当前位置: 主页 > 神经科学 > 感觉与知觉

反向预测性测试揭示:AI“类脑”模型内部机制与灵长类大脑存在根本性错配

2026-11-22 09:38 Sabine Muzellec, Koh Nature Machine Intelligence / 阅读 0
核心摘要: 约克大学团队在《Nature Machine Intelligence》发表研究,提出“反向预测性测试”方法,系统评估人工神经网络与生物视觉系统的双向对应关系。研究使用1320张自然照片及300张风格化图像测试10类物体识别任务,发现尽管AI模型能较好预测记录神经元的响应,但同一批神经元活动却难以预测模型内部特征,而跨大脑神经元比较则无此问题。这表明AI可能通过与人脑不同的内部策略完成相同视觉任务,仅凭前向预测准确性判定“类脑”存在根本缺陷。团队发布开源工具包,为构建更可靠的神经计算模型及自闭症等研究提供

长期以来,神经科学家将人工神经网络(ANN)视为解析大脑视觉系统的重要工具。这些系统在图像物体识别等任务上表现优异,且能复现部分脑区活动模式,因而被广泛贴上“类脑”标签。然而,约克大学助理教授Kohitij Kar团队的一项新研究对这一假设提出了根本性质疑:AI能够预测大脑活动,并不等于它与人脑以相同方式处理视觉信息。

“人工智能系统常因能预测帮助我们识别物体的脑区活动而被描述为‘类脑’,”Kar指出,“但迄今为止,科学家大多只从单一方向检验——即AI模型能否预测大脑活动。”这种单向验证逻辑存在一个被忽视的漏洞:一个模型完全可能通过迥异的内部机制产生与大脑相似的输出,正如不同电路可以实现相同功能。

反向预测性测试:从单向验证到双向对标

为填补这一方法学空白,研究团队开发了名为“反向预测性测试”(reverse predictivity testing)的新方法。其核心逻辑是:若AI系统真与大脑同构,则预测关系应当双向成立——不仅模型能预测神经元响应,记录到的神经活动也应能预测模型内部特征。传统测试仅评估前向预测精度,可能掩盖内部机制的系统性错配,而反向测试恰好能捕捉这种被忽略的不对称性。

实验设计上,团队向受试系统呈现了1320张自然照片,涵盖熊、大象、人脸、苹果、汽车、狗、椅子、飞机、鸟和斑马共10类熟悉物体,背景包括多种自然场景及室内外环境。此外还引入300张风格化图像,以轮廓线、素描、简化表征和艺术化处理呈现相同主体,用以检验模型与大脑在抽象视觉表征上的对应程度。这一图像库的多样性确保了测试不局限于单一视觉统计特征。

“最终,我们需要计算模型来真正理解我们识别物体的潜在神经机制,”Kar强调,“我们如何看到物体运动?这对人类是每天轻松完成的任务,但计算上却极具挑战。”

不对称的预测能力揭示内部机制分歧

结果呈现出显著的方向性不对称。AI模型总体上能较好地预测记录神经元的响应,这与既往文献一致。然而当流程反转,同一批神经元活动对模型内部诸多特征的预测能力大幅下降。