人工神经网络不能“冒充”模式生物：定义模糊背后的科学隐忧

近年来，随着深度学习技术的迭代，人工神经网络（ANNs）在视觉、语言处理等认知科学领域展现出卓越性能，成为探究脑科学的重要辅助手段。然而，学术界出现了一种令人担忧的倾向：将这些复杂的算法模型称为“模式生物”。在一篇2024年的研究中，研究者甚至将深度神经网络描述为“独特的、具有高性能人类相关视觉能力的模型生物”，将其与小鼠、果蝇等传统实验室生物模型并列。

概念的混淆不仅是术语之争，更潜藏着深远的科研隐患。首先，这种定义模糊可能会误导政策制定者与科研基金评审人，使其误以为计算模型已具备完全取代生物模型的能力，从而扭曲科研经费的分配方向。当前，美国国立卫生研究院（NIH）及食品药品监督管理局（FDA）正面临“减少生物有机体依赖”的压力，计算模型常被视为等效的替代品。然而，从演化生物学视角来看，两者的科学本质截然不同。

生物模式生物的核心价值在于“共同的演化史”。生物学发现之所以能从模式生物（如小鼠）跨越物种迁移至人类，是因为它们与人类共享数亿年的基因组演化、机制关联及“演化残余”。例如，休伯尔和威泽尔在猫身上发现的视觉皮层组织原则，在恒河猴及人类身上均得到了证实。这种跨物种的机制守恒，是ANNs这类基于数学优化过程的算法所不具备的。

ANNs展现的性能相似，并不等同于机制的同源。研究表明，神经网络与人类在处理信息时可能存在完全不同的因果结构。例如，卷积神经网络可能通过识别“纹理”而非人类所依赖的“形状”来分类图像，这种分类偏差在某些特定场景下极具误导性。此外，生物体中存在的“演化缺陷”——如脊椎动物视网膜的倒置结构导致的盲点——本身就是演化历史的见证，且具有极高的科学解释力，而ANNs仅因数据集统计特性产生的“像素扰动脆弱性”，在生物视觉机制的解读上完全无效。

科学的自我修正能力要求我们在术语使用上保持严谨。ANNs作为一种强大的计算工具，无需借用“模式生物”这一头衔来彰显其科学贡献。在追求探索大脑运作机制的道路上，我们需要明确区分“模拟”与“同源”，避免因概念坍塌而丧失对生命演化本质的尊重。