Wielokrotne wykorzystywanie schematów specyficznych dla danej dziedziny wspiera elastyczne uczenie się uczące się w mózgu naczelnych

Dlaczego wcześniejsze doświadczenie ułatwia nowe uczenie się

Dlaczego opanowanie nowej umiejętności w znanej rodzinie umiejętności często wydaje się łatwiejsze — jak na przykład sięgnięcie po badmintona po latach gry w tenisa, czy szybkie przystosowanie się do nowego smartfona po używaniu kilku wcześniejszych modeli? Artykuł bada, jak mózg naczelnych osiąga taki efekt. Analizując małpy uczące się serii zadań od obrazu do ruchu, autorzy odkrywają, jak mózg przechowuje wielokrotnie używalne „szablony” decyzji, zachowując jednocześnie wystarczającą elastyczność, by radzić sobie z nowymi sytuacjami — dając wskazówki zarówno dla neuronauki, jak i sztucznej inteligencji.

Wzorce w mózgu, które uchwytują ogólne zasady

Naukowcy skupiają się na koncepcji, którą psychologowie nazywają schematem — mentalnym układzie, który uchwytuje wspólną strukturę powiązanych doświadczeń. Na poziomie neuronalnym odnosi się do tego pojęcie neuronowych korelatów schematu (NCS): stabilnych wzorców aktywności, które pojawiają się ponownie, gdy podobne reguły są stosowane w różnych kontekstach. Pytanie brzmi, jak mózg może zachować te stabilne wzorce, które przyspieszają przyszłe uczenie się, nie stając się jednocześnie sztywnym i niezdolnym do przystosowania, gdy warunki się zmieniają. Ten kompromis znany jest jako dylemat stabilności–plastyczności i stanowi również poważne wyzwanie przy projektowaniu sztucznych sieci neuronowych, które muszą uczyć się ciągle bez „zapominania” wcześniej przyswojonych informacji.

Nauczanie małp nowych reguł i powracanie do starych

Aby to zbadać, trzy makaki zostały przeszkolone w zadaniach mapowania wizjomotorycznego. W każdym próbie na ekranie dotykowym pojawiało się zdjęcie, a po krótkim opóźnieniu małpa musiała nacisnąć jeden z dwóch przycisków, na przykład górny albo dolny, aby otrzymać nagrodę. W każdej sesji treningowej zwierzęta najpierw uczyły się jednego nowego mapowania między obrazami a działaniami (zadanie A), potem jednego lub dwóch kolejnych nowych mapowań (zadania B i czasem C), następnie wracały do oryginalnego mapowania (Powrót-A), a w niektórych przypadkach na końcu uczyły się odwrócenia pierwotnej reguły (Odwrotne-A), gdzie te same obrazy wymagały teraz przeciwnego przycisku. Podczas pracy małp badacze rejestrowali aktywność setek neuronów w grzbietowo-bocznej korze przedruchowej, obszarze zaangażowanym w planowanie ruchów i podejmowanie decyzji.

Kiedy podobne zadania stają się łatwiejsze — ale przeciwne reguły trudniejsze

W zachowaniu małp zaobserwowano klasyczny efekt „uczenia się, jak się uczyć”. Nowe, lecz podobne zadania (B i C) były przyswajane szybciej niż pierwsze zadanie A, a po powrocie do oryginalnego mapowania (Powrót-A) relearnowanie przebiegało jeszcze szybciej. W wyraźnym kontraście, odwrócone mapowanie (Odwrotne-A), które bezpośrednio sprzeciwiało się temu, czego wcześniej się nauczyły, wymagało więcej czasu, aby je opanować. Ten wzorzec sugeruje, że wcześniejsza wiedza pomaga, gdy nowe zadania dzielą tę samą zasadę leżącą u podstaw, ale może spowolnić uczenie się, gdy nowa reguła jest z nią sprzeczna. Nagrania neuronalne dały wgląd w przyczynę: ujawniono, które aspekty zadań są kodowane w stabilnych, wielokrotnie używalnych wzorcach, a które mogą się zmieniać.

Oddzielanie stabilnych wyborów od zmieniających się bodźców wzrokowych

Stosując zaawansowane metody analizy, autorzy rozłożyli aktywność populacyjną w korze przedruchowej na dwa główne „podprzestrzenie” — zbiory wzorców aktywności neuronalnej niosące różne rodzaje informacji. Jeden podprzestrzeń uchwycił decyzje małp (na przykład wybór górnego kontra dolnego przycisku). Drugi podprzestrzeń odzwierciedlał szczegóły obrazów wzrokowych. W podprzestrzeni związanej z decyzjami te same wybory tworzyły stabilne, niskowymiarowe trajektorie, które były wykorzystywane ponownie w zadaniach A, B, C i Powrót-A, nawet gdy obrazy się zmieniały. Im bardziej trajektorie z nowego zadania były podobne do tych z zadania oryginalnego, tym mniej prób małpa potrzebowała na naukę. W zadaniu odwrotnym wzorce decyzyjne nie były jednak ponownie użyte: trajektorie neuronalne przesunęły się i uczenie się przebiegało wolniej. Tymczasem podprzestrzeń wzrokowa zmieniała się swobodniej z zadania na zadanie i nie wykazywała tej samej stabilnej ponownej używalności.

Utrzymywanie strumieni informacji niemal pod kątem prostym

Uderzającym odkryciem była geometryczna relacja między tymi dwoma podprzestrzeniami. Matematycznie były one niemal ortogonalne — ułożone w przestrzeni aktywności neuronalnej pod kątami bliskimi 90 stopni. Ta niemal prostopadła konfiguracja oznacza, że zmiany w reprezentacji informacji wzrokowej mają minimalny wpływ na wzorce decyzyjne i odwrotnie. Innymi słowy, mózg zdaje się przechowywać stabilne, wielokrotnego użytku schematy decyzji w jednej domenie, jednocześnie pozostawiając inną domenę elastyczną dla nowych szczegółów sensorycznych, przy czym obie są wystarczająco oddzielone, by unikać interferencji. Ta architektura może być ogólną zasadą występującą w różnych regionach mózgu zaangażowanych w złożone zachowania.

Co to oznacza dla mózgów i maszyn

Dla czytelnika ogólnego wniosek jest taki, że mózg zdaje się rozwiązywać dylemat stabilności–plastyczności poprzez staranną organizację swojej wewnętrznej aktywności. Przechowuje „istotę” reguły — czy działać w jeden sposób czy inny — w chronionej, stabilnej podprzestrzeni, podczas gdy inne podprzestrzenie zostawia wolne, by pomieścić nowe obrazy i sytuacje. Podobne zadania można wtedy szybko opanować, ponownie wykorzystując istniejący szablon decyzji, podczas gdy bezpośrednio sprzeczne reguły wymagają zbudowania nowego wzorca od podstaw. Poza wyjaśnieniem, jak zwierzęta efektywnie uczą się z doświadczenia, praca ta sugeruje strategie budowy systemów sztucznej inteligencji, które, podobnie jak mózgi, potrafią zarówno pamiętać to, co ważne, jak i elastycznie dostosowywać się do tego, co nastąpi.

Cytowanie: 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

Słowa kluczowe: uczenie się schematów, reprezentacje neuronalne, elastyczność poznawcza, uczenie wizjomotoryczne, stabilność plastyczność