BRAIN / BRAIN × AI20 SEP 2026

脑科学与AI126｜同一群神经元，先记一个声音，再记一个打算：大脑复用的是「记住」这道工序

一只老鼠先听一个音，隔一秒再听一个音，然后决定舔不舔水嘴。第一秒里它要记住「刚才那个音是高是低」，第二秒里它要记住「待会儿要不要舔」。前一样是过去的声音，后一样是将来的动作，内容完全不同。麻省理工的苏尔和普林斯顿的布施曼两个团队 2026 年 8 月在《自然·神经科学》上报告：在内侧前额叶，管这两样记忆的是同一群神经元、同一个活动方向。AI 那边，训练一个网络同时做很多任务，也会长出这种可以反复拿来用的零件；但什么时候长、长成什么样，条件比想象的多。

大脑复用的单位是「操作」，不是「内容」：同一群神经元负责「把东西留住」，留的可以是声音，也可以是打算。AI 多任务网络也会长出这种零件，但要有约束逼它长。

记忆复用

声音和打算同一方向

按时调用

只在当班时要紧

对照 AI

约束逼出零件

BRAIN / 01

一、问题：每学一件新事，要不要新建一套电路

人一天里要临时记住的东西五花八门：一个电话号码、一句指路、待会儿要去买的菜。神经元数量有限，不可能每种内容配一套专用的「记住电路」。理论上的解法叫组合性：把认知拆成几道工序（接收、保持、比较、出手），每道工序做成一个零件，新任务只是把旧零件换个顺序接起来。

这个想法在 AI 里先有了证据。2019 年杨光宇、王晓京等人在《自然·神经科学》上训练一个循环神经网络同时做 20 个经典认知任务（工作记忆、决策、分类、抑制），训练完发现网络里的单元自己分成了若干簇，各簇专管某类工序；需要同一道工序的任务，用的是同一簇单元。大脑里有没有这回事，一直缺直接证据，因为动物实验通常一次只练一个任务。

BRAIN / 02

二、实验：两段延迟，两种内容

作者设计了一个「延迟匹配、延迟作答」任务（以下数字取自 2025 年 9 月的预印本，正式发表版可能小有调整）：

—先放一个 0.3 秒的纯音，高音 14 千赫或低音 3 千赫；

—等 1 秒（延迟一），老鼠得记住这个音；

—再放第二个音，判断两个音是否相同；

—再等 1 秒（延迟二），这时它记的已经不是声音，而是「待会儿舔还是不舔」；

—相同就舔水嘴得水，不同还舔就被吹一口气、罚停 7 秒。

5 只老鼠 53 个训练日，正确率约 76%。作者用高密度探针同时记录内侧前额叶（515 个神经元）和后顶叶（241 个神经元）。

BRAIN / 03

三、发现：一个「记住」的方向，两种东西都往里放

分析方法是「换着考」：用延迟一的活动训练一个分类器，让它分出「记的是高音还是低音」；然后拿这个分类器去读延迟二的活动，看它能不能分出「要舔还是不舔」。

—在前额叶，能读出来，反过来也行。记过去声音的方向，和记将来动作的方向，是同一个方向。延迟期越往后，两个方向夹角越小，越重合。

—重合得越好，老鼠做得越准。前额叶里这个夹角和行为正确率相关；后顶叶里没有这种关系，后顶叶这个共享方向本身也弱得多。

—只在干活时才这样。同一批老鼠在不需要作答的被动听音阶段，这个共享的记忆方向就读不出来了。而「接收声音」的方向在主动、被动两种情况下都在。也就是说，「接收」是常开的，「记住」是按任务调用的。

—这个方向背后是一簇具体的神经元。把每个神经元在各阶段、各条件下的反应排成一个 16 维的向量，前额叶的神经元不是均匀散开的，而是聚成 4 簇（后顶叶 3 簇）。其中一簇 312 个神经元主要在放音时出力，另一簇 77 个神经元主要在两段延迟里出力，两段记的内容不同，出力的是同一簇。这些簇在放电波形和解剖位置上分不开，更像是网络运行中分出来的工种，不是天生长在不同位置。

还有一个小细节值得记：在这个共享的记忆方向上，「低音」和「舔」对齐在同一边。作者的解释是训练顺序：老鼠一开始只练过低音开头的组合，低音最早和「舔有水」连在一起。零件是复用的，但零件上留着学习的先后。

BRAIN / 04

四、因果这一步，是在模型里做的

只看相关还不够，得把这簇关掉看看。作者没有在老鼠身上做定点关闭，而是训练了 20 个循环神经网络，让网络里的单元分别去模仿那 312 个和 77 个神经元的放电曲线，网络本身也要完成任务。然后在网络里按时间段关掉某一簇：

—放音时关掉「接收簇」，网络成绩下降；放音时关掉「记忆簇」，几乎没影响。

—延迟期关掉「记忆簇」，网络成绩下降；延迟期关掉「接收簇」，影响小。

—某一簇不当班时关掉它，没有损伤。

一簇只在自己当班的时候要紧，这就是模块化的样子。作者自己也说下一步要在动物身上按时段关掉这些簇，那才是真正的因果检验。

BRAIN / 05

五、对照 AI

一、多任务网络确实会长出可复用的零件。除了上面杨光宇等 2019 年那篇，德里斯科尔、谢诺伊、苏西洛 2024 年在《自然·神经科学》上把这种零件说得更具体：网络里反复出现的是「动力学基元」，比如一个吸引子把状态稳住（相当于记住）、一条决策边界、一次旋转。凡是需要记住一个环形变量的任务，都复用同一个环形吸引子。关掉对应的单元簇，只坏掉用到这个基元的那几个任务。网络学会一批任务以后，再学新任务会快很多，因为新任务多半只是旧基元换个接法。这和老鼠这篇的结论是同一个形状：零件按工序分，不按内容分。

