学习同步：生物智能体如何耦合神经任务模块以应对稳定性–可塑性困境

基于摘要分析。本文研究生物与人工智能体如何灵活耦合、解耦认知任务模块，以缓解稳定性–可塑性困境；核心贡献是将 Binding by Synchrony（同步绑定）与 Reinforcement Learning（强化学习）结合，使模型学习同步当前任务相关模块，并去同步当前任务无关模块。 其机制是通过模块间同步关系调控任务参与：当前无关模块中的旧信息受到保护，减少被新学习覆盖；当前相关模块则承担新信息学习。作者将这一同步学习机制分别与采用 Rescorla-Wagner、backpropagation 和 Boltzmann machines 的任务模块结合。摘要未提供同步控制的具体实现、强化学习信号、损失形式或参数更新细节，尚不能据此还原算法。 在需要切换三种任务规则的 reversal learning（反转学习）范式中，作者报告，组合模型相较于不含同步机制的原网络，在稳定性和可塑性两方面均具有显著计算优势。摘要未给出量化指标、效应大小及统计检验细节，实验协议、消融及统计信息尚未验证。作者还报告模型处理动力学与经验数据一致，并提出可供未来 MEG/EEG 研究检验的假设；这不等同于已完成 MEG/EEG 验证，也不是 BCI 性能证据。 平台推测（待验证）：该模块调控机制可能启发 EEG 解码中的持续学习，以降低更新模型时对既有任务知识的干扰。此假设依赖可区分的任务模块及可靠的任务或奖励反馈；可借鉴的是模块耦合控制，需改造的是 EEG 特征输入、任务识别与反馈定义，不能直接把计算模块同步等同于 EEG 相位同步。低信噪比、被试与通道差异及小数据可能使模块选择不稳定。一个可证伪的小实验是在固定 EEG 数据划分下按任务顺序更新模型，对比启用和关闭同步控制时旧任务保持与新任务学习表现，并控制模型容量和更新预算。相关 EEG 工作尚未检索确认。