类型b：本文档是一篇学术综述论文。

大脑任务依赖计算的“整洁”与“杂乱”两面：神经几何与计算的视角

本文是由来自美国芝加哥大学神经生物学系的薛澄（Cheng Xue）和中国科学院神经科学研究所的冈泽刚树（Gouki Okazawa）共同撰写的一篇综述文章，于2026年发表在《Trends in Neurosciences》期刊上。文章聚焦于系统神经科学领域，特别是灵长类动物研究，旨在探讨大脑在执行和切换不同认知任务时，其神经群体活动所展现出的计算特性。文章的核心论点在于，当前的研究揭示了大脑任务依赖计算存在看似矛盾的“整洁”（‘neat’）与“杂乱”（‘messy’）双重特征，理解这种二元性对于未来研究至关重要。

主要观点一：大脑通过“整洁”的神经几何与结构化表征实现灵活的任务切换。 近年来，得益于神经群体活动分析技术的进步以及人工神经网络模型的借鉴，研究者们对大脑如何灵活执行任务形成了许多“整洁”的理论框架。这些框架强调大脑通过形成结构化和可解释的表征来高效处理任务。具体体现在以下几个方面：首先，在神经状态空间中，任务状态（task state）的编码可以形成独立的子空间或流形（manifold），或者通过改变神经动力学的“景观”（dynamical landscape），使得相同的感官输入能根据任务需求被引导至不同的计算路径，从而产生不同的行为输出。其次，大脑采用“解耦”（disentangled）和“组合”（compositional）的编码方式来表征任务相关变量。解耦编码指将不同任务变量（如刺激、奖赏、动作）以相互分离的格式进行表征，使得针对每个变量的解码器可以独立于其他变量而变化，这有助于快速切换计算。组合编码则指大脑复用基本的计算元素来构建复杂的任务功能，支持对新问题的快速适应。神经生理学证据表明，在猴子海马体和前额叶皮层中观察到的解耦表征与受试者快速切换任务规则的能力相关，并且能促进零样本学习（zero-shot learning）。有趣的是，在人工神经网络中，当训练网络执行多个任务而不产生干扰时，类似的解耦表征也会自然涌现。这些发现共同描绘了一幅“整洁”的图景：大脑通过组织良好的神经几何和模块化的编码策略，实现了高效、灵活的任务控制与泛化。

主要观点二：行为与神经层面的“杂乱”特征揭示了大脑计算的复杂性，无法被简单的规范性模型完全解释。 尽管存在上述“整洁”的特征，大量实验观察也揭示了大脑任务计算中“杂乱”的一面，这些现象挑战了过于简化的规范性模型。在行为层面，一个典型的例子是“转换成本”（switch cost）：人类在任务切换后反应会变慢、准确性下降。这种看似“次优”的行为可能源于多种神经机制。例如，神经信号显示任务状态的转换是渐进的，而非瞬间完成，这种缓慢的过渡会干扰行为表现。此外，在任务切换时刻，多个脑区会出现特定的“切换选择性”神经元活动，这些活动对于成功切换规则可能是必需的。然而，标准的、以任务绩效最优为目标训练出来的循环神经网络（RNN）通常能够瞬间切换内部状态，并不自然产生这种成本。只有当RNN被直接拟合到行为数据上，或者在某些特定的训练序列下，它们才会表现出类似大脑的转换成本和缓慢的神经状态过渡。另一种可能是，自上而下的控制信号无法完全调整信息流，导致任务无关信息的残留影响，从而产生“残留转换成本”。这些“杂乱”的行为特征可能反映了大脑在灵活性（exploration）与稳定性（exploitation）之间进行权衡的适应性策略。

