编辑推荐：
罗欢和张航课题组结合了行为、神经、计算模型多种手段揭示了人脑从连续图片流中抽取和学习其背后的“抽象”关系网络，并进而从该低阶转移概率中建立高阶统计结构（簇内压缩和簇间远离）的神经机制和计算机理。
想象正在观看一部话剧。
幕布拉开，灯光亮起，人物鱼贯登场。随着情节展开，我们脑中会逐渐构建一副人物关系网络来，比如朋友敌人、情侣情敌、匪兵甲路人乙等等。更有趣的是，我们会进一步以此形成新的知识，比如推理出两个从没一起出现过的人可能同属一个阵营。可以说，人类一个重要能力就是不断追寻万事万物之间的关系，这也是人类智能的重要体现。因此，理解人脑如何学习和推理这些碎片化信息背后的网络关系结构对于揭示人类智能基本机制具有重要意义。
为了研究这一问题及其脑机制，北京大学心理与认知科学学院、麦戈文脑科学研究所的罗欢研究员和张航研究员课题组设计了一个新颖的序列预测实验范式，并记录高时间分辨率的脑电活动。15幅随机图片（图1A，右）被选取进而嵌入到一个社区网络结构（图1A，左），图片间的概率转移关系由它们在网络中的相互关系决定。课题组招募了人类受试来完成该图片预测任务（图1B）：他们观看图片流，预测下一幅图片是什么，并通过反馈来进行学习。换句话说，受试从来没有见过该社区网络结构，但如果他们能够成功完成该预测任务，则表明他们已经学会了这些图片间的关系，即在脑中形成了该抽象的社区网络结构。
图1. 转移网络和示例试次
行为表现上，人类受试确实习得了该“隐藏”的网络关系结构，表现在预测成绩的不断提高。最为核心的发现是，研究者在人脑活动中找到了该抽象关系网络结构的神经表征，大约出现在图片呈现后的540~930毫秒（图2）。此外，该神经表征和受试的预测行为存在紧密关系，即图片的神经表征相似性越高，其预测反映时也越快。进一步，行为和神经活动上也发现了高阶统计结构的出现，表现在簇内压缩和簇间远离的特性。研究者进而通过建立和比较多个计算模型，发现人脑采用了继承者表征策略来进行学习和推理，形成高阶结构（图3）。
图2.低阶转移概率的神经表征
图3. 神经信号和计算模型中高阶结构的涌现
综上所述，罗欢和张航课题组结合了行为、神经、计算模型多种手段揭示了人脑从连续图片流中抽取和学习其背后的“抽象”关系网络，并进而从该低阶转移概率中建立高阶统计结构（簇内压缩和簇间远离）的神经机制和计算机理。
本研究以标题为“Dynamic emergence of relational structure network in human brains”的标题于11月10日在线发表于认知神经科学重要期刊Progress in Neurobiology上。北京大学心理与认知科学学院博士后任祥娟博士为本文第一作者。罗欢和张航为本文共同通讯作者。本研究获得国家科学和技术创新2030重大项目，国家自然科学基金重点项目、面上项目，北京大学新工科项目，北大–清华生命科学联合中心以及北大-清华生命科学联合中心博士后项目资助。
生物通微信公众号
生物通 版权所有
