近日，中国科学院脑科学与智能技术卓越创新中心 Gouki Okazawa 研究员与美国芝加哥大学薛澄博士合作，在国际期刊 Trends in Neurosciences 发表综述论文《任务依赖神经几何与计算的"整洁"与"杂乱"》（The 'neat' and 'messy' in task-dependent neural geometry and computation）。该综述系统梳理了大脑在灵活任务切换中的神经计算机制，概括了"整洁"的理论框架与"杂乱"的生物学现实并存的现状，并展望了整合两者的未来研究路径。

一、"整洁"的任务依赖计算框架

大脑在执行不同任务时，能够灵活控制信息流并调整计算策略。近年来，神经元群体活动分析与人工神经网络建模方面的进展，揭示了这一灵活性背后的"整洁"的计算原理。

神经元群体活动可在神经状态空间中被可视化为轨迹，其形态（即"神经几何"）受网络连接与任务背景信号的共同调控。研究发现，不同任务的神经群体活动往往占据不同的神经子空间或流形（manifold），对应不同任务的动力学现象，从而实现任务特异性的计算。

另外，大脑采用解缠（disentangled）与组合（compositional）编码策略来支持快速灵活的规则切换（图1）。"解缠"表征将不同任务变量以可分离的形式独立编码；"组合"表征则将复杂功能分解为可复用的基本计算模块。非人灵长类神经生理学研究与人工神经网络建模表明，解缠与组合编码能够支持快速任务切换、零样本泛化以及元学习。

图1：解缠与组合编码如何支持高效任务切换

二、"杂乱"的生物学现实

然而，上述"整洁"框架并不能解释任务控制中许多复杂的实验观测。综述将这些复杂性归纳为两个层面。

计算层面的次优任务切换：人类与动物在任务切换后往往表现出切换代价（switch cost），即反应时间延长、正确率下降。生理研究显示，猴的顶叶后皮层等脑区对任务状态的编码呈现出逐渐的过渡，而非即时的切换，这一特性会导致任务切换时，执行任务本身的准确度下降。值得注意的是，以任务性能为目标训练的标准循环神经网络（RNN）并不产生切换代价，只有直接拟合行为数据的RNN才能复现这一现象，说明任务切换代价源于生物特异性约束，而非出于完成任务需要。

实现层面的纠缠表征：解缠与组合编码并不必然出现在真实神经数据中（图2）。决策环路的动力学现象往往偏离"整洁"的理论。比如，对决策证据的编码并不一定由神经元发放率线性相关，实际神经几何往往形成弯曲流形，与该简洁模型存在偏差。又比如，实验中观察到的动力学现象往往不符合理想的模型动力学。此外，神经活动中普遍编码了大量任务无关变量，但这些信号与任务相关计算之间的相互影响机制目前仍不清晰。

图2：实现层面纠缠表征的实验证据

三、整合"整洁"与"杂乱"的未来研究方向

综述将当前研究格局比作从不同角度观察一件复杂雕塑（图3）：某些视角下呈现出清晰的结构（"整洁"），另一些视角则呈现出难以解读的复杂性（"杂乱"）。基于这一类比，作者提出两条互补的未来研究路径。

假说驱动路径（拓展"整洁"框架）：通过改进任务设计、神经分析方法和计算模型，将表面的"杂乱"纳入更完善的规范性框架加以解释。例如，次优行为在特定约束条件或目标函数下可能实为最优策略；在网络模型中引入更符合生物学的约束与目标函数，有望更好地对齐神经数据。

数据驱动路径（包容"杂乱"的现实）：利用人工神经网络直接拟合行为与神经数据，构建捕捉系统完整复杂性的代理模型。这类数据驱动模型可作为揭示隐藏内在动力学的工具，并为未来从中提炼可解释计算原理提供基础。

上述两条路径最终指向同一目标：构建既具可解释性、又能忠实捕捉大脑任务依赖计算的统一模型，并有望为认知灵活性相关的神经精神疾病的转化研究提供新思路。

图3：整合"整洁"与"杂乱"的两条未来研究路径