当我们记忆一连串的数字、动作、声音等信息时，我们的大脑进行着如此有趣的活动：在短短几秒钟内，一群细胞根据输入的信息组成带有时间戳的“抽屉”，将这些信息依据输入的先后顺序存储下来。

　　论文主要作者王立平、闵斌、胡沛烑、谢洋（从左至右）在讨论课题 

　　这些记忆“抽屉”中的信息，还能根据需要被重新调用、组合。神经元这种分工合作方式，就像一支交响乐队协同演奏出时序记忆的交响乐。这无疑为理解大脑的认知功能带来了一些新的启示。于是，记者与论文主要作者之间，有了下面这些“脑洞大开”的问答（Q&A）。

　　Q：有的人听一遍歌就会唱，看一段舞就会跳，这部分人群的序列工作记忆能力是不是特别强？ 

　　A：实际上，很难说有人天生能做到一遍就学会歌曲或舞蹈这样复杂的序列。这背后往往是有足够的相关积累，使得有些人能够快速地建立新序列与已经掌握的序列模式之间的关联，或是将新的序列简化成更概括的抽象结构。

　　简单来说，大脑的序列工作记忆容量是有限的，一般情况下只能同时记住四五个不同的内容。当然，记忆容量越大，序列记忆能力确实会更强，但这并非序列工作记忆能力差别的主要来源。

　　要记住较长的序列，更重要的可能是去尝试提取序列中的抽象规则，用序列中元素的抽象关系来帮助压缩信息，这样序列记忆能力才会有显著提升。

　　比如，“5 4 7 3 3 7 4 5”这样一串数字，如果直接一个个数字来记的话，可能超过了我们的记忆容量，但如果我们发现了其中对称的抽象关系，就能轻松记住。实际上，我们在实验室也在训练猴子做这些任务的简化版本，期望能从神经元层面探索相关机制。

　　Q：有些人在某方面的序列工作记忆能力突出，这背后有没有先天的生理基础？这种能力可否后天训练获得？ 

　　A：虽然目前在序列记忆的专项训练方面还没有专门的研究，但有关工作记忆训练的研究已经有比较长的历史了。虽然目前在序列记忆的专项训练方面还没有专门的研究，但有关工作记忆训练的研究已经有比较长的历史了。

　　工作记忆的训练往往是通过练习一些特定的认知任务来完成。比如，我们可以设计一个类似本研究的空间序列记忆任务，但屏幕上依次闪现的点的数量可以不止三个，而是随着训练难度的加大而增加。

　　根据相关研究，进行过类似工作记忆训练的人群，在相关任务中的表现往往会有显著提升。例如，在用n-back任务进行工作记忆训练的人群中，很多人能够轻松完成10-back以上的任务，即记住10个以上的信息。

　　但是，现在学术界的主流观点是，成年人进行工作记忆训练所获得的成效很难有迁移效果。因此，就算我们在记忆空间序列任务上能够记住长度为10以上的序列，我们在记忆与语言相关的序列时，工作记忆表现并不会有显著提升。

　　所以，工作记忆确实是可以通过训练提高的，但训练效果一般只会局限于所训练的任务和极其类似的任务。一些更偏门的记忆训练，如记忆扑克牌组之类，迁移效果则更加有限。

　　目前为止，科学家还未能找到可显著提高总体工作记忆容量的训练方法。如果人们希望能更高效地处理和记忆某类序列信息，最好的方法还是集中对该任务进行训练，或者对该类序列积累更多的知识和经验，以便快速提取其中的抽象规则。

　　Q：大脑这种将信息先进行“降维”存储，再加以应用、组织、处理的方式，对于人工智能的发展有何借鉴意义？ 

　　A：这项研究的一大创新之处，就是对神经元在群体水平上进行分析，从而研究大脑的高级认知功能。其中的一个重要发现是，序列中的符号信息可以在神经网络中以一种解耦的方式进行表征。

　　我们每个人都具有符号运算的能力，这说明大脑神经网络是可以做符号运算的。但大脑究竟怎样表征符号信息、进行符号运算的呢？过往研究还没有弄明白，因此存在很多争议。

　　这次我们的研究发现，符号表征是可以转变成神经表征，并保持其原有几何结构的。如果找到了符号在神经网络中表征的可能方式，则意味着可以为人工智能领域“符号主义”与“连接主义”两大学派的融合找到一些契合点。在过往发展历程中，这两大学派相对独立发展，一直没有找到合适的兼容方式。近年来，越来越多的研究者开始关注两者的结合，这可能是实现通用人工智能的重要方向。

　　Q：如果符号在神经网络中可以进行运算，将会带来什么？ 

　　A：如果解决了符号在神经网络中的表征问题，那么就有可能在神经网络中更自然、更高效地实现符号运算。这意味着人工智能可能从目前模仿人的“快思维”，进入到模拟“慢思维”的阶段。

　　神经网络具有可学习、可编程的特性，这是符号系统所缺乏的。但神经网络在与下游交互时，却存在“黑盒”现象。这是因为我们目前还不是很清楚神经网络的工作机理，对于它哪些能做、哪些不能做，还无法明确其边界。我们的研究可以为探究“神经网络黑盒”的可解释性提供一些见解。

　　如果这个大难题得以解决，那么人类就可能将人工智能应用从现在的“皮毛”推向更深层。比如，有人质疑无人自动驾驶的安全性，一个重要的原因是人工智能很容易被图像所欺骗。这其实是因为我们还不了解人到底对符号信息是如何做决策的。如果有基于符号的神经网络的加入，或能帮助自动驾驶系统更好地理解规则，使系统做出更接近于人的判断，从而真正提高自动驾驶系统的安全性。

http://wenhui.whb.cn/zhuzhanapp/kjwz/20220225/451498.html