《Nature Communications》：Dynamically shifting from compositional to conjunctive brain representations supports cognitive task learning
编辑推荐：
为破解“练习如何优化大脑任务表征”这一核心谜题，研究者以fMRI追踪人类多任务学习全程，首次揭示练习促使皮层-皮下环路由早期依赖可重用组合编码（compositional）逐步转向任务特异联合编码（conjunctive），该转换伴随行为改善与模式分离增强，为解释自动化形成提供新计算标记，并拓展多重记忆系统理论至认知控制领域。
每天学新技能时，大脑像临时拼装乐高：先随手抓起通用模块（组合编码）快速搭出“能用”的模型，再反复打磨成专用零件（联合编码）使动作又快又准。这套“从通用到专用”的直觉虽耳熟能详，却从未在活人脑中看到实时全景。过去研究只能捕捉到练习后激活降低或少数脑区增强的碎片信号，对“表征几何”如何重塑、不同脑系统如何分工缺乏计算层面的动态描述。正因为缺这张“高清路线图”，人们无法解释为何初学易相互干扰、熟练后却自动防串扰，也难以阐明海马-小脑等记忆结构在认知学习中的确切角色。
Ravi D. Mill 与 Michael W. Cole团队决定填补这一空白。他们综合语言理论、长期记忆与互补学习系统（complementary learning systems, CLS）观点，提出四项假设：
新手依赖可跨任务迁移的组合表征；
熟练后转向任务特异的联合表征；
转换过程由皮层-皮下分工完成；
皮层联合强度随练习递增并与行为优化挂钩。
为验证这套框架，作者升级出64-task“混凝土排列规则操作”范式（C-PRO2），让44名健康成人完成视觉-听觉-运动三维规则组合，其中4任务重复36遍以追踪练习，60任务仅出现一次作对照，全程采集3T-fMRI。论文2025年11月在线发表于《Nature Communications》。
主要技术方法
多任务fMRI横-纵混合设计；基于Cole-Anticevic脑网络分区（CAB-NP）与Glasser360皮层图谱的体素/顶点级多变量编码模型；跨会话模板回归分离组合与联合规则贡献；表征相似性分析量化神经任务相似度；Robust回归与Spearman相关评估时序轨迹及脑-行为耦合；GLASSO正则化偏相关解析跨区信息绑定。
行为证据：C-PRO2成功诱发学习
练习任务准确率从首模块~79%升至次测~80%，显著高于首次亮相的新任务~74%；反应时缩短，验证操纵有效。
神经任务相似度降低：模式分离在学习中登场
以区域内部激活模式相关为指标，发现练习任务相似度随区块线性下降，新任务保持高水平；效应在默认网络（DMN）、额-顶控制网络（FPN）等高级系统最强，且与行为提升正相关，提示练习驱动表征分离。
组合与联合规则表征的皮层-皮下分离
利用跨会话“留一”模板回归，将每次激活拆成感官、逻辑、运动单规则（组合）及三者乘积（联合）四项。平均看，联合表征在海马、小脑等皮下结构最强；组合表征在皮层与皮下均可检出，但皮层显著占优，支持脑系统分工。
规则动力学的时序轨迹：皮层联合逐步取代组合
36区块动态分析显示：
持续练习：第二日皮层联合继续增强
间隔1-7天的第二次fMRI显示，皮层联合强度再升高，皮下继续下降，表明编码优化可跨日累积。
任务切换干扰行为，并被皮层联合强度敏感捕捉
高切换条件削弱练习效果，早期反应时与准确率均受损；额-顶网络联合强度差异与个体切换代价负相关，进一步佐证皮层联合是熟练度稳健指标。
跨区信息绑定：皮下把“通用模块”焊成“专用件”
GLASSO分析揭示，组合信息主要同步于皮层网络间，而组合-联合转换关联显著集中于小脑与海马，验证皮下承担“绑定”角色，完成从通用到专用的格式转换。
结论与讨论
研究首次在人类活体中绘制出“组合→联合”表征几何转换的全程动态，量化其时间尺度、脑区顺序及行为相关，为解释“由控制到自动”提供可计算的多系统框架：
结果将CLS理论从记忆领域推广至认知任务学习，并强调小脑与海马同等重要；同时提示教学设计应减少无关切换，保证充足重复以允许皮层联合“生长”。未来需跨越更长时程，探明新组合如何再次生成，以及不同皮下结构的特异功能。该发现为机器学习模型与人类认知的互通提供新约束，也为康复训练与技能优化奠定神经计算基础。
