大脑“认知乐高”：你曾学会的每一样东西，都是下一次学习的积木

本文来自微信公众号： 快刀青衣 ，作者：快刀青衣，原文标题：《大脑「认知乐高」：你曾学会的每一样东西，都是下一次学习的积木》

借助AI，在已知边界不停往外推一步。

人们在用AI的时候，会发现一个很违和的事情：从ChatGPT到DeepSeek，现在都能写出让评委打高分的论文，但你让它学一款简单的新棋盘游戏，它往往需要几千条新的训练数据；而你只需要五分钟听完规则，五分钟下两盘就会了。

这个差距从哪儿来？这是普林斯顿大学的神经科学家在《自然》杂志上发表的一篇研究给出的答案：人类大脑会反复使用同一套「认知积木」。

他们把这个机制叫做：认知乐高（Cognitive Lego）。

研究团队找来了两只雄性恒河猴，让它们盯着屏幕做视觉分类任务。屏幕上会出现一些气球状的彩色图形，猴子要完成两类判断：形状上更像兔子还是字母T？颜色上更偏红还是偏绿？判断完之后，用眼睛朝特定方向看来「报告答案」。

听起来不复杂，但实验设计里有一个非常精妙的地方。研究人员设计了三个任务：S1（判断形状、用A套手势回答）、C1（判断颜色、用A套手势回答）、C2（判断颜色、用B套手势回答）。

S1和C1问的问题不同，但回答方式相同；C1和C2问的相同，但回答方式不同。这样的设计，让研究者能观察到一件关键的事：当两个任务共享某个组件时，大脑处理这个组件的神经活动，是不是也会共享？

为了回答这个问题，他们同步记录了五个脑区的神经元活动——外侧前额叶皮层、额叶眼动区、顶叶皮层、前下颞叶皮层，以及纹状体，总共追踪了数百个神经元。这种规模的多脑区同步记录，是相当大的工程量。

然后他们在数据里发现了一件让人兴奋的事：在前额叶皮层里，存在一些反复出现的神经活动模式。

每当猴子需要判断颜色，无论是在C1还是C2任务里，负责颜色处理的那批神经元，会呈现出几乎一模一样的活动模式。换到形状判断时，另一批神经元又会被调用，同样的模式再次出现。

这些可以被反复调用和组合的神经活动模式，就是研究者说的「认知乐高」。

蒂莫西·布什曼（Timothy Buschman）博士给了一个我觉得非常好的比喻：

❝

你可以把每一块认知乐高想象成电脑程序里的一个函数。有一组神经元专门负责「区分颜色」，它的输出结果可以接到另一组神经元上，那组神经元负责「驱动眼睛往某个方向看」。大脑执行一个任务，本质上就是按顺序调用这几个函数，把它们串联起来。

咱们用一个更生活化的比方就是：假如你已经会烤面包，那第一次学做蛋糕时，你不需要从零开始。你已经掌握了「怎么用烤箱」「怎么量食材」这些模块，只需要新学「怎么打发奶油」「怎么调面糊」，然后把新旧模块拼在一起，就能做出蛋糕了。

大脑做的正是这件事：它不重复造轮子，而是把已有的轮子装到新的车上。

更关键的是，这种模块化的复用现象，主要发生在前额叶皮层，而不是其他脑区。这说明，前额叶皮层可能承担着一个特殊角色：它不只是处理信息，而且负责调度和组合这些认知模块。

研究者把这种能力叫做「组合性」（Compositionality）：面对新任务时，不从零开始，而是把已有的认知块重新排列组合。这可能正是人类能够快速上手新事物的核心原因之一。

说到这里，我觉得有必要停下来，认真聊几个研究团队从这个发现里可以延伸出来的洞察。

大脑不只会「调用」，还会「压制」

第一个洞察，也是我觉得最有意思的：大脑不只会「调用」一些模块，还会主动「压制」另一些模块。这是组合性的另一面——不只是能拼，还要知道什么时候不拼。

研究里有一个细节很容易被忽略：当猴子专注于形状判断任务时，前额叶皮层不只是激活了「形状处理」的那块认知乐高，与此同时，它还主动降低了「颜色处理」模块的活跃程度。也就是说，猴子识别颜色的能力，被大脑短暂地「关小了声音」。

大脑的认知容量是有限的，你必须压缩一部分能力，才能让另一部分跑得更专注。就像你同时在听播客、看字幕、还要回消息，大脑的解决方案就是「主动把暂时不用的那个窗口最小化」。

这让我想到一个问题：当前的AI有这种能力吗？

大多数标准神经网络是缺乏这种能力的。今天的神经网络在处理任务时，整个网络的权重基本都是「全员在场」的状态，没有机制去主动压制不相关的部分。

更极端的情况是你熟悉的「灾难性遗忘」：AI学了新东西，可能会把旧东西覆盖掉。这不是「暂时搁置」，而是「真就忘了」。

所以大脑和AI之间，其实存在一个被低估的差距：大脑，哪怕是猴子的大脑，都有一个精细的「专注力开关」，能根据当前任务动态地开启和关闭不同的认知模块。而AI目前只有「全开」和「覆盖」两种状态，没有中间态。

这个「主动遗忘」的能力，准确说是「有控制地暂时搁置」的能力，可能是AI迈向真正认知灵活性的一块缺失的拼图。

灾难性遗忘，可能是「存储方式错了」

第二个洞察：灾难性遗忘的根源，可能不是「记得太少」，而是「存储方式错了」。

AI的灾难性遗忘问题，业界已经讨论了很多年。常见的解法是：加大模型、增加数据、设计防遗忘的训练策略。但普林斯顿这个研究给了一个不同的视角：问题或许根本不在于记忆容量，而在于知识如何被存储。

