大脑的连接和重连从未停止。神经通路在我们与世界互动和学习新事物时不断被重塑。麻省理工学院麦戈文脑研究所与加拿大多伦多的约克大学的科学家们结合了详细的脑活动分析与计算建模，以更好地理解这些变化。麦戈文研究所的博士后Lynn Sörensen、研究员及麻省理工学院教授James DiCarlo与约克大学助理教授Kohitij Kar共同研究了动物和具有类似大脑结构的人工神经网络在训练识别相同物体时的表现。随着模型性能的提升，其自我重组的方式与动物大脑中观察到的变化紧密相连。他们在《自然通讯》期刊上报告的开放获取研究显示，视觉处理的变化如何支持动物学习识别新物体的能力。
学习新物体需要大脑的多个部分协同工作。视觉处理区域共同分析通过眼睛获取的信息，然后与其他大脑区域通信，为视觉信息赋予意义并指导行为。研究团队希望更清楚地理解学习过程中这些变化的分布情况。神经科学家们一直在争论当动物学习识别新物体时，大脑的视觉处理区域会发生多少变化。一些人认为，为避免广泛干扰视觉感知，视觉处理通路在学习过程中保持相对不变，但其他研究则报告了在人类和其他灵长类动物中观察到的活动变化。
为了更深入地研究，团队关注了大脑视觉物体处理网络的一个关键组件——下颞皮层（IT皮层）。当视觉信息到达IT皮层时，关键物体特征已被清晰表示，因此可以“解码”出受试者正在看到的物体，甚至预测其在识别过程中的错误。团队记录了动物在观察和识别物体图像时的IT皮层神经活动。一些动物未经过训练，因此它们看到的图像对它们几乎没有意义；而其他动物已经学习识别类似物体，通常能够区分大象、椅子等，即使这些物体呈现的大小、角度或背景与它们之前看到的不同。
IT皮层中的广泛活动模式在训练和未训练的动物中大致相似，这表明学习并没有显著重写这一高级视觉表征。然而，研究小组发现，学习识别物体的动物在IT皮层中对图像的反应与未训练动物存在微妙而可靠的差异。
为了解释这些微小的变化如何促进学习，团队转向计算模型。Sörensen训练了一系列人工神经网络，其内部组件与IT皮层对应，以识别动物所见的相同物体类别。这些模型采用梯度下降法进行学习，意味着它们通过调整参数来不断提高准确性。只有部分动物模型展现出与受试者相匹配的学习行为。在这些模型中，IT类似阶段的变化与研究人员在训练动物的IT皮层中观察到的学习相关变化相似。
尽管梯度下降法通常用于训练人工智能，但一般被认为不符合大脑学习的生物学模型。研究人员指出，动物和模型之间学习效果的强匹配表明，这类人工神经网络可以在有用的抽象层面上提供对生物学习的见解，尽管大脑的学习方式可能不同。
研究人员强调，他们的研究提供了比人类更细致的脑活动测量，因为动物的大脑组织与人类相似，这使得他们的实验对人类学习直接相关。他们认为，理解IT皮层的可塑性影响可能有助于研究人员设计新的学习策略。DiCarlo教授表示：“我们对你学习新物体的先前概念模型是，你的大脑在视觉系统的下游对突触连接进行变化，以避免破坏你的视觉系统。”他补充说，学习“象”的过程中，IT确实会发生一些变化，使其在识别象时更具相关性。这可能也会影响对其他视觉特征的识别能力。
IT皮层中的微小变化可能会使你在识别其他物体时变得更好，也可能使识别其他物体变得更加困难。这些后果可能难以直观预测，但通过计算建模变得显而易见。例如，团队的模型显示，在学习识别新物体后，IT皮层包含了更多关于物体位置的信息。通过提供这样的见解，模型可以帮助设计更有效的视觉任务训练策略，包括针对那些具有不同感知处理方式的人，他们可能以非典型的方式从视觉信息中学习。
博主点评： 本研究通过结合生物神经科学和计算建模，深入探讨了视觉学习的神经机制。研究结果不仅揭示了大脑在学习过程中微妙的变化，还为未来教育策略的设计提供了重要参考，尤其是在处理视觉信息的能力上。人工神经网络在此研究中的应用，展示了跨学科研究的巨大潜力，未来有望为认知科学带来更多突破。