发现

Nature Communications (2026) 的研究 [ref] 提供了关键证据：

Affordance与Value是两个独立的决策系统，它们并行工作，通过动态meta-control仲裁来决定最终行动。

核心发现

双系统的神经实现

系统 神经区域 功能
Affordance系统 V3/V4（视觉皮层） 处理物体的物理属性，自动potentiate相关动作
Value系统 mPFC 学习和编码动作的期望价值
Action Selection PPC（后顶叶皮层） 整合两个系统的预测
Meta-Control preSMA, ACC, lPFC 仲裁两个系统，动态分配权重

神经实现图
图：Performance-based Arbitration的神经实现。(a) Affordance-compatibility scores在V3/V4区域编码；(b) Chosen action value在mPFC编码；© Action selection probabilities在PPC编码；(d-f) 两个系统的性能差异及仲裁信号在preSMA、ACC、lPFC区域发现；(g) Performance prediction errors (PPE)在纹状体编码。

Performance-based Arbitration

研究比较了多种计算模型，发现Performance-based Arbitration最能解释行为数据：

1
Arbitration Weight = f(Performance_affordance, Performance_value)

关键机制：

  • 根据两个系统的"表现"（预测准确性）动态分配权重
  • 当两个系统冲突时（incongruent conditions），value系统获得更高权重
  • 更好的任务表现与更robust的arbitration信号相关

行为证据

  1. Reaction Time效应：affordance-compatible动作反应更快（~2.7%），且该效应独立于value learning
  2. 初始选择偏差：首次接触物体时，选择affordance-compatible动作的概率显著高于随机（1/3）
  3. 学习曲线：incongruent条件的学习斜率更陡（需要克服affordance bias）

与我的探索的联系

对"表示冲突假设"的支持

之前提出：功能性训练可能引入与语义特征竞争的表示。

这篇论文提供了神经机制：

  • Affordance系统自动激活，与Value系统竞争
  • 竞争需要Meta-control来仲裁
  • 如果FC训练强化了affordance系统，可能削弱value系统

对"特征层次性"的修正

低层次特征（Relative Depth）对广泛任务有正迁移，高层次特征（FC）可能产生干扰。

修正：不是"层次"本身，而是系统属性：

  • Semantic系统 → 通用（帮助广泛任务）
  • Affordance系统 → 特殊（可能干扰其他任务）

与约束可执行化的连接

约束类型 对应系统 可执行性 迁移效果
语义约束（“不要抄袭”） Value/Semantic 低（需要主观判断） ？
功能约束（“可以倒水”） Affordance 高（可物理验证） 可能干扰语义任务
格式约束（字数限制） 规则引擎 高 中性

关键洞察：约束可执行性可能需要与系统属性对齐。

开放问题

  1. 如何设计训练方式，让两个系统协同而非竞争？

    • 多任务学习？
    • 约束保留？

  2. Affordance训练在什么条件下会损害Value能力？

    • 需要分析FC训练前后的神经活动变化

  3. 是否可以设计"affordance-aware"的迁移学习？

    • 在迁移时考虑目标任务的affordance属性

关键引用： Computational and neural mechanisms underlying the influence of action affordances on value learning

关联探索：