罗欢\李阿明\方方课题组提出人脑“压缩学习”机制

——知识骨架促进人脑高效学习

知识的本质不在于记住孤立的事实，而在于理解它们之间的内在关联，通过"连点成线"构建系统化的知识网络。在知识爆炸和信息碎片化的时代，这种能力比以往任何时候都更加重要，也是教育面临的核心挑战。然而，与依赖海量数据和超级算力的人工智能不同，人脑受制于注意、学习、记忆等加工瓶颈，即所谓“认知有限性”约束。人脑如何突破这一限制，实现高效知识学习？

2026年7月17日，北京大学心理与认知科学学院、IDG-麦戈文脑科学研究所罗欢团队、方方团队、北京大学先进制造与机器人学院李阿明团队，合作在《Nature Communications》发表题为 "Compressive learning scaffolds higher-order network structure to enhance human knowledge acquisition" 的论文。该研究结合认知心理学、脑磁图(MEG)、图论和计算建模等多学科交叉方法，提出全新的“压缩学习”机制：通过特定路径的短暂预学习，可以在人脑中形成基于知识网络高阶结构的压缩骨架，使后续获得的新知识能围绕这一骨架快速组织和整合，进而高效"连点成线"，形成完整的知识网络。

异质性知识网络更容易压缩，也更容易学习

研究团队在实验室中构建了人工知识网络：每张图片对应网络中的一个节点，图片之间的转移概率对应节点之间的连边。团队进而通过网络随机游走生成图片序列流，受试者不断对序列流中下一幅出现的图片进行预测，并依赖反馈逐步学习隐藏在图片序列背后的网络结构（“网络学习范式”）。

研究团队设计了四类具有不同高阶结构的人工知识网络，包括网格网络、随机网络、小世界网络和无标度网络。其中，无标度网络具有最强的异质性，即少数"枢纽节点"拥有大量连接，多数节点仅拥有少量连接；相反，规则网格网络中所有节点的连接数完全相同，因而异质性最低。团队将相同图片分别嵌入四种网络中，开展实验。理论分析表明，异质性越高的网络具有越高的信息可压缩性。研究团队进而提出假设：无标度网络结构更容易形成压缩表示，也更容易被人脑学习。行为实验结果则验证了这一预测。

这一发现说明，知识网络是否容易学习取决于碎片化信息之间的组织架构，而不仅仅是碎片化信息的多少。具有异质性结构的知识网络能更有效地压缩和整合信息，也更容易在人脑中促成形成系统性的知识表征。换言之，异质性网络架构能够促进知识学习中的“连点成线”。 

图1 网络学习范式、网络高阶结构、理论分析、学习行为比较

压缩学习：预学习路径形成网络骨架，促进后续学习

基于上述发现，研究团队提出了一种新的学习策略——压缩学习。团队设计了三种预学习路径：HubToLeaf（枢纽到边缘节点）、LeafToHub（边缘到枢纽节点）以及随机游走（RandomWalk）。其中，HubToLeaf路径首先让受试者学习枢纽节点及其所有邻居之间的关系，再逐步扩展到下一层枢纽及其邻居，最后到边缘节点；LeafToHub路径则完全相反，从边缘节点开始逐渐向枢纽节点扩展；随机游走则完全遵循网络自身的转移规律。值得注意的是，这三种预学习方式包含完全相同的图片、出现频率以及学习时长，唯一不同的是图片顺序。

随后，所有三组受试都进入完全相同的随机游走正式学习阶段。结果显示，在正式学习初期，各组表现几乎没有差异；但随着学习不断进行，HubToLeaf组逐渐表现出明显优势，并最终获得最高的学习成绩。更重要的是，这一优势不仅体现在枢纽节点上，还扩展到整个知识网络。这表明，以高阶结构为核心的预学习能快速在人脑中构建知识骨架，使后续获得的新知识更易围绕这一骨架组织和整合，实现高效的"连点成线"。

图2 “压缩学习”预学习路径促进后续网络学习

"压缩学习"在人脑中形成更加稳健的知识网络表征

为了揭示压缩学习背后的神经机制，团队进一步开展了脑磁图（MEG）实验，比较HubToLeaf和LeafToHub两种预学习方式对后续知识网络表征的影响。团队利用表征相似性分析（RSA），考察不同图片诱发的神经活动模式相似性是否编码了抽象的知识网络结构。结果显示，两组受试者在学习早期都形成了知识网络表征。然而，LeafToHub组的网络表征随后迅速减弱，而HubToLeaf组则维持更加稳定、持续的网络结构表征，与行为实验结果一致。源定位分析发现，两组差异主要来源于背侧前扣带皮层（dACC）。此外，这种网络表征优势反映的是整个知识网络关系的稳定表征，而不仅仅是对枢纽节点本身的记忆增强。

图3 脑磁图实验：压缩学习的神经证据

两阶段计算模型揭示压缩学习机制

最后，为了揭示压缩学习背后的计算，，研究团队建立了“两阶段计算模型”——预学习阶段基于高阶结构建立网络骨架，后续新经验队在形成的压缩骨架基础上逐步整合。模型结果表明，引入高阶网络结构的压缩表示后，模型能够更准确地预测人类的学习行为，表明压缩学习能够有效提升知识的组织整合，为理解人类学习机制提供了新的理论框架。

图4 “先搭骨架，再整合信息”的两阶段计算框架

总结

本研究首次提出并验证了人类知识学习中的“压缩学习”机制，揭示了人脑能够利用知识网络的高阶异质性结构构建压缩知识骨架，该骨架可以有效帮助后续零散经验不断整合连接，进而实现高效的知识学习。这一发现不仅深化了我们对人类建构式学习记忆机制的理解，也为教育中的课程组织、教材设计以及人工智能与类脑学习算法提供了新的理论框架和实践启示，表明高效学习的关键并非获取更多信息，而是帮助学习者建立能够“连点成线”的知识结构。

学习和教育如同播下一粒种子，而知识骨架则如同树木的枝干。通过建立起稳固的知识骨架，后续获得的新知识才能不断生长、融会贯通，最终形成枝繁叶茂的知识之树。

任祥娟博士（罗欢组原博后、现汉堡大学），王牧之博士（罗欢组原博后、现伦敦学院大学），秦婷婷（李阿明组博士生）为论文共同第一作者。罗欢教授、方方教授、李阿明教授为共同通讯作者。该研究得到国家自然科学基金创新研究群体项目、科技创新2030重大项目、国家重点研发计划、国家自然科学基金、教育部基础学科突破计划，以及江苏省应用数学科学研究中心支持。

论文链接：https://www.nature.com/articles/s41467-026-75843-7

Ren, X., Wang, M., Qin, T., Fang, F.*, Li, A.*, Luo, H*. Compressive learning scaffolds higher-order network structure to enhance human knowledge acquisition. Nature Communications (2026). DOI：10.1038/s41467-026-75843-7