深度神经网络（DNN，Deep Neural Network）作为 AI 领域的沉要突破，在视觉感知工作中展示出卓越的机能阐发，其鉴别正确率等关键指标甚至已在特定场景下超过人类水平。这使人们普遍以为，人为智能技术的急剧发展将推进对生物智能的深刻理解。 然而，由美国布朗大学和美国哥伦比亚大学结合团队最近发展的一项钻研却提出了分歧的概想：随着 AI 模型在物体鉴别工作上的阐发越来越强，其在神经表征（如下颞叶皮层活动模式）和行为反映（如把稳力分配战术）两个关键维度上，与灵长类动物视觉系统的差距反而越来越大。 这提醒人们，高机能的 AI 模型并不蹬宗类脑模型，也就是说，模型若是只是为了提升工作正确率，不定会更靠近大脑的运算机造。这对神经科学、认知科学与 AI 交叉钻研敲响警钟：不能再如果“AI 阐发越好，就越靠近人脑”。这一发现挑战了人们持久以来的如果，即 AI 的进取将天然而然地推动脑与认知科学的发展。 该论文第二作者、哥伦比亚大学在读博士生冯品源对 DeepTech 暗示：“未来的 AI 钻研必要明确指标——是构建职能性工具，还是理解大脑机造。若是是后者，我们必要反过来用脑与认知科学的发现来约束模型的设计，而不是仅依赖工程优化。 日前，有关论文以《更壮大的人为智能并不料味着更好的生物模型》（Better artificial intelligence does not mean better models of biology）为题颁发在预印本网站arXiv[1]。布朗大学德鲁·林斯利（Drew Linsley）钻研助理教授是第一作者，冯品源是第二作者，布朗大学托马斯·瑟尔（Thomas Serre）教授担任通讯作者。 从汗青维度来看，人为智能的发展发源于对人脑机造的索求，这一渊源在专业术语中仍有体现——诸如“神经网络”“表征”等主题概想都直接借鉴自神经科学与生理学等领域。典型如诺贝尔物理学奖得主杰弗里·辛顿（Geoffrey Hinton）的学术轨迹，其早期认知生理学钻研对人脑的索求为后续 AI 突破奠定了理论基础。 然而，随着推算硬件的迭代升级和技术范式的改革，AI 发展的主导力量已从神经科学、生理学转向推算机科学，这一转变带来了钻研范式的底子性沉构。从前人们相信，通过优化工作阐发（好比 ImageNet 分类 [2]），模型就能自觉学到类似人脑的表征，但是从 AI 目前的发展来看，这套逻辑在失效。 在这一钻研布景下，团队提出了“和谐化”步骤，尝试在模型优化中引入人类视觉确把稳机造。通过调整训练数据和指标函数，使模型决策时更关注与人类视觉系统一致的关键区域，初步验证了提升模型生物合理性的可行性。 然而，该步骤仍面对主题挑战：高质量人类行为数据的匮乏使得优化过程性质上仍未齐全脱离监督进建的框架。只管如此，这一钻研方向拥有双沉价值——既加强了模型可诠释性，又为理解人类视觉机造提供了新视角。 基于这些发现，该钻研强调视觉科学必要成立独立于工程 AI 的步骤论系统，同时选择性吸收神经科学的启迪来优化 DNN 的能效、泛化和鲁棒性。 沉点突破方向蕴含：功夫编码机造、动态稀少衔接（仿照神经节能）、反馈/横向结构（实现类皮层确把稳调控）、突触可塑性（支持持续进建）以及多模态整合（借鉴海马影象机造）。这些索求必要在生物合理性与推算效能间追求平衡，优先实现工程可行的关键个性，而非齐全仿照生物细节。 钻研指出，当前工程优化的 AI 模型存在系统性误差，视觉科学钻研需审慎使用。未来的突破有赖于生物数据与大规模训练的深度结合，这必要神经科学、认知科学和 AI 领域在尝试平台、训练流程和评估尺度上成立协同机造。 必要相识的是，大脑不是为静态单一模态工作进化的，而是在一个不休变动、充斥多感官输入的世界中发展出来的。因而，传统监督进建的道理和大脑的进建机造之间存在性质差距。正是这一认知推动了自监督进建的鼓起，该步骤通过从原始数据中自主挖掘潜在法规，有效削减了对人为标注的依赖，展示出更强的生物合理性。 另表，若是但愿模型学到类似生物的视觉战术，训练环境也应该是多模态、动态、交互式的。例如，能够设计一个虚构环境，模型必要不休与环境互动、预测未来、聚焦指标以及躲避风险。 冯品源诠释说路：“这样的环境将促使模型发展出更强确把稳机造、时序整合机造和多模态融合能力。随着具身智能概想的火爆，越来越多的人也关注这一方向——从让 AI 静态感知到真实世界的物体进行交互，从中获得有效的多维度信息。” 目前，冯品源在哥伦比亚大学祖克曼钻研所（Zuckerman Institute）下属的“视觉推理”尝试室（Visual Inference Lab）钻研人与 AI 的视觉机造，他的导师是尼古拉斯·克里格斯科特（Nikolaus Kriegeskorte）教授。 他在致力将认知科学和神经科学的见解推动 AI 发展，同时利用 AI 推进对人类智能的理解。在参与哥伦比亚大学之前，他在布朗大学获得硕士学位，师从托马斯·瑟尔（Thomas Serre）教授，重要钻研人类与机械在表征对齐方面的关系。 托马斯·瑟尔团队的前期钻研为这一领域奠定了沉要基础。在视觉行为层面，他们开发的新型对齐机造初次实现了 AI 在复杂场景中与人类认知战术的高度一致；在神经表征层面，他们发现工程优化的 AI 模型与生物视觉的神经活动模式存在系统性偏离。这些发现为构建新一代神经可诠释的感知模型提供了理论框架和步骤学领导。 未来，该团队将聚焦两个方向持续钻研：萦绕 AI 模型发展深度索求，从动态数据（如视频）中进建，使模型的视觉能力更靠近人类；持续构建横跨认知科学、神经科学与推算机科学领域的大规模数据平台，推动跨学科钻研尺度的成立与互认。这些方向有助于为 AI 与生物智能钻研提供更丰硕的视角。