大脑每天都在做一件不起眼却复杂的事：闻到一个气味，判断它是不是刚才那个，或者是否与奖励有关。认知科学认为，这背后是神经元群体活动形成的“内部表征”。近年来，研究者用一个几何学比喻来描述：大量神经元同时活动，就像在高维空间里画出一个个“流形”。不同气味对应不同流形，学习可能改变这些流形的形状和距离。一项以斑马鱼为对象的研究，测量了斑马鱼端脑 pDp 区域，相当于哺乳动物梨状皮层。他们训练幼年和成年斑马鱼做气味辨别任务，记录神经元群体活动，试图弄清经验如何改写神经流形。
不一定是“记忆山谷”
经典记忆模型常假设“吸引子动力学”：学习增强某些神经元之间的连接，让活动像小球滚进山谷，最终稳定在特定状态，从而完成模式补全和分类。这个比喻很直观，但本研究没有在 pDp 中发现明显的全局固定点吸引子特征。也就是说，气味反应并不是持续滑向某个固定终点。相反，研究者看到的是活动流形的几何变化。另一种模型认为，学习不必依赖离散吸引子，而可以调整神经元状态空间的几何，让相关信息的表征更容易被区分。这更接近本研究的观察。
斑马鱼 pDp：小巧的嗅觉记忆网络
斑马鱼端脑 pDp 被认为是梨状皮层的同源区域。梨状皮层接收嗅觉信息，兴奋性神经元通过可塑的“联合纤维系统”相互连接，并受神经调质控制。过去有假说认为，学习会形成代表“气味对象”的神经元集合，通过收敛动力学分类气味。但近期分析没有发现明显吸引子状态：气味诱发的活动通常是相位性的，会被抑制截断；试次内和试次间变异性也较高。不过，被动闻气味和主动学习都能按刺激统计或任务结构改变梨状皮层活动。例如，两种气味以二元混合物呈现后，或多种气味与同一奖励关联后，气味诱发模式会更相似。这说明经验会以任务相关方式重组气味表征，即使没有离散吸引子。
训练让任务相关流形更分得开
研究者训练斑马鱼进行气味辨别，并测量 pDp 的群体活动。与既往观察一致，他们没有发现明显的全局固定点吸引子动力学。行为训练对气味反应的平均幅度和变异性只有较小影响。但训练改变了代表已学习气味及相关气味的活动流形，而对不相似气味的表征影响很小。更重要的是，训练同时调整了多个几何特征，这些调整合起来，增强了任务相关气味流形彼此之间、以及它们与其他表征之间的分离。这种效果选择性地出现在任务相关信息上，符合自联想网络模型预测：当网络处于精确突触平衡状态时，学习可能导致从离散吸引子转向连续表征流形。
用“流形容量”衡量可分性
要理解这些几何变化，需要同时测量大量神经元。研究使用了 GLUE 理论（Geometry Linked to Untangling Efficiency），一个把神经流形几何与模式分类联系起来的数学框架。它计算“流形容量”，可以理解为：在给定几何结构和神经元协变性的情况下，每个神经元能提供多少可线性解码的信息。流形容量越高，不同表征越容易被分开。这个指标不只是描述性的，它还与模式分类的效率、容量和鲁棒性有数学联系。因此，研究者可以用它来判断学习如何改变表征流形，以及这些改变如何影响对已学习和新异输入的分类。
几何能预测行为
一个关键结果是：流形容量能够预测个体斑马鱼的气味辨别表现。也就是说，神经表征的几何结构不仅与行为相关，还能在个体层面反映辨别能力。这支持一个观点：pDp 及相关循环网络可能把信息储存在神经流形的几何中。这样形成的联合感觉—语义地图，既包含气味本身的信息，也包含任务相关意义，可能支持分布式学习过程。
对理解记忆的意义
这项研究没有推翻吸引子模型，而是提示：在某些记忆网络中，学习的结果可能不是把活动拉向几个固定点，而是重新安排高维空间中的表征地形，让重要信息更容易被读出。对大众来说，可以把它想象成：大脑不是把每种气味放进一个固定抽屉，而是调整整个仓库的货架布局，使常用和相关物品更容易找到、区分和组合。未来，类似框架或许能帮助研究者理解学习、记忆和认知如何从神经元群体的几何结构中涌现。