注意力的认知神经机制是什么？

注意力本身有很多层次的定义，在相对宏观的层次，是我们在认知上选择做某件事情而压制其他不相关信息输入和处理的现象和能力，比如在工作编程、学习时候忽略周边环境中的看到的和听到的信息，进入所谓的「心流」 ^[1] 状态。在更细小的层次上，是我们从一种信号中筛选出更有用的信号的体验，比如在视觉上注视某种对象。前者涉及到多种认知功能的协同，后者只涉及单种认知更功能的信息处理。

一般我们日常中所理解的「注意力」，指的是前者的多种认知能力协同的状态。在这种协同状态，我们大脑的所有高级认知功能中的信息处理能力都是优先分配当前任务相关的子功能。还是以编程为例，我们的大脑会在该状态中优先把包括 工作记忆（前后语句之间的变量、逻辑关系抽象等）、视觉（字符、操作界面）、逻辑能力（程序逻辑、运算逻辑）、语言能力（变量命名、变量语义、程序语义）以及运动能力（打字）分配给它。所以我们在「编程」中很难进行 对话（语言资源冲突）、行走（运动控制资源冲突）或者注意周边环境中的物体运动（视觉资源冲突）等。

注意状态的资源分配优先是一方面，另一方面，它还涉及到各种任务相关资源的协同，具体地，也就是构建各种认知资源之间的快速沟通通路，并锁定沟通通路的状态。而且，协同状态锁定所涉及的认知资源，是在认真任务开始之前就预设置好的 ^[2] 。我们越是熟悉对应的认知任务，这些认知资源和认知资源沟通状态的预锁定需要的时间就越短。因此，我们可以观测到，一个资深的程序员可以很快的进入工作状态，而一个菜鸟程序员可能需要磨磨蹭蹭很久才能开始敲键盘。

这种认知资源和认知资源协同状态的预锁定，就像对大脑这台计算机的"虚拟化"，预先写好资源请求参数，并预装了所需要的程序执行和依赖环境 ^[3] 。不同的是，认知上注意力的「虚拟化」能力不仅能对软性的处理能力和资源（CPU、GPU、内存、硬盘；记忆、听觉处理、视觉处理、逻辑处理）进行虚拟化，还能对信号的输入输出和执行通道进行「虚拟化」（听觉输入输出通道、运动执行通道、视觉输入通道等）。当然，与前者不同的是，软性的处理能力和资源的虚拟化支持多个虚拟环境的运行，而信号输入输出和执行通道的虚拟化通常仅仅支持一个虚拟环境。这也是比较好理解的：一台服务器，可以同时运行多个虚拟环境，但服务器控制的运动执行机构（比如串口控制的机械臂）不可能同时支持多个虚拟环境运行。因此，我们可以一边唱歌一边走路，但是不能一边编程一边玩游戏。

如何构建这种虚拟化能力，就是复杂任务方面注意力要解决的问题。复杂任务方面的训练让我们能事先写好了大脑'Docker容器'的「镜像」文件，当「镜像」被启动时候，也就是任务相关注意力开始运行的时候。这时，我们的大脑进入「任务依赖认知状态」(task-dependent cognitive state) ^[4] , 这种状态会一直持续，到认知任务的结束/被打断。在该状态中，我们大脑会自动的安排该任务所涉及的子任务的运行序列和资源调度 ^[5] ，就像CPU的队列调度算法一样，自动的进行资源分配、队列、优先级分配、执行以及资源释放 ^[6] . 在具体的任务中，我们可以在所涉及的任务处理脑区观测到任务的「执行控制信号」(Executive control signals) ^{[7] [8]} . 具体地，执行控制信号可以分为三种 ^[9] ：1) 任务开始和结束信号, 2)任务维持信号, 3)任务执行误差反馈信号.

也就是说，注意力通过这些信号控制，锁定相关脑区的工作状态，同时加强相关脑区的连通性 ^{[10] [11] [12]} ，削弱其他联通性，让我们的大脑临时性、软性的改变结构，变得「任务特异化」 ^[13] 。这不仅有助于提高任务的处理效率，还能排除内在和外在的干扰，尽量避免任务被打断。所谓「心流」、「全神贯注」也即是这样的注意力控制下的任务执行状态。

由于任务相关的训练经历的差异，我们不同的人在进行相同的认知任务执行的时候，其资源锁定和连通性锁定情况和能力存在较大的差异，也就造成了不同的人在进行同种任务时候的注意力水平的差异。由于任务执行的误差反馈信号的存在，我们的任务相关注意力的训练跟任务执行过程中的「奖赏」和「惩罚」有直接的关系——「奖赏」和「惩罚」来得越快越准 ^{[14] [15]} ，任务执行控制的误差反馈越准确，对任务执行能力的训练以及对应注意力的训练/强化越有帮助。

参考

1. ^ Landhäußer, A., & Keller, J. (2012). Flow and its affective, cognitive, and performance-related consequences. In Advances in flow research (pp. 65-85). Springer, New York, NY.
2. ^ Meiran, N. (1996). Reconfiguration of processing mode prior to task performance. Journal of Experimental Psychology: Learning, memory, and cognition, 22(6), 1423.
3. ^ Semnanian, A. A., Pham, J., Englert, B., & Wu, X. (2011, April). Virtualization technology and its impact on computer hardware architecture. In 2011 Eighth International Conference on Information Technology: New Generations (pp. 719-724). IEEE.
4. ^ Logan, G. D., & Gordon, R. D. (2001). Executive control of visual attention in dual-task situations. Psychological review, 108(2), 393.
5. ^ Desimone, R., & Duncan, J. (1995). Neural mechanisms of selective visual attention. Annual review of neuroscience, 18(1), 193-222.
6. ^ Qureshi, I. (2014). Cpu scheduling algorithms: A survey. International Journal of Advanced Networking and Applications, 5(4), 1968.
7. ^ Bryden, D. W., & Roesch, M. R. (2015). Executive control signals in orbitofrontal cortex during response inhibition. Journal of Neuroscience, 35(9), 3903-3914.
8. ^ Donaldson, D. I. (2004). Parsing brain activity with fMRI and mixed designs: what kind of a state is neuroimaging in?. Trends in neurosciences, 27(8), 442-444.
9. ^ Chawla, D., Rees, G., & Friston, K. J. (1999). The physiological basis of attentional modulation in extrastriate visual areas. Nature neuroscience, 2(7), 671-676.
10. ^ Horwitz, B. (2003). The elusive concept of brain connectivity. Neuroimage, 19(2), 466-470.
11. ^ Hampson, M., Driesen, N. R., Skudlarski, P., Gore, J. C., & Constable, R. T. (2006). Brain connectivity related to working memory performance. Journal of Neuroscience, 26(51), 13338-13343.
12. ^ Parks, E. L., & Madden, D. J. (2013). Brain connectivity and visual attention. Brain connectivity, 3(4), 317-338.
13. ^ Cocchi, L., Bramati, I. E., Zalesky, A., Furukawa, E., Fontenelle, L. F., Moll, J., ... & Mattos, P. (2012). Altered functional brain connectivity in a non-clinical sample of young adults with attention-deficit/hyperactivity disorder. Journal of Neuroscience, 32(49), 17753-17761.
14. ^ Braver, T. S., & Barch, D. M. (2006). Extracting core components of cognitive control. Trends in cognitive sciences, 10(12), 529-532.
15. ^ Collins, A. G., & Frank, M. J. (2013). Cognitive control over learning: creating, clustering, and generalizing task-set structure. Psychological review, 120(1), 190.