一項利用人工智慧（AI）分析年輕成人腦部結構與導航能力的研究顯示，兩者之間並無明確的關聯性。這項研究挑戰了過去認為特定腦區大小或連接強度直接影響導航能力的傳統觀點，並引發了關於導航能力神經基礎的重新思考。

研究方法與發現

該研究團隊利用了大量年輕成人的腦部掃描數據，並結合他們在虛擬環境中進行導航任務的表現數據。研究人員運用AI演算法，試圖找出腦部結構特徵與導航能力之間的模式。具體而言，研究人員分析了包括海馬迴、內嗅皮層等與空間記憶和導航相關的腦區的體積、形狀以及彼此之間的連接強度。

然而，AI分析的結果令人意外。儘管過去的研究表明這些腦區在導航中扮演重要角色，但本次研究並未發現這些腦區的結構特徵與導航能力之間存在顯著且一致的關聯性。換句話說，擁有較大或特定形狀的海馬迴，並不一定意味著更強的導航能力。

研究人員進一步分析了不同性別、年齡和教育程度的參與者，試圖找出是否存在特定群體中腦部結構與導航能力存在關聯。然而，即使在這些細分群體中，研究結果仍然沒有顯示出明確的關聯性。

對傳統觀點的挑戰

過去的研究多集中於特定腦區與導航能力的關聯，例如海馬迴被認為是空間記憶的關鍵區域。然而，這項研究的結果表明，導航能力可能並非由單一腦區或特定腦部結構決定，而是更複雜的神經網絡互動的結果。

此外，研究結果也暗示了個體差異在導航能力中的重要性。即使擁有相似的腦部結構，不同個體的導航能力也可能存在顯著差異。這可能是由於個體經驗、學習策略以及其他認知因素的影響。

可能的解釋與未來研究方向

研究人員提出了幾種可能的解釋。首先，導航能力可能涉及更廣泛的腦區網絡，而不僅僅是海馬迴等傳統認為的空間記憶區域。其次，腦部結構可能並非導航能力的唯一決定因素，功能性的連接和活動模式可能更為重要。第三，現有的腦部掃描技術可能無法捕捉到與導航能力相關的所有細微結構差異。

未來的研究可以從以下幾個方向入手：

探索更廣泛的腦區網絡：

研究導航能力涉及的更廣泛的腦區網絡，並分析這些腦區之間的互動模式。

關注腦部功能性連接：

利用功能性磁振造影（fMRI）等技術，研究腦部活動模式與導航能力之間的關係。

結合行為數據和腦部數據：

將腦部掃描數據與更詳細的行為數據相結合，例如導航路徑、錯誤率等，以更全面地了解導航能力的神經基礎。

縱向研究：

進行縱向研究，追蹤個體腦部結構和導航能力的變化，以了解兩者之間的因果關係。

總結與研判

這項研究的重要意義在於，它挑戰了過去關於腦部結構與導航能力之間簡單直接關聯的觀點。研究結果表明，導航能力可能是一個更複雜的認知過程，涉及多個腦區的互動以及個體經驗和學習策略的影響。儘管目前的研究未能找到明確的腦部結構與導航能力之間的關聯，但這並不意味著腦部結構不重要。相反，它提示我們需要更深入地了解導航能力的神經基礎，並探索更複雜的神經網絡互動模式。未來的研究需要採用更綜合的方法，結合腦部掃描數據、行為數據以及個體差異，才能更全面地了解導航能力的神經機制。

Newsflash | Powered by GeneOnline AI
For any suggestion and feedback, please contact us.
原始資料來源: GO-AI-6號機 Date: March 2, 2026