信息來源：https://phys.org/news/2025-11-humans-artificial-neural-networks-similar.html#google_vignette
長期以來，人工智慧領域存在一個揮之不去的幽靈——「災難性遺忘」（Catastrophic Forgetting）。當一個人工神經網路（ANN）學會識別貓之後，再訓練它去識別狗，它往往會徹底喪失識別貓的能力。這種新知識對舊知識的毀滅性覆蓋，曾被認為是機器智能與生物智能之間的根本鴻溝。畢竟，人類似乎能夠毫不費力地終身學習。然而，2025年發表在《自然·人類行為》（Nature Human Behaviour）上的一項由牛津大學主導的最新研究表明，這道鴻溝可能比我們想像的要窄得多。
這項由埃莉諾·霍爾頓（Eleanor Holton）和盧卡斯·布勞恩（Lucas Braun）等人開展的研究揭示了一個顛覆性的事實：人類在學習過程中表現出的「干擾」與「遷移」模式，與人工神經網路驚人地相似。更引人注目的是，研究團隊在人類受試者中識別出了兩種截然不同的認知策略——「合併者」（Lumpers）與「分離者」（Splitters），這兩種策略完美對應了神經網路中存在的不同訓練機制。這一發現不僅挑戰了我們對人類記憶運作方式的傳統理解，也為破解通用人工智慧（AGI）的「記憶難題」提供了全新的生物學藍圖。
記憶的雙刃劍：在遷移與干擾之間走鋼絲
學習的本質，在某種程度上是一場關於「重用」與「覆蓋」的博弈。為了量化這一過程，牛津大學的研究團隊設計了一套精密的「ABA」序列實驗任務。實驗邏輯看似簡單卻直擊核心：首先要求受試者（人類和神經網路）學習規則A（例如，看到藍色形狀按左鍵）；接著學習規則B（看到紅色形狀按右鍵）；最後，再次要求受試者執行規則A。
在心理學和計算機科學中，這一過程涉及兩個關鍵概念：「遷移效應」和「干擾效應」。所謂「遷移」，是指舊知識幫助新學習的能力；而「干擾」，則是指新知識的學習阻礙了對舊知識的回憶。
研究結果顯示，當任務B與任務A具有某種結構上的相似性時，無論是人類大腦還是人工神經網路，都傾向於通過「遷移」來加速對任務B的學習。這聽起來是一種優勢，但它伴隨著昂貴的代價。當系統再次面臨任務A時，由於其神經連接已經被為了適應任務B而進行了調整，系統往往表現出顯著的性能下降。這就是典型的「干擾效應」。
任務設計。圖片來源：《自然人類行為》（2025）。DOI：10.1038/s41562-025-02318-y
霍爾頓和布勞恩在論文中指出，這種現象在神經網路中源於「表徵重用」（Representation Reuse）。為了追求效率，網路傾向於修改已有的神經權重來解決新問題，而不是開闢全新的神經通路。這就好比在一張已經寫滿字的紙上塗改來寫新文章，雖然省去了找紙的時間，但原來的字跡必然變得模糊。令人驚訝的是，實驗數據表明，人類大腦在處理類似任務時，也遵循著同樣的「節約法則」。這表明，「災難性遺忘」可能並非AI獨有的缺陷，而是任何試圖在有限資源下實現快速學習的智能系統所必須面對的普遍權衡（Trade-off）。
「合併者」與「分離者」：人類認知的兩種演算法圖譜
這項研究最引人入勝的發現在於，它並未將人類視為一個均質的整體，而是通過數據挖掘揭示了人群中存在的個體差異。研究人員發現，面對同樣的任務序列，人類受試者自發地分化為兩個陣營，研究團隊將其形象地命名為「合併者」和「分離者」。
