人们在训练和工作中常会发现一个现象：掌握某项技能后，面对相似的新任务往往能更快上手、少走弯路；这种从既有经验中提取共性、迁移到新情境的能力，被认知科学称为"学习迁移"，是提升训练效率和教育质量的关键。但在神经科学层面，一个根本问题一直未解：大脑如何在保留既有知识的同时，又能适应不断变化的新条件？过度稳定会难以适应，过度灵活又会破坏已有经验。 这项研究提供了新的线索。研究团队以猕猴为模型，训练其完成诸多视觉—运动映射任务。随着训练深入，猕猴在后续同类任务中的学习速度明显提高，表现出对任务抽象结构的提取和复用能力。这说明猕猴不仅记住了刺激与动作的对应关系，而是形成了更高层次的规则理解，能在刺激变化时保持学习优势。这与人类的"举一反三"现象相呼应。 研究针对于背侧前运动区（PMd），此脑区与决策、动作准备和规则引导的行为密切涉及的。数据显示，神经群体活动在学习过程中自发组织出两个几乎相互正交的表征空间：一个是相对稳定的"决策子空间"，呈现低维的神经活动结构，用于编码任务的核心决策逻辑；另一个是相对独立的"感觉子空间"，用于承载当前情境下的具体感觉特征和刺激差异。 这种"近乎正交"的组织方式直接回答了"稳定与灵活如何兼得"问题：当视觉刺激改变但决策规则不变时，大脑主要沿用决策子空间中已形成的稳定活动模式，实现对规则结构的复用；当任务条件变化需要适配新刺激时，感觉子空间承担更新与调整的负荷，减少对核心决策结构的扰动。两类信息在不同子空间中并行处理，相互干扰被压缩到最低，既保证了经验的可继承性，也保留了对变化的敏捷反应。 从机制看，大脑学习并非不断覆盖旧记忆，而是建立一套可复用的规则骨架，并为变化部分预留独立的表达通道。心理学中的"图式"不是固定的内容清单，而是结构化的经验组织方式。研究揭示的表征空间分离为图式的神经实现提供了可检验的路径：稳定的抽象结构被压缩在低维空间中，便于跨任务调用；可变的具体特征被安置在相对独立的通道中，便于快速更新。 这一发现对基础科学和工程应用都有意义。现实中的连续学习常面临一个难题：新任务的学习容易冲击旧任务的表现，导致"学了新的、忘了旧的"。灵长类大脑通过表征空间的功能分工与隔离，实现了知识的稳定复用与信息的灵活扩展并存。对智能算法设计而言，这提示在系统结构上为"稳定规则"和"可变特征"建立清晰的分离机制，可能有助于提升连续学习能力、降低相互干扰，在多任务环境中保持长期可靠性。 后续研究可在三个方向推进：一是检验该机制在更复杂任务、更多脑区协同下的普适性，明确哪些条件会触发表征空间的重组；二是推动跨学科合作，将神经表征分离的思路抽象为可工程化的模型约束与训练策略，为多任务学习和迁移学习提供新工具；三是探索医学与康复领域的应用，理解脑损伤或神经退行性疾病中"学得会但用不出"等症状是否与表征空间的分工受损有关。 随着大规模神经记录、计算建模与行为实验的结合深入，对"学会学习"的理解将从现象描述走向机制刻画。这项研究把"稳定—灵活"这一经典矛盾具体化为可观测、可分析的神经组织规律，为理解高阶学习能力提供了新框架。若能更明确其因果关系，并在不同个体和任务类型中验证其一致性，将有望推动认知科学、脑科学与智能技术的协同发展。
大脑的学习机制包含着深刻的智慧。从"表征空间分离"这个神经组织原理中，我们看到了自然进化的精妙设计，也看到了人工智能发展的可能方向。这项研究不仅回答了"大脑如何学习"的科学问题，更为探索智能的本质提供了重要参考。随着神经科学与人工智能的深度融合，来自大脑的启示将推动智能技术的革新与进步。