走神反能提升学习力？Nature｜无目标走神状态，能通过高级视觉皮层的无监督预训练重塑神经表征，加速后续学习效率

在会议室里听着冗长的汇报，视线不自觉地聚焦在窗外摇曳的树枝上；深夜阅读专业书籍时，突然想起童年老宅门廊的风铃声……这些被我们视为“注意力涣散”的瞬间，可能正是大脑在高效运作。

2025年6月发表在Nature期刊的一项开创性研究，彻底颠覆了对“走神”的认知。美国霍华德·休斯医学研究所的团队发现：当生物体处于无目标导向的“放空”状态时，视觉皮层正悄然进行着深度信息重组。这种被称为“无监督学习”的神经机制，不仅独立于传统奖励系统存在，甚至能加速后续任务学习——就像大脑在后台自动完成数据预处理。

DOI：10.1038/s41586-025-09180-y

无监督学习的神经证据

实验设计极为精巧：研究者训练小鼠在虚拟现实走廊中辨别两种纹理（如“树叶”与“圆圈”），成功辨别可获得水分奖励（任务组）；另一组小鼠则在完全无奖励的情况下自由奔跑于相同环境（无监督组）；光栅对照组则暴露于简单条纹图案。通过双光子介观显微镜记录发现：

任务组小鼠在2周训练后，内侧高级视觉区（如PM、AM、MMA） 出现了大量对特定纹理敏感的神经元（选择性指数d'≥0.3），这与它们的行为学习同步发生。令人震惊的是，无监督组小鼠的相同脑区也出现了几乎完全一致的神经可塑性变化。

也就是说，尽管无监督组小鼠无需完成任何任务，也未获得任何奖励，它们的视觉皮层却像任务组一样，自发形成了对纹理特征的选择性编码。

视觉皮层在监督和无监督训练后的可塑性

走神状态的神经机制

关键发现藏在细节中，当研究者用Rastermap算法分析神经元集群活动时，发现只有任务组小鼠的前侧高级视觉区出现了独特的“奖励预测信号”。这类神经元会在奖励即将到来前激活，并在获得奖励后迅速抑制。

而无监督组小鼠完全缺乏此类信号。这意味着：

• 任务学习依赖前侧脑区的监督信号（关联刺激与奖励）

  
  

• 无监督暴露则在内侧视觉区构建纯粹的刺激表征

这样也就不难理解，为什么学生上课走神时，虽然没刻意听讲，但大脑仍在对教室环境进行“无标签学习“。当老师突然提问，前期无意识建立的表征会让人更快理解问题。

在监督训练中特有的奖励预测信号

预训练的加速效应

传统理论认为，感觉皮层的可塑性需要行为奖励驱动。但本研究揭示：单纯暴露于视觉刺激，就足以重塑高级视觉区的神经表征。为验证其功能意义，团队设计了终极实验：让新小鼠群经历10天无奖励预训练（仅在VR走廊自由奔跑），再进入5天奖励任务训练。

结果发现：自然纹理预训练组（VRn）在首日任务训练即表现出显著区分能力（舔舐正确率差值达40%），而无预训练组小鼠仍在随机舔水；光栅预训练组（VRg）学习曲线与无预训练组重叠，证明加速效应依赖特定视觉特征。

看来，这一机制的核心在于“表征预优化”：无监督学习在高级视觉区构建了精细的纹理特征探测器（如“叶状结构”的抽象编码）。当任务学习启动时，这些预训练的神经元只需微调即可关联奖励信号，而无需从零构建感知表征。

无监督预训练加速后续任务学习

走神的学习优势机制

该研究揭示了走神价值的三大神经基础：

（1）刺激压缩与去冗余

暴露于相同刺激时，大脑会自动优化信息编码。例如小鼠反复看到“树叶1”后，其视觉皮层会抑制对常见特征的响应（如叶脉基础模式），转而强化对鉴别性特征（如边缘锯齿）的编码。这种压缩使后续识别更高效。

（2）潜在表征建立

当新刺激“树叶3”出现时，预暴露组小鼠的神经元会将其归类到已有表征中。就像人类走神时瞥见陌生叶片，大脑会自动关联到已知的“树叶”范畴，而非完全从头处理。

（3）错误驱动的隐式学习

尽管无监督组没有外在奖励，其神经元对意外刺激仍保持敏感。例如当纹理位置突然调换，外侧视觉区立即出现强烈响应。这种对偏差的自发检测，正是无监督学习的核心驱动力。

对人类学习的启示

该研究解释了诸多日常现象：

• 顿悟时刻：散步时突然解决难题，源于走神期间的无监督表征积累

  
  

• 预习效应：提前浏览教材的学生正式学习更快，因视觉皮层已初步编码信息

  
  

• 环境熏陶：沉浸在外语环境中即使“没认真学”，大脑也在建立语音表征

这也解释了为何强迫性“专注”有时适得其反——当大脑被剥夺自主探索空间，反而削弱了内在学习动力。

看来，当我们凝视天空发呆，或是漫无目的地散步时，大脑正进行着高效的信息压缩与表征构建。那些曾被斥为“懒惰”的走神时刻，实则是神经可塑性悄然重塑的关键期。而无监督学习的魔力在于其自主性与无压力——没有考试目标的驱动，没有错误惩罚的焦虑，大脑反而能建立更普适的表征。

参考资料：

Zhong, L., Baptista, S., Gattoni, R. et al. Unsupervised pretraining in biological neural networks. Nature (2025).

已收藏 0

点赞 3