中大城大拆解大腦如何提升「一心二用」能力 有助人工智能作多任務訓練
人腦難以一心二用，過去科學家曾作出究，到現在香中大醫學院生物醫學學院柯亞教授及城大神經科學系容永豪教授共同領導的一項研究，終發現大腦如何透過動態調整及重組神經資源，學習提升同時處理多個任務的能力。
靈活調動神經元提升效率
研究團隊設計了一套同時處理兩項任務的實驗模式，小鼠需要一方面維持連續推桿動作，同時聆聽不同的聽覺提示並決定是否做出反應，亦被稱為「執行/不執行」的感覺決策任務。在數周的訓練期間，研究人員利用縱向雙光子鈣成像技術追蹤小鼠次級運動皮層(簡稱M2)中大量神經元群體內特定的單神經元活動，藉此觀察動物在學習同時處理多個任務時如何重組神經活動。
研究顯示，當兩個任務需要運用同一個神經元，該神經元就成為了競爭熱點，大腦需要在有限的神經資源下處理任務。團隊更發現受影響的不只是需要共享的神經元，即使是主要負責單一項任務的神經元，在另一項任務進行處理時，亦會調整其活性以協調大腦應付兩個任務的需要，提高整體處理效率。
練習重塑大腦內部表徵空間
隨訓練持續進行，小鼠的大腦採取了不同策略應對。大腦招募了更多任務特定的專用神經元，同時漸漸區分兩項任務的神經特性，以更獨立的神經元梯隊完成每項任務，從而減少共享資源所帶來的干擾。研究團隊進一步證實， M2在大腦學習同時處理多個任務方面扮演重要角色，他們發現當M2活性受到抑制，即使實驗小鼠有進行練習，牠們的一心二用能力都沒有進步。但當M2活性再次激活，小鼠的相關能力便會迅速提升。
中大醫學院生物醫學學院柯亞教授表示：「我們發現了大腦學習同時處理多個任務的神經活動機制。在早期學習階段，主要支援單一任務的神經元降低活性，實際上能夠幫助處理另一個任務，並在大腦學會更有效率的解決方案之前，協助兩項任務順利完成。」
為人工智能學習帶來啟發
研究團隊進一步探究相關發現能否應用於電腦科學及認知科學上的運算思維。團隊利用「循環神經網絡」深度學習模型測試同步處理兩項任務，結果發現，單純分離兩項任務的特徵，並非最有效的方案。但當網絡保留了早期的協調機制，同時逐步將其他任務的特徵分離時，網絡的學習速度會更快，與在生物大腦中觀察到的策略極為相似。
城大認知神經科學講座教授容永豪教授表示：「研究結果顯示，能夠有效率地同時處理多個任務的關鍵，是要在協調與表徵分離之間取得平衡。這項發現不僅有助理解與神經系統疾病相關的能力缺陷，亦有助更有效訓練和管理人工智能系統，提升其同時處理多項任務的能力。」研究成果已發表於頂尖神經科學期刊《神經元》(Neuron)。
