想象一下，当你走进一家熙熙攘攘的咖啡馆，目光所及之处，哪些事物会率先吸引你的注意？达特茅斯学院的最新研究揭示，这些不经意的眼动轨迹，其独特性甚至可与指纹或DNA突变相媲美，能够深刻揭示你的个人特质。这项发表在《美国国家科学院院刊》(Proceedings of the National Academy of Sciences)上的突破性研究指出，我们的眼动模式并非随机，而是由深层的“概念优先性”所驱动，即大脑会无意识地搜寻那些对我们具有个人抽象意义的物体。这种独特的“视觉签名”具有惊人的时间稳定性，人工智能（AI）甚至能通过分析个体注视物体间的概念联系，精准识别出特定个体。

研究团队将这种个人化的视觉偏好定义为“概念优先性”。它是一种深植于个体内心的心理倾向，决定了在复杂环境中哪些视觉信息会首先跃入我们的视野。举例来说，一面美国国旗和一个橄榄球在物理形态上截然不同，但大型语言模型（LLM）能够将它们归类到“爱国主义”或“体育文化”等抽象主题之下。这项研究有力证明，在面对新环境时，我们的眼睛会本能地花费更多时间去探寻那些与我们独特内在主题兴趣相符的物体。换言之，个体在陌生环境中搜寻的特定物体及其所蕴含的概念，能够像“个性指纹”一样，将不同个体区分开来。

尽管个体在概念偏好上存在差异，研究人员仍发现，人类在进入新空间进行视觉探索时，其眼动模式遵循一个严格的、三阶段的生物学时间线：

• 第一阶段（0-2秒）：空间定向。 大脑首先扫描环境的物理维度，例如房间的水平线和中心点，以建立基本的空间认知。
• 第二阶段（2-8秒）：视觉显著性。 随后，目光会转向环境中那些突出、物理上引人注目的物体和人物，关注其表层特征。
• 第三阶段（8-16秒）：解释性语义。 大脑进入深度概念模式，此时的注视重点转向物体所蕴含的深层意义和概念，进行更高级的理解和解读。

长期以来，心理学家们一直致力于研究人们在扫描新环境时如何有意识或无意识地分配注意力。尽管我们通常对环境本身形成相似的理解，但每个人在视觉探索路径、注视时长和方式上都表现出独特的差异。达特茅斯学院心理学与脑科学副教授、本研究的资深作者卡罗琳·罗伯逊（Caroline Robertson）及其团队正是聚焦于这些个体差异。罗伯逊教授指出：“从感知新环境的最早时刻起，我们对关注对象的选择就存在显著差异。这项工作表明，我们潜在的概念优先性已嵌入到我们的注视特征中。”

为了深入探究，罗伯逊教授与第一作者、2024年达特茅斯博士毕业生阿曼达·哈斯金斯（Amanda Haskins）以及前研究助理凯瑟琳·帕卡德（Katherine Packard）招募了约60名参与者。他们佩戴虚拟现实（VR）头戴设备，沉浸在一系列日常场景图像中，包括汽车修理店、公共游泳池和机场等。在每幅图像的16秒观察时间内，参与者可以自由转动头部、移动身体，并随意注视。研究人员利用头戴设备记录的眼动追踪数据，构建了三个模型：一个机器学习模型用于重现参与者在空间内的注视位置；一个视觉模型用于识别吸引其注意力的具体物体；以及一个大型语言模型（LLM）用于分析这些物体之间潜在的概念主题联系。

作为驱动人工智能的深度学习系统，LLM能够为处理的每幅图像生成描述性文字，暗示潜在的故事情节。例如，它可能会生成“墙上的一面旗帜，可能象征着国家认同”或“用于军事装备的导弹，可能是航空展示的一部分”等描述。通过对这些数据的分析，研究团队发现，无论是视觉模型还是LLM，都能够通过独特的眼动模式识别出个体。值得注意的是，专门编码了概念偏好的LLM在身份识别方面表现出最高的准确性。 换言之，概念图谱是预测个体身份最有效的指标。即使物体在物理外观上差异巨大，但只要它们在主题上存在关联，LLM就能将其作为一个整体进行分析，从而区分不同个体。例如，在观察办公室场景时，一个人可能首先关注键盘、笔记本等与“书写和沟通”相关的物品，而另一个人则可能聚焦于踢脚线和装饰性挡板等“建筑设计”元素。这些概念上的相似性精准揭示了每位参与者独特的偏好或兴趣。

研究人员还发现，这些个体偏好具有显著的长期稳定性。当半数参与者在一周后再次返回，观察一组全新的场景时，基于他们此前眼动追踪数据构建的模型，依然能够准确预测哪些视觉特征会再次吸引他们的注意力。罗伯逊教授强调：“这表明个体注视模式的差异包含了稳定且属于人格层面的偏好，这些偏好超越了测试日期，持续存在。”

然而，这项技术也带来了潜在的伦理担忧。研究人员警告称，随着消费者虚拟现实（VR）和增强现实（AR）头戴设备日益融入日常生活，眼动追踪数据可能变得极具侵扰性。广告商或第三方机构可能利用这项技术，仅仅通过分析你的注视内容，被动地收集你的政治倾向、兴趣爱好乃至心理档案，其信息深度远超传统的网页点击数据，对个人隐私构成严重威胁。

尽管存在隐私风险，这项研究在临床应用领域展现出巨大的潜力。值得一提的是，这是首次将大型语言模型应用于人类视觉注视模式建模。 阿曼达·哈斯金斯博士指出，这一创新的AI框架有望彻底改变自闭症的早期筛查方式。自闭症的一个典型特征是减少对人脸的关注，但此前尚不清楚这种面部回避行为是单纯的视觉处理特征，还是更深层的概念选择。研究团队所采用的方法能够有效区分这两种可能性。

通过确定儿童对面部的视觉回避是源于视觉处理障碍还是更深层的概念选择，临床医生有望在儿童两岁左右时诊断出自闭症，从而将目前全国平均四岁的诊断年龄大幅提前。罗伯逊教授强调：“越早了解一个孩子以不同方式处理世界，就能越早地优化其学习环境，提供更及时、更有效的教育支持。”

研究团队的下一步计划包括探索多模态模型，结合视觉和认知注意力追踪，以进一步提高预测准确性。他们还将研究已识别出的概念优先性是否在不同文化背景或临床群体中存在系统性差异。