Повторное использование предметно-специфических схем поддерживает гибкое обучение к обучению в мозге приматов

Почему прошлый опыт делает новое обучение легче

Почему освоение нового умения в знакомой группе умений часто кажется проще — например, когда после многих лет игры в теннис легче взять в руки бадминтон, или когда привыкаешь к новому смартфону после нескольких предыдущих? В этой статье исследуется, как мозг приматов справляется с этой задачей. Изучая, как макаки осваивают серию задач, связывающих зрение и движение, авторы показывают, как мозг хранит повторно используемые «шаблоны» для принятия решений и одновременно остаётся достаточно гибким, чтобы справляться с новыми ситуациями, что даёт подсказки и для нейронаук, и для искусственного интеллекта.

Шаблоны в мозге, фиксирующие общие правила

Исследователи сосредотачиваются на понятии, которое психологи называют схемой — умственной структуре, фиксирующей общую организацию родственных переживаний. На нейронном уровне это описывают как нейронные корреляты схемы (NCS): стабильные паттерны активности, которые повторяются, когда в разных контекстах применяются схожие правила. Главный вопрос в том, как мозг может сохранять эти стабильные паттерны, ускоряющие дальнейшее обучение, при этом не становясь чрезмерно жёстким и неспособным адаптироваться к изменениям. Эта дилемма — стабильность против пластичности — также представляет собой серьёзную проблему при проектировании искусственных нейронных сетей, которые должны учиться непрерывно, не «забывая» уже выученное.

Обучение макак новым правилам и возвращение к старым

Чтобы изучить это, трёх макак обучали задачам отображения «зрение → движение». В каждом испытании на сенсорном экране появлялось изображение, и после короткой задержки обезьяна должна была нажать одну из двух кнопок, например вверх или вниз, чтобы получить награду. В каждой сессии животные сначала изучали одно новое соответствие между изображениями и действиями (задача A), затем ещё одно или два новых соответствия (задачи B и иногда C), затем возвращались к исходному соответствию (Revisit-A), а в некоторых случаях в конце изучали обратное исходному правило (Reverse-A), когда те же изображения требовали противоположной кнопки. Пока макаки работали, исследователи регистрировали активность сотен нейронов в дорсолатеральной премоторной коре — области, участвующей в планировании движений и принятии решений.

Когда похожие задачи даются легче — но противоположные правила даются труднее

С точки зрения поведения, макаки продемонстрировали классический эффект «обучения к обучению». Новые, но схожие задачи (B и C) осваивались быстрее, чем первая задача A, а при возвращении к исходному соответствию (Revisit-A) они переучивались ещё быстрее. Напротив, обратное соответствие (Reverse-A), которое прямо противоречило ранее выученному, давалось дольше. Такая картина указывает на то, что предыдущие знания помогают, когда новые задачи разделяют ту же базовую логику, но могут замедлять обучение, когда новое правило конфликтует со старым. Нейронные записи пролили свет на причины: они показали, какие аспекты задач кодировались в стабильных, повторно используемых паттернах, а какие допускались к изменению.

Отделение стабильных выборов от меняющихся впечатлений

С помощью продвинутых методов анализа авторы разложили популяционную активность в премоторной коре на два основных «подпространства» — наборы паттернов нейронной активности, несущие разные типы информации. Одно подпространство отражало решения макак (например, выбор верхней против нижней кнопки). Другое подпространство фиксировало подробности визуальных изображений. В подпространстве, связанном с решением, одни и те же выборы формировали стабильные, низкоразмерные траектории, которые повторно использовались в задачах A, B, C и Revisit-A, даже когда изображения менялись. Чем более похожими были траектории между новой задачей и исходной, тем меньше попыток требовалось обезьяне для её освоения. Напротив, в обратной задаче эти траектории решений не переиспользовались: нейронные траектории смещались, и обучение шло медленнее. Между тем визуальное подпространство изменялось свободнее от задачи к задаче и не демонстрировало подобного стабильного повторного использования.

Сохранение информационных потоков почти под прямым углом

Выдающаяся находка — геометрическое соотношение между этими двумя подпространствами. Математически они были почти ортогональны — располагались в пространстве нейронной активности под углами, близкими к 90 градусам. Такое почти прямоугольное расположение означает, что изменения в представлении визуальной информации минимально влияют на паттерны принятия решений и наоборот. Другими словами, мозг, по-видимому, хранит стабильные, повторно используемые схемы решений в одной области, позволяя другой области оставаться гибкой для новых сенсорных деталей, при этом отделяя эти два потока достаточно, чтобы избежать взаимных помех. Такая архитектура может быть общим принципом, встречающимся в различных областях мозга, вовлечённых в сложное поведение.

Что это значит для мозгов и машин

Для широкого читателя вывод таков: мозг, по-видимому, решает дилемму стабильности и пластичности посредством тщательной организации внутренней активности. Он сохраняет «сущность» правила — действовать тем или иным образом — в защищённом, стабильном подпространстве, оставляя при этом место в других подпространствах для учёта новых визуальных сигналов и ситуаций. Похожие задачи можно быстро усвоить, повторно используя существующий шаблон решений, тогда как прямо противоположные правила требуют построения новой схемы с нуля. Помимо объяснения того, как животные эффективно учатся на опыте, работа даёт идеи для создания систем искусственного интеллекта, которые, подобно мозгу, могут и запоминать важное, и гибко адаптироваться к новому.

Цитирование: 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

Ключевые слова: обучение схемам, нейронные представления, когнитивная гибкость, визуомоторное обучение, стабильность пластичность