二、但零件成不成簇，取决于约束。德里斯科尔那篇有一个容易被略过的条件：只有当单元的激活被限制为非负（像真实神经元的放电率那样不能为负）时，基元才落在一簇一簇的单元上；不加这个限制，同样的基元照样有，却摊在许多单元上，分不出这样清楚的簇。神经科学里也有对应的争论：不少研究发现神经元是「混合选择」的，每个神经元掺着多种信息，并不成簇。本篇作者的解释是任务类型：要求同一个输入在不同情况下对应不同输出的任务（这里第一个音该不该舔，要看第二个音），更容易逼出分簇；输入直接对应动作的任务就不需要。这一条和 2022 年杜布勒伊、瓦伦特等人在网络上的理论结论一致。

三、大模型的「专家」名字叫模块，实际未必按工种分。今天的大语言模型常用「混合专家」结构：每一层有若干个前馈块，叫专家，路由器为每个词挑两个来算。名字听上去像是一个管数学、一个管代码。米斯特拉尔 2024 年公布 Mixtral 时自己做了路由分析，结果是专家并没有明显按领域分工，论文、代码、生物医学摘要、哲学文本用到的专家分布差不多，只有一份数学题数据集略有不同；路由更多跟着句法走（比如代码里的缩进、某些固定词）。这提醒我们：给系统画上模块的框，不等于它按我们想象的方式分工；反过来，老鼠前额叶里那个「记住」的簇，也是分析出来的，不是谁画上去的。

四、对设计 AI 的启发（本系列的推测，论文没有检验）。如果真正可复用的是工序而不是内容，那么让一个智能体更容易学新任务的办法，可能不是给它更多按领域划分的专家，而是让「保持」「比较」「切换」这几道通用工序各有稳定的落点，并按任务调用它们。老鼠在被动听音时不调用记忆簇，这一点也值得借：零件常在，但只在当班时接进回路。

BRAIN / 06

六、边界

—动物只有 5 到 6 只，任务只有一个，只有两种声音、两种动作；「记住」这个零件能不能跨更多种内容、更多任务复用，这篇没有测到。

—因果证据来自模型，不来自动物。而且网络单元是被训练去模仿每一簇的放电曲线的，「关掉某簇坏某事」有一部分是这种训练方式本身带进来的，比在动物身上直接关掉要弱。

—「共享方向越重合、成绩越好」是相关，不能证明是重合导致成绩好。

—本文第五节第四条是本系列的推测；Mixtral 那段依据的是开发方自己的路由分析，只针对那一个模型。

BRAIN / 07

七、出现什么，说明这篇错了

—在老鼠身上按时段关掉那 77 个神经元那一簇，延迟期的记忆不受影响，或者放音期也一样受影响：那就不是「只在当班时要紧」的模块，本篇的核心说法要收回。

—换成三种以上内容（声音、位置、动作）都要记住的任务，前额叶不再复用同一个方向，而是各用各的：那「复用的是操作不是内容」只在这个两段任务里成立，不能推广。

BRAIN / 08

八、自测：合上文章回答

—「换着考」是怎么证明两种记忆用的是同一个方向的？

—为什么说「接收」常开、「记住」按任务调用？证据是哪一条？

—多任务网络里的零件，在什么条件下才会一簇一簇地落在单元上？

本篇是「脑科学 × AI」系列第126篇（2026-11-06），自选题，读的是一篇新近论文，承接第119、124篇。实验数字取自该论文 2025 年 9 月预印本，正式发表版可能小有调整；「关掉某簇坏某事」只在模型里做过，动物身上的定点关闭尚未做。第五节第四条「AI 该让通用工序各有落点」是本系列的推测，论文没有检验。

阅读依据（2026-11-06 回查）：Osako, Heller, Ährlund-Richter, Buschman & Sur, Reusable modular architecture enables flexible cognitive operations in the mouse brain and artificial recurrent networks, Nat Neurosci 2026;29(10):2588–2598（PMID 42608572；预印本 Research Square rs-7420993 v1，2025-09-19，实验数字据此）；MIT News 2026-08-17 报道；Yang, Joglekar, Song, Newsome & Wang, Task representations in neural networks trained to perform many cognitive tasks, Nat Neurosci 2019;22:297–306；Driscoll, Shenoy & Sussillo, Flexible multitask computation in recurrent networks utilizes shared dynamical motifs, Nat Neurosci 2024;27(7):1349–1363（PMID 38982201）；Dubreuil, Valente, Beiran, Mastrogiuseppe & Ostojic, The role of population structure in computations through neural dynamics, Nat Neurosci 2022（据 Osako 文转引）；Jiang et al., Mixtral of Experts, arXiv 2401.04088（2024，第5节路由分析）。回引第119、124篇。