大脑的做法是把不同的知识封装在相互独立的神经子空间里。你可以把它想象成一栋公寓楼：每种知识住在自己的房间里，房间之间有走廊相通，但各自的家具不会跑到别人家去。颜色判断住一间，形状判断住一间，眼动控制住一间。

学新任务的时候，大脑只是在走廊里新开一扇门，把几个房间连起来，而不是把隔壁的家具搬过来重新摆。

但当前的深度学习模型不是这样工作的。一个神经网络在学会烤蛋糕之后，如果你再训练它学做饼干，它会调整整个网络的权重来适应新任务。

而这个调整过程，会把之前为了学烤蛋糕而形成的权重配置破坏掉。因为蛋糕和饼干的知识住在同一片「地」上，后来的会把前面的挤走。

进一步说，这个洞察指向的方向是：解决灾难性遗忘，可能不需要更大的模型，而需要更模块化的存储架构。也就是让不同的知识住进相互隔离的「子空间」，新知识在新地方生长，而不是覆盖旧知识。

当然，这里我必须要说的是，这篇研究发表于2025年下半年。

在做这个实验的时候，科学家们肯定没预料到今年上半年，以OpenClaw为代表的一大批AI智能体系统异军突起，其中大家玩命攻克的一个重要方向就是「让AI拥有记忆」，而且现在已经有了很大突破。

大模型缺少一个「前额叶皮层」

第三个洞察：前额叶皮层更像一个「认知操作系统」，而不是一个「仓库」。换句话说，它就是那个专门管理组合性的调度员。

过去，神经科学界对前额叶皮层的主流理解是：它是工作记忆和执行控制的中心，负责临时存储信息、抑制冲动行为、做高层次决策。但这项研究提供了一个更动态的视角。

前额叶皮层的核心功能，与其说是「存东西」，不如说是「管调度」。它更像是一个操作系统，知道什么时候该调用哪个程序，知道哪些程序可以同时跑，知道哪些程序要暂时挂起。

它管理的不是知识本身，而是知识之间的组合关系和调用逻辑。

这个视角延伸到AI领域，有一个很有意思的含义：当前大模型的架构里，其实缺少一个类似「前额叶皮层」的组件。

现在的大模型里，参数存储和任务调度常常是混在一起的，没有一个专门的「操作系统层」来动态管理不同知识模块的组合方式。DeepSeek让MoE（专家混合）架构广为人知，这种架构让不同的子网络处理不同类型的问题。

不过，它还缺少像前额叶皮层那样，能感知整体任务语境、动态调度模块组合的能力。这可能也是为什么大模型在单一任务上很强，但在跨任务、多步骤推理上还是经常掉链子。

所以，对于很多AI产品来说，真正需要的可能不只是更多的参数，而是一个更像前额叶皮层的「认知调度器」。

我觉得这个问题值得认真想一想。现在，不管是Claude Code，还是OpenAI的Codex，其实都在往这个大方向上迭代。

用AI，在已知边界不停往外推一步

最后，聊一件和你直接相关的事。这三个洞察，说的都是大脑的机制。但其实，你每天用AI的方式，和认知乐高的逻辑是完全相通的。

大脑的学习方式是：用已有的模块打底，遇到新东西时多连接一条线，再拼出一个新的组合。

2019年，《自然·通讯》上的一项研究提出了「85%法则」：最优学习发生在85%已知、15%未知的时候。太简单学不到东西，太难又会放弃，刚好在已知的边界上往外推一步，是效率最高的状态。

认知乐高说的，本质上也是这件事：它不是每次都从零开始，也不是坐在那里什么都不动，而是在已知的边界上，不停地往外推一步。

我们用AI的时候，其实可以做一模一样的事。每个答案旁边，其实都有好几扇门，你只要多问一句，就能推开它，走进一个新世界。

就拿今天为例，我看这篇论文的时候，文章里提到实验用的是雄性恒河猴，我冒出一个好奇的问题：为什么偏偏选恒河猴？猴子在大脑研究里，到底有过哪些重要的贡献？

我把这个问题扔给AI，在收到的研究清单里，突然看到了一个我之前就知道但从没认真追过的研究，是关于多巴胺的。

1990年代，研究者沃尔弗拉姆·舒尔茨（Wolfram Schultz）在猴子身上发现：多巴胺神经元的激活，不是在「收到奖励」的时候，而是在「预期会收到奖励」的那一刻。如果预期的奖励没来，多巴胺反而会被压制。

这个发现后来与强化学习算法高度吻合——也就是说，今天的AI训练方式，和猴子大脑里的这套机制，在结构上高度相似。

你看，这是我在读一篇讲「认知乐高」的论文时，完全没有预期会走到的地方。

认知乐高的意义不只是一个神经科学的发现。它描述的是一种学习姿态：你永远有一些已经组装好的模块，每一次好奇心推开一扇新门，就是在往这套积木里加一块新的积木。

时间长了，你能拼出的东西，会比你想象的复杂得多。现在我们手边有AI，这件事变得比任何时候都容易做到。每次你问完问题，不妨再多往前走一两步。

AI时代，最重要的是好奇心，而好奇心其实不需要什么天赋——只需要遇到问题，多问一句就可以了。

#大脑认知乐高你曾学会的每一样东西都是下一次学习的积木