对应论文
Neural population geometry and optimal coding of tasks with shared latent structure
视频简介
从大脑几何学到人工智能：名校揭秘泛化本质，用四大核心指标重构神经表征逻辑 这项研究探讨了大脑如何通过神经群体几何（neural population geometry）来编码环境中的潜变量，从而实现在不同任务间的灵活迁移。研究人员通过数学推导发现，维度、因子化以及相关性等四个核心几何统计量共同决定了线性读出的泛化误差。实验表明，大脑在学习早期更倾向于低维且高相关的表示，而随着学习深入则会演变为更具解耦性（disentangled）的结构。该理论在生物神经数据（如猕猴视觉皮层）和人工神经网络中均得到了验证，揭示了神经活动微观统计特征与宏观行为任务性能之间的内在联系。研究最终指出，最优神经表征会根据学习阶段动态调整对不同信息维度的关注度，以平衡信号强度与噪声干扰。