海马体越“高维”，AI为何越该学抽象？大脑给出了反常识答案

人脑塞进书本、地图、面孔和经历时，并没有把它们整齐地压缩成几个标签。相反，海马体像一座疯狂扩张的档案馆，把相似事物拆开，把细节放大，再让前额叶从中提炼出简洁规则。更反常识的是，这座“档案馆”并非抽象学习的敌人，它可能正是抽象得以诞生的发动机！

近期，Bin Wang、William Jeffrey Johnston 与 Stefano Fusi 在 bioRxiv 发表预印本 High-dimensional hippocampus representation facilitates learning of low-dimensional abstract representation and supports generalization，给出了一个神经科学层面的解释：海马体的高维、稀疏编码，能够帮助下游脑区形成低维、稳定且可泛化的抽象表征。

这项发现真正刺眼的地方，不是“人类如何记忆”，而是它推翻了一个颇受工程界欢迎的直觉：维度越低，模型越聪明；表征越紧凑，泛化越可靠！

语义知识覆盖事实、概念及其关系。过去的研究提出了一个诱人设想：许多抽象语义知识可以编码在低维神经表征中，并在许多认知脑区呈现出抽象、彼此解耦的表征几何。

但海马体画出了另一条曲线。实验表明，海马体损伤会损害人类形成灵活、可泛化语义知识的能力；与此同时，海马体的神经表征往往高维且稀疏。

这两件事放在一起，像一道故意设置的悖论：一个偏临时、偏细节、偏高维的系统，怎么能帮助大脑产生稳定而简洁的抽象？

论文团队没有把海马体当成抽象标签机。他们采用多脑区神经网络模型，将海马体建模为一个“稀疏、去相关自编码器”，再观察高维海马体表征如何影响下游前额叶等区域。

答案不是“压缩得更狠”，而是先把输入关系拆开。

就像一张被折皱的地图，所有城市看起来彼此纠缠。任务要求的不是认出每条街，而是判断“哪些地点属于同一类区域”。如果直接在这张皱图上寻找直线规律，模型很容易被视觉距离和偶然排列带偏。高维海马体先把城市坐标展开，增加信息维度、削弱输入中那些误导性的低维关系，再让下游网络寻找真正与任务目标一致的结构。

因此，高维并非抽象的对立面。它可能是抽象得以稳定出现的必要代价。

这项研究最有分量的结论，可以概括为三个互相咬合的机制。

其一，海马体的扩展式重编码会抑制输入中具有误导性的低维结构。

其二，这种重编码会重塑下游网络的损失地形，让符合目标任务的抽象几何更容易浮现。换句话说，它不只是改变模型“看见什么”，还改变了模型“如何找到答案”。

其三，也是最有冲击力的部分：当感觉输入的几何结构与期望输出的几何结构越不对齐，要求完成的输入—输出变换越复杂时，海马体高维表征带来的帮助越明显。

这意味着抽象能力并非凭空涌现。高维系统更像一个预处理器：它拆掉输入中那些醒目却错误的相关性，为下游网络创造一块更适合发现规律的地形。

论文还进一步发现，形成的抽象表征能够提供一种归纳偏置，让网络用更少的样本学会新的“语义—行动”映射。换句话说，模型不是因为见过一万个案例才学会“猫对应追逐、陌生声音对应停步”，而是先形成足够稳定的类别表征，再把新案例映射到已有结构上。

更关键的一步出现了：研究把依赖海马体的表征固化到一条不依赖海马体的通路中，结果反而改善了基于输入结构的分布外泛化。

这听起来像什么？像学生临场发挥依赖海马体调取大量经历，考试真正作答时，却依靠已经压缩好的解题框架。海马体负责把经历彻底打散，下游系统负责把其中可迁移的结构重新组装。

这项发现对当下的大模型路线极具冲击力。

当前 AI 系统常把“维度压缩”视为好事：嵌入更短，检索更快，存储更省，似乎维度越低，信息密度越高。但大脑给出的答案恰恰相反——复杂经历可能必须先在高维空间中被充分区分，抽象才能在下游可靠出现。

这像压缩文件。简单压缩算法可以把一段录像压得很小，播放时也能还原；复杂压缩算法却可能故意保存大量冗余，为了让某个关键片段随时可以被精准调用。高维海马体做的不是无损压缩，而是为未来任务保留选择权。

对国内正在推进的通用模型、智能体和数字员工研发，这条机制尤其值得重视。我们不能只追求更小的模型、更短的上下文和更漂亮的向量检索，还必须追问：系统是否拥有一种“海马体式暂存机制”，把复杂经验充分拆解，再沉淀成可迁移的低维能力？

如果输入几何与行动目标天然错位——例如从多模态感知映射到企业流程决策——直接硬映射只会放大噪声。更合理的路径，也许是先由高维记忆系统保存丰富经验，再用持续学习机制把经验压缩为稳定策略。

这也给 AGI 与超级对齐提出了一个更具体的工程问题：超级对齐不能只盯最终输出，还要管中间表征是怎样形成、转移和固化的。一个系统若只会输出正确答案，却无法解释经验如何沉淀、错误结构如何被抑制，它的智能可能只是偶然正确！

脑科学不是替 AI 提供现成图纸，而是一张压力测试图。它逼我们重新检查那些习以为常的工程假设：更多维度是否意味着更混乱？更少参数是否必然带来更强泛化？答案可能都是否。

更关键的是，抽象并非越早压缩越好；有时必须先增加表达自由度，才能在正确的位置获得真正的简洁。

数字员工与今天多数自动化系统有一个根本差别：前者必须在陌生输入中持续作出行动决策，后者往往只是沿着固定规则运行。

这要求系统拥有两种彼此制衡的能力。一类能力负责保存丰富情境，区分相似却不同的任务，不急着合并；另一类能力负责从这些情境中提炼稳定概念，并快速映射到行动。

前者像海马体，后者像前额叶。若省掉前者，系统会迅速抽象，却可能把偶然相关性误当规律；若省掉后者，系统记住了一切，却无法形成可迁移的判断。

论文中最有想象力的结果，是把海马体依赖表征固化到独立通路后，分布外泛化反而增强。这意味着，成熟数字员工的训练终点，不该是永久依赖一套庞大记忆库，而应是让关键经验完成一次“从记忆到结构”的迁移。

当记忆不再只是记忆，而能变成跨场景复用的结构，大脑才真正获得了抽象；未来真正可靠的数字员工，也必须跨过同一条门槛！

• 论文页面：High-dimensional hippocampus representation facilitates learning of low-dimensional abstract representation and supports generalization
• DOI 页面
• PDF 下载

#海马体表征 #高维神经表征 #低维抽象表征 #语义知识 #表征学习 #泛化能力 #认知神经科学 #稀疏编码