人类能从少量经验中快速习得新的概念知识，并将其运用到新的事物和情境。我们的大脑是如何产生这样灵活高效的学习和泛化能力的？理解其机制是当下认知科学、神经科学与人工智能等多学科交叉的焦点。一方面认知心理学与人工智能领域诸多理论模型和经典发现都强调了先验知识对人类概念学习以及人工智能大模型的发展是至关重要的；另一方面，针对概念学习的实证研究普遍为了控制先验知识，采用人造的新异刺激或概念内容，尽管其研究结果强调了海马等脑区参与类别概念的学习，却无法反映已有先验知识结构的作用。因此，目前仍没有直接证据回答大脑中存储的先验知识如何指导概念学习。

近日，北京大学心理与认知科学学院、IDG麦戈文脑科学研究所毕彦超教授课题组、朱露莎教授课题组在《Nature Communications》在线发表题为“Cortical knowledge structures guide word concept learning”的研究论文。该研究首次将大脑对客体知识的神经表征作为先验，纳入计算模型，系统揭示了大脑先验知识如何帮助学习概念。

研究者首先收集了被试观看物体（含45个熟悉物体和13个新异图形）时的脑活动，将其作为神经先验表征，在此基础上构建神经贝叶斯模型（Neural Bayesian Model, NBM），用以预测后续被试学习新概念（即，根据特定的范例学习某个词汇含义）时的脑活动和泛化行为（即，判定某个新物体属于当前词汇的比例）。

图1. FMRI实验流程，与神经贝叶斯模型的构建、预测。

结果发现，腹侧枕颞皮层——大脑中储存客体知识的关键区域——提供的神经先验对于新概念神经表征的形成至关重要。基于该脑区神经先验的NBM成功预测了新词概念的神经表征和泛化行为，并且均显著优于缺乏对应神经先验的控制模型。研究者们还发现了一个有趣的差异现象：腹侧视觉皮层偏好基于熟悉物体（即具备丰富先验知识）的学习，而海马偏好基于新异图形（即缺乏先验知识）的学习。同时，在缺乏先验知识学习中，神经先验的加入没有改变模型在海马上的预测效力。这一发现揭示了大脑中基于先验知识的皮层推理机制与基于范例的海马关联学习机制的差异。

图2. 核心结果。

此外，研究团队比较了贝叶斯模型和大语言模型（GPT-4o和Qwen2.5-VL）拟合人类概念学习时泛化行为的能力。尽管大语言模型拥有极为丰富的先验知识，但并不如简单的贝叶斯模型。这表明丰富的语义知识本身并不自然涌现出类人的概念学习泛化模式。

该研究为贝叶斯概念学习理论提供了神经层面的证据，为语义记忆的连续学习提供了神经计算模型，也刻画了语义记忆与情景记忆系统在新概念学习中的不同模式。

北京师范大学心理学部博士后张光耀为论文的第一作者。北京大学心理与认知科学学院、IDG麦戈文脑科学研究所毕彦超教授和朱露莎教授为本文共同通讯作者。毕彦超教授课题组成员王晓莎助理研究员、硕士生张鼎晨、北京大学人工智能研究院已毕业本科生解思文为文章做出了重要贡献。该研究得到了国家自然科学基金、科技创新2030—“脑科学与类脑研究”重大项目、中国博士后科学基金等项目的支持。

2026-05-26