「合併者」採取的是一種高風險、高回報的策略。他們在學習新任務時，極度依賴舊有的知識框架。這種策略使得他們在新任務（任務B）的學習速度極快，表現出極強的知識遷移能力。然而，這種過度依賴導致他們的神經表徵高度重疊，當需要切回舊任務（任務A）時，他們遭受的干擾也最為嚴重。在認知層面上，這類人傾向於尋找事物間的共同點，試圖用一套通用的規則概括所有情況。
相反，「分離者」則表現得更為保守和謹慎。面對新任務，他們傾向於構建一套全新的、獨立的心理表徵，儘可能避免與舊知識發生關聯。這種「楚河漢界」分明的策略雖然犧牲了部分學習速度和遷移能力，但極大地保護了舊有記憶的完整性，從而在重返任務A時表現出極低的干擾率。
為了驗證這一生物學發現的普遍性，研究團隊在人工神經網路中進行了平行模擬。他們發現，通過調整網路的訓練參數，可以精確地復現這兩種人類行為模式。在深度學習領域，存在著「豐富訓練」（Rich Regime）和「惰性訓練」（Lazy Regime）的概念。處於「豐富訓練」模式下的神經網路表現得像「合併者」，其內部神經元的權重發生廣泛且複雜的協同變化，傾向於提取通用的結構特徵；而「惰性訓練」模式下的網路則像「分離者」，僅對局部神經元進行微調，傾向於機械記憶特定的輸入輸出對。
這一發現具有深遠的理論意義：它暗示了人類大腦中可能存在類似於神經網路超參數（Hyperparameters）的調節機制。這種機制決定了個體在面對新環境時，是選擇激進的「歸納概括」，還是選擇保守的「獨立存儲」。這兩種策略在進化上各有千秋——前者有利於在規律穩定的環境中快速適應，後者則有利於在複雜多變的環境中保持知識的精確性。
打破神話：AI是人類認知的鏡子
長期以來，心理學界和計算機科學界傾向於將人類大腦和人工神經網路視為兩種本質不同的系統。主流觀點認為，人類擁有某種神秘的機制來克服干擾，而神經網路則笨拙地受困於權重覆蓋。然而，牛津大學的這項研究有力地反駁了這一二元對立的觀點。
研究表明，當剝離掉複雜的背景知識和情感因素，僅在抽象的邏輯規則學習層面進行比較時，硅基智能與碳基智能表現出了驚人的同構性。這並不意味著人腦僅僅是一個巨大的神經網路，但它確實表明，某些基本的計算約束——如「穩定性-可塑性悖論」（Stability-Plasticity Dilemma）——是所有智能形式都無法逃避的物理法則。任何智能系統，無論是由神經元還是晶體管構成，都必須在「記住過去」和「適應未來」之間做出妥協。
此外，這項研究為未來的AI架構設計提供了重要的啟示。目前的通用大模型（LLM）雖然在海量數據下表現優異，但在連續學習（Continual Learning）方面仍顯得力不從心。通過模仿人類中「分離者」的策略，工程師或許可以設計出能夠動態調節表徵重疊度的網路架構。例如，AI系統可以在檢測到新任務與舊任務差異巨大時，自動切換到「分離模式」，分配獨立的計算資源；而在任務相似時，則切換到「合併模式」以實現快速遷移。
同時，對於神經科學而言，這一成果提供了一個反向工程的視角。通過觀察不同訓練模式下的神經網路行為，科學家們或許能更好地理解人類學習障礙或記憶疾病的成因。例如，某些認知僵化可能源於大腦過度陷入「分離者」模式，無法有效地遷移舊知識；而嚴重的健忘症則可能與極端的「合併者」策略有關，導致新舊記憶的災難性混淆。
總而言之，牛津大學的這項工作不僅讓我們重新審視了機器的缺陷，也讓我們更深刻地認識了人類自身的局限。在通往超級智能的道路上，理解這種「學習與遺忘」的辯證關係，或許比單純追求更快的運算速度更為關鍵。正如研究所示，遺忘並非系統的故障，而是為了在新世界中生存所必須支付的智能稅。
