这里有4个单词：bi da ku pa。默念几遍，记住它们。

现在，先把第一个单词和第三个单词对换，尝试按照新的顺序把它们默念出来。

很好，你成功了。

接下来，把第二个单词和第四个单词对换，再按照新的顺序默念。

是不是有点难度了?

没错，你已经接触到脑科学的一个关键概念——序列记忆。

曾获得过诺贝尔经济学奖的丹尼尔·卡内曼在他的代表作《Thinking， fast and slow》一书中，将人类的思考描述为两种方式：一种是下意识的直觉和情绪，称为快思考;另一种则是深思熟虑和逻辑思维，称为慢思考。科学家们通过研究序列工作记忆来阐释在慢思考中大脑是如何对信息进行保持和操作的。

一项由中国科学院脑科学与智能技术卓越创新中心(神经科学研究所)、中国科学院灵长类神经生物学重点实验室王立平研究组、上海脑科学与类脑研究中心闵斌副研究员和北京大学生命科学学院唐世明课题组合作完成的研究，首次从神经元群体编码的层面，阐释了序列工作记忆在大脑中表征的几何结构。

该研究推翻了经典序列工作记忆模型的关键假设，开创了序列工作记忆研究的新路，使得科研人员有机会进一步揭开人类慢思考的神经机制。相关论文2月11日以长文形式发表于《科学》杂志。

神经元“交响乐团”群体编码记忆序列之“歌”

对于bi da ku pa的排列组合，就如同人类大脑对互不相关信息的时序排列。大脑既需要记住信息的内容，还要清楚信息应用的先后顺序。对于大脑来说，几乎每时每刻都在处理序列信息，因为无论是语言沟通、动作实施，还是情景记忆，本质上都涉及对时序信息的表征。

王立平研究团队和他的合作伙伴们，巧妙地通过一块有着6个闪光点的屏幕，对猕猴进行序列记忆训练。研究人员将6个闪光点标记为1-6，每一次闪光意味着其中一个数字信息，而闪光的先后对应时间信息。例如，当闪光点按照5、3、1的顺序先后亮起，猕猴的大脑中就会产生一段序列记忆;猕猴需要根据这段序列记忆，依次按下闪光点5、3、1。

有了动物行为模型，还需要看清猕猴脑部相关神经元在序列记忆中的“工作”方式。经典序列工作记忆模型的研究对象是单个神经元细胞，这种基于单细胞编码性质的模型，只能体现出该神经元是否参与到某一段序列工作记忆中，很难展现神经元群体对序列工作记忆编码的全貌。

利用双光子钙信号成像技术，研究团队能够对工作记忆的“大本营”——外侧前额叶皮层神经元的群体脉冲放电情况进行有效探查。“如果把参与序列工作记忆的神经元细胞群看作一支交响乐团，不同神经元细胞就像是各司其职的乐手。”王立平用了一个形象的比喻，“它们中有的拉小提琴、有的敲鼓、有的弹琴。单独看一个神经元，只能听到一段音乐符号;只有从群体上看，才能听出一首曲子。”

在猕猴模型中，神经元“交响乐团”群体编码了序列记忆之“歌”。

一个屏幕表征序列记忆中的一个信息

猕猴的大脑又是如何在记忆期内同时表征序列中的多个信息呢?研究人员猜想猕猴的大脑中也有一块“屏幕”，可以把出现过的点记在这个屏幕上。当猕猴记忆3个点序列时，是3个点同时出现在一个屏幕上，还是同时存在三块不同的屏幕，每一个屏幕只需要记一个点的信息?

带着这一疑问，研究人员通过分析钙成像获得的高维数据，发现可以在高维向量空间里面找到每个次序的信息所对应的二维子空间，即找到其对应的“屏幕”。在每个子空间内，不同的点所对应的空间位置与真实视觉刺激的环状结构保持了一致。这意味着，大脑用了不同的屏幕来记录不同顺序的信息，而这些不同的屏幕几乎没有重叠，不会发生相互干扰。进一步研究还显示，这些屏幕在不同的序列中是相对稳定和通用的。

有趣的是，这些不同次序子空间内的表征共享了类似的环状结构，只是环的半径大小会随着次序的增加而减小。一个可能的解释是，次序靠后的信息所分配到的注意资源更少，导致对应的环变小、区分度降低。王立平表示，这种表征几何结构，能够很好地解释序列记忆的行为表现。序列记忆存在首因效应等行为表现，也就是刚开始的信息更容易被记住。联系到日常生活，我们也能感受到记忆的内容越多，越往后的信息就越容易出错。

复杂性和简约性的辨证统一

“这是一篇重要的科学论文。它的科学意义在于揭示了在工作记忆的时间尺度上，序列信息在大脑前额叶皮层的神经编码和表征机制。”中科院院士郭爱克在点评中指出，“这个发现揭示了序列信息编码利用了降维原则，从而降低了神经计算复杂性。这是人类大脑在时间序列表征上的复杂性和简约性的辨证统一。这使我想起了哲学家叔本华所说，‘简约性永远是真理和天才的共同特征’。”

中科院院士王以政指出：“这一原创发现清楚地阐释了序列工作记忆的神经机制，也为理解神经网络如何进行符号表征这一难题提供了新的思路。”上世纪80年代，人工智能领域就有研究者提出张量乘积这一概念来实现神经网络对符号结构的表征，但其如何在神经网络层面自然涌现一直没有被很好解决。序列工作记忆的神经表征正好对应了将该符号表征由对应次序的子空间嵌入到高维向量空间中，同时支持了下游神经网络对符号结构信息的线性读取。