人类大脑如何在多重任务间保持高效？这一生物学难题的最新解答，正为人工智能领域带来重要启发。由香港城市大学容永豪教授与香港中文大学学者联合领导的研究发现，大脑并非简单地共享或分隔神经资源，而是通过“动态协调与逐步分离”的策略实现高效多工。该成果已发表于《神经元》期刊，不仅刷新了对大脑平行处理能力的认知，也为优化AI系统的多任务训练与管理提供了全新思路。

　　研究团队利用循环神经网络进行模拟时发现，纯粹将两项任务的表征完全分隔并非最有效方案；相反，保留早期的协调机制，同时逐步分隔其他任务的表征，学习速度反而更快。这一计算模拟结果与生物大脑的实际运作策略高度吻合。在小鼠模型实验中，研究人员通过纵向双光子钙成像技术观察到，次级运动皮层（M2）内的神经元在学习初期会通过调整活性来协调相互竞争的任务需求；随着训练深入，大脑才逐渐招募任务特定的专用神经元，形成独立梯队以减少干扰。

　　研究证实，多工处理的干扰可追溯至单神经元层面的资源竞争。但大脑展现出卓越的适应性：即使主要负责单一任务的神经元，也会主动调整以协助整体协调。容永豪教授表示：“这项发现不仅有助理解神经系统疾病相关的能力缺陷，亦有助更有效训练和管理人工智能系统，提升其同时处理多项任务的能力。”这意味着，未来的AI架构设计或可借鉴大脑的“动态平衡”策略，而非一味追求模块化隔离。

　　该研究从细胞层面证实了大脑优化神经资源的能力，颠覆了“一心二用必然低效”的传统观点。除了对AI领域的直接启发，研究成果还将应用于优化教育领域的学习策略、为神经系统疾病开发更有效的复康计划，持续提升人类认知功能与潜能。这项题为“高阶皮层在平行任务处理中的动态协调与分离机制”的研究，标志着神经科学与人工智能交叉研究的重要进展。