Il riutilizzo di schemi specifici per dominio supporta l’apprendimento flessibile nell’apprendimento del cervello dei primati

Perché l’esperienza passata facilita il nuovo apprendimento

Perché imparare una nuova abilità in una famiglia di abilità familiare spesso sembra più semplice — come prendere in mano il badminton dopo anni di tennis, o adattarsi a un nuovo smartphone dopo averne posseduti diversi? Questo articolo esplora come il cervello dei primati realizzi questo effetto. Studiando scimmie che imparano una serie di compiti visivo‑movimento, gli autori mostrano come il cervello conservi «modelli» riutilizzabili per le decisioni pur restando sufficientemente flessibile da affrontare nuove situazioni, offrendo indizi utili sia per le neuroscienze sia per l’intelligenza artificiale.

Pattern nel cervello che catturano regole generali

I ricercatori si concentrano su un concetto che gli psicologi chiamano schema — un quadro mentale che cattura la struttura comune attraverso esperienze correlate. A livello neurale, lo indicano come correlati neurali dello schema (NCS): pattern di attività stabili che ricompaiono quando regole simili vengono applicate in contesti diversi. La grande domanda è come il cervello possa preservare questi pattern stabili, che accelerano l’apprendimento futuro, senza diventare rigido e incapace di adattarsi quando le circostanze cambiano. Questo compromesso è noto come il dilemma stabilità–plasticità ed è anche una sfida importante nella progettazione di reti neurali artificiali che devono apprendere in modo continuo senza «dimenticare» ciò che hanno già imparato.

Insegnare nuove regole alle scimmie e riesaminare le vecchie

Per indagare questo aspetto, tre macachi sono stati addestrati a compiti di mappatura visuo‑motorio. In ogni prova, compariva un’immagine su uno schermo touch e, dopo un breve ritardo, la scimmia doveva premere uno di due pulsanti, per esempio sopra o sotto, per ricevere una ricompensa. In ogni sessione di addestramento, gli animali imparavano prima una nuova mappatura tra immagini e azioni (compito A), poi una o due altre nuove mappature (compiti B e talvolta C), quindi tornavano alla mappatura originale (Revisit‑A) e, in alcuni casi, alla fine imparavano la regola inversa dell’originale (Reverse‑A), dove le stesse immagini richiedevano ora il pulsante opposto. Mentre le scimmie eseguivano i compiti, i ricercatori registravano l’attività di centinaia di neuroni nella corteccia premotoria dorsolaterale, una regione coinvolta nella pianificazione dei movimenti e nelle decisioni.

Quando compiti simili diventano più facili — ma regole opposte più difficili

Dal punto di vista comportamentale, le scimmie mostrarono il classico effetto di «imparare a imparare». Compiti nuovi ma simili (B e C) venivano appresi più rapidamente rispetto al primo compito A, e quando tornavano alla mappatura originale (Revisit‑A) la riapprendevano ancora più in fretta. In netto contrasto, la mappatura invertita (Reverse‑A), che contraddiceva direttamente ciò che avevano imparato prima, richiese più tempo per essere padroneggiata. Questo schema suggerisce che la conoscenza pregressa aiuta quando i nuovi compiti condividono la stessa regola sottostante, ma può rallentare quando la nuova regola confligge con la precedente. Le registrazioni neuronali hanno fornito una chiave per capire il perché: hanno rivelato quali aspetti dei compiti erano codificati in pattern stabili e riutilizzabili e quali invece potevano cambiare.

Separare scelte stabili da dettagli visivi mutevoli

Utilizzando metodi di analisi avanzati, gli autori hanno decomposto l’attività di popolazione nella corteccia premotoria in due principali «sottospazi» — collezioni di pattern di attività neurale che trasportavano diversi tipi di informazione. Un sottospazio catturava le decisioni delle scimmie (per esempio, scegliere il pulsante superiore rispetto a quello inferiore). L’altro sottospazio catturava i dettagli delle immagini visive. Nel sottospazio relativo alle decisioni, le stesse scelte formavano traiettorie stabili e a bassa dimensionalità che venivano riutilizzate nei compiti A, B, C e Revisit‑A, anche quando le immagini cambiavano. Quanto più le traiettorie di un nuovo compito somigliavano a quelle del compito originale, tanto meno prove la scimmia necessitava per impararlo. Al contrario, nel compito inverso questi pattern decisionali non venivano riutilizzati: le traiettorie neurali si spostavano e l’apprendimento era più lento. Nel frattempo, il sottospazio visivo cambiava più liberamente da un compito all’altro e non mostrava lo stesso riutilizzo stabile.

Mantenere i flussi informativi quasi ad angolo retto

Un risultato sorprendente fu la relazione geometrica tra questi due sottospazi. Matematicamente, erano quasi ortogonali — disposti nello spazio di attività neurale con angoli prossimi a 90 gradi. Questo arrangiamento quasi a angolo retto significa che i cambiamenti nel modo in cui l’informazione visiva è rappresentata hanno un impatto minimo sui pattern decisionali, e viceversa. In altre parole, il cervello sembra conservare schemi decisionali stabili e riutilizzabili in un dominio, mentre permette a un altro dominio di rimanere flessibile per nuovi dettagli sensoriali, tenendo i due sufficientemente separati da evitare interferenze. Questa architettura potrebbe essere un principio generale osservabile in varie regioni cerebrali che gestiscono comportamenti complessi.

Cosa significa per cervelli e macchine

Per il lettore generale, la conclusione è che il cervello sembra risolvere il dilemma stabilità–plasticità organizzando con cura la sua attività interna. Conserva «l’essenza» di una regola — se agire in un modo o nell’altro — in un sottospazio protetto e stabile, lasciando spazio in altri sottospazi per adattare nuovi stimoli e situazioni. Compiti simili possono quindi essere appresi rapidamente riutilizzando il modello decisionale esistente, mentre regole direttamente opposte richiedono al cervello di costruire un nuovo pattern da zero. Oltre a spiegare come gli animali imparino in modo efficiente dall’esperienza, questo lavoro suggerisce strategie per costruire sistemi di intelligenza artificiale che possano, come i cervelli, ricordare ciò che conta e adattarsi con flessibilità a ciò che verrà.

Citazione: Tian, K., Zhao, Z., Chen, Y. et al. Domain-specific schema reuse supports flexible learning to learn in the primate brain. Nat Commun 17, 2150 (2026). https://doi.org/10.1038/s41467-026-68692-x

Parole chiave: apprendimento di schemi, rappresentazioni neurali, flessibilità cognitiva, apprendimento visuo‑motorio, stabilità plasticità