主要观点三：在神经实现层面，纠缠的表征与非规范动力学构成了“杂乱”性的核心。 在神经元群体活动的几何结构中，“杂乱”性同样显著。首先，经典的“整洁”决策模型（如相互竞争的选择模块）所预测的线性或点吸引子动力学，与实际的神经观测并不完全吻合。例如，在猴子顶叶皮层，决策形成期间的神经活动会形成与任务相关、且与动作编码未对齐的弯曲神经流形，这种几何形状可能源于生物放电活动的约束，其功能意义尚不明确。另一项研究通过直接估计大鼠听觉辨别任务中的动力学景观，发现其比经典模型预测的更为复杂。其次，神经活动常常编码大量任务无关的变量。对神经活动方差的分析表明，大部分变异可归因于任务无关部分，例如身体姿势、内部状态（如参与度）的波动等，这些信号如何与认知计算整合尚不清楚。再者，“解耦”和“组合”编码并非大脑解决问题的唯一或必然方案。训练在相同任务上的人工神经网络可能演化出截然不同的解决方案（解耦的或纠缠的）。同样，猴子在执行相同感觉运动映射但处于不同适应情境时，其后顶叶皮层会使用不同的神经子空间，而非复用相同的计算资源，这可能是为了最小化任务间的干扰。因此，大脑必须在跨任务共享表征（以支持灵活性和泛化）与独立表征（以避免干扰和保持鲁棒性）之间取得微妙的平衡。纠缠的表征、任务无关信号的混合以及复杂的动力学，共同构成了大脑实现层面不可避免的“杂乱”现实。

主要观点四：整合“整洁”与“杂乱”需要未来研究采取两种互补的路径。 面对大脑任务依赖计算中并存的“整洁”与“杂乱”特征，文章提出了两条未来研究的主要方向。第一条路径是拓展“整洁”的解释（假设驱动方法）。即通过改进任务设计、分析工具和计算模型，寻找能更好捕捉大脑特定约束和优化目标的“整洁”理论。例如，开发更生物合理的网络模型（考虑能量最小化、解决多任务等更广泛的目标函数），或者修改训练范式（如使用生态学上更合理的错误反馈频率）来让人工网络复现出类似大脑的“次优”行为。在神经分析层面，需要超越试次平均的几何分析，探究更精细的单试次动力学，并尝试将观察到的复杂几何形式与考虑了生物约束的模型对齐。第二条路径是拥抱“杂乱”的现实（数据驱动方法）。即利用人工神经网络模型直接拟合行为或神经数据，构建能够捕捉系统全部复杂性的“替代模型”或“基础模型”（foundation models）。例如，训练RNN来复现行为数据（而非追求任务绩效最优），然后分析其内部动态以推断隐藏的计算机制。或者，将ANN或动力学系统直接拟合到原始神经数据上。虽然这些数据驱动模型可能非常复杂，但研究者正努力从中提取可解释的计算原理，例如使用低秩架构或潜在变量模型来简化RNN动力学的解读。最终目标是构建既具有可解释性又能准确捕捉大脑“整洁”与“杂乱”两方面计算的模型。

文章的意义与价值 这篇综述文章系统地梳理了当前对大脑灵活认知计算机制的理解，并创造性地用“整洁”与“杂乱”这一对概念来概括该领域看似矛盾实则互补的发现。其核心价值在于：首先，它提供了一个清晰的框架来整合纷繁复杂的实验结果，指出不同的观察结果可能源于不同的研究视角（任务设计、分析方法、模型选择），如同从不同角度观察一个复杂的雕塑。其次，文章明确指出，单纯追求“整洁”的规范性模型或完全陷入“杂乱”的数据描述都是不充分的，未来的进展有赖于两种研究路径的协同并进。这为领域发展指明了方向。最后，文章强调，理解大脑固有的约束（如布线限制、能量成本）和更广泛的优化目标（如探索-利用权衡、解决多任务），是连接“整洁”理论与“杂乱”现实的关键桥梁。这种整合性的视角不仅有助于深化对健康大脑认知原理的认识，也可能为理解临床群体中认知功能障碍的神经机制提供新的思路，从而连接基础研究与转化应用。文章末尾提出的“未解问题”（Outstanding Questions）进一步激发了读者对关键挑战的思考，推动了该领域的深入探索。