一个极简循环神经网络模拟交错练习对运动序列学习的稳健性

练习方式为何重要

当我们学习一项新的身体技能——比如弹钢琴、提高打字速度，或中风后重新学习移动——我们常以为重复越多越好。然而教练和治疗师长期注意到一个悖论：在练习中交替不同动作在当下往往感觉更困难，但以后表现更好。本研究使用一个简单的大脑计算模型来提出一个深刻问题：这种“混合”练习的好处能否仅由非常基本的学习机制产生，而无需任何复杂的生物学附加机制？

同一技能的两种练习方式

作者关注一个经典对比：两种练习风格。重复练习中，你在切换到下一个动作前反复练习某一动作序列——例如连续多次敲同一指序列。交错练习则将不同序列在每次试验中打乱，因此你不断切换要完成的模式。人们在重复练习中通常看起来更好，因为当前序列感觉更流畅、也更容易。但在后续测试中，交错练习组通常记忆更牢、并更能适应新情况。这种令人困惑的权衡类似于人工智能中著名的问题——灾难性遗忘：模型按顺序训练多个任务时，后学的会覆盖先前学到的内容。

一个受大脑启发的小型网络

为探究驱动这些差异的原因，研究者构建了一个极其简单的循环神经网络，称为Elman网络。它接收一段短小的“指敲”序列作为输入，并学习产生正确的敲击序列作为输出，模拟运动学习实验中使用的串行指敲任务。首先，他们用一组随机序列对该网络进行预训练，使其摆脱“婴儿”阶段。然后复制出两份完全相同的网络。一份在重复块中练习三个新序列，而另一份在每次试验中以交错顺序练习相同的三条序列。除了练习顺序外，两网络在学习规则和练习量等方面完全相同。

快速进步，脆弱记忆

在训练中，重复练习的网络更快地降低了错误率。每当引入新序列后，其性能在短暂调整期后迅速上升，并最终在最近训练的序列上超过交错网络。但当训练结束并测试所有三条序列时，情况更令人警醒：在重复练习下，第一和第二条序列在很大程度上被第三条覆盖。相比之下，交错网络在三条序列上的表现更均衡，表明其内部记忆痕迹不易被挤掉。当要求网络执行100条新的、未训练过的序列时也出现相同模式：两者的泛化能力都略有下降，但交错网络明显保持得更好，说明其内部表征不那么狭隘地针对已练习模式调优。

测试记忆的坚韧度

研究团队随后对两网络施加一系列“应力测试”，旨在模拟现实世界对记忆的挑战。他们逐步向网络连接中加入随机噪声、剪掉一部分连接（修剪测试），或迫使网络学习另外一条新序列并观察性能变化。在每种情况下，对最近序列的重复练习带来的明显优势都迅速消失：少量噪声、修剪或新学习就足以侵蚀这些收益，使性能降到与交错网络相当——甚至更低。相比之下，交错练习带来的泛化优势更具弹性，能在中等程度的噪声、修剪和额外训练下存续。在某些情况下，修剪甚至提高了泛化能力，这与那种“瘦身”网络能帮助其聚焦于更有意义模式的发现相呼应。

一个简单但影响广泛的原则

综合来看，结果表明，一个非常基础的循环网络——无需详细的生物学习规则或特殊的“上下文”模块——就能自然再现人类运动学习中观察到的交错练习关键特征。重复练习带来快速但脆弱的提升，建立在易受干扰且会干扰其他记忆的过度专门化内部编码上。交错练习迫使系统同时平衡多重情境，推动其形成更稳健、用途更广的表征，从而支持记忆保持与向新序列的迁移。对于日常学习者和康复专家，这项工作强化了一个实用信息：在练习中混合任务可能感觉更难、进展更慢，但它有助于大脑（以及受大脑启发的机器）构建更持久、更具适应性的技能。

引用: Song, Y., Kim, H. & Kim, T. A minimal recurrent neural network models the robustness of interleaved practice on motor sequence learning. Sci Rep 16, 10068 (2026). https://doi.org/10.1038/s41598-026-40162-w

关键词: 运动学习, 交错练习, 循环神经网络, 灾难性遗忘, 技能康复