ 富裕学习机制 (Rich Regime)：“富裕”机制下的网络，会通过大幅调整权重，学习到一种压缩的、低维度的、高度结构化的内部表征，以捕捉任务的核心结构。这种表征天然地促进了知识的迁移与泛化。然而，正因为信息被压缩在共享的结构中，它也变得极为脆弱，容易被新信息覆盖，从而产生严重干扰 。
- 拆分者 (Splitters) ≈ 惰性学习机制 (Lazy Regime)：“惰性”机制下的网络，则倾向于对初始权重做最小的调整，利用其高维度的、近似随机的表征空间来“死记硬背”输入与输出的映射。这种方式能有效地将不同任务的表征分离开，因此能有效避免干扰。但由于未能学习到底层的抽象结构，其迁移和泛化能力也相应受限 。
Fig. 4 | Individual differences in transfer and interference.
这项研究的意义远不止于发现了一个有趣的相似性。它为人类认知中长期存在的个体差异提供了一个强有力的计算模型。所谓的“整合者”与“拆分者”，可能并非简单的“学得好”与“学得差”的区别，而是个体在“构建抽象模型”与“学习具体实例”这一计算谱系上所处位置不同而产生的自然结果。这表明，在持续学习这一根本性挑战面前，生物大脑与人工智能或许真的遵循着某些共同的、深刻的计算约束与权衡法则。
Abstract
In artificial neural networks, acquiring new knowledge often interferes with existing knowledge. Here, although it is commonly claimed that humans overcome this challenge, we find surprisingly similar patterns of interference across both types of learner. When learning sequential rule-based tasks (A–B–A), both learners benefit more from prior knowledge when the tasks are similar—but as a result, they also exhibit greater interference when retested on task A. In networks, this arises from reusing previously learned representations, which accelerates new learning at the cost of overwriting prior knowledge. In humans, we also observe individual differences: one group (‘lumpers’) shows more interference alongside better transfer, while another (‘splitters’) avoids interference at the cost of worse transfer. These behavioural profiles are mirrored in neural networks trained in the rich (lumper) or lazy (splitter) regimes, encouraging overlapping or distinct representations respectively. Together, these findings reveal shared computational trade-offs between transferring knowledge and avoiding interference in humans and artificial neural networks.
推荐相关阅读
周报-20251020|认知神经科学前沿动态周览**⭐️[解读链接]****
周报-20251006 | 近两周解读的29篇顶刊论文汇总 | 认知神经科学前沿动态 ⭐️[解读链接]
周报-20250922 |认知神经科学前沿动态周览 *⭐️[解读链接]***
Nature |决策过程的动力学机制与神经模式转变 ⭐️[解读链接]
Nature |颠覆认知 ! “神经振荡”不成立？耶鲁团队提出大脑“伽马事件”新理论 ⭐️[解读链接]
Science |中国将领衔未来25年全球脑计划，剑指灵长类大脑地图 *⭐️[解读链接]***
Neuron |大脑如何区分现实与想象？伦敦大学学院团队最新研究揭秘“现实信号”的神经密码 ⭐️[解读链接]
Nature | 视觉系统新发现：压缩式的物体识别机制 ⭐️[解读链接]
Nat Hum Behav｜你不是天生就爱跟风：社会特征学习理论揭示人类“随大流”背后的秘密 *⭐️[解读链接]***
Nature |“读心术”成真？从瞳孔变化中解码大脑皮层完整时空动态 ⭐️[解读链接]
PNAS｜刷短视频停不下来？研究揭示“新奇感”是驱动人类探索的古老密码 *⭐️[解读链接]***
Neuron | 最强脑发育数据库RBC开放下载，6000+青少年大脑数据揭示精神健康的秘密 ⭐️[解读链接]
Nature 子刊综述｜大脑预测误差的核心回路 *⭐️[解读链接]***
前沿交流 | 欢迎加入认知神经科学前沿交流群！⭐️[解读链接]
核心图表、方法细节、统计结果与讨论见原文及其拓展数据。
点击左下角 “阅读原文” 可跳转到论文源网站界面。
分享人：饭哥
审核：PsyBrain 脑心前沿编辑部
PsyBrain 脑心前沿
带你了解心理学、脑科学的前沿知识与技术流程
预览时标签不可点
阅读原文
不喜欢
微信扫一扫
关注该公众号
知道了
微信扫一扫
使用小程序
取消 允许
取消 允许
取消 允许
× 分析
微信扫一扫可打开此内容，
使用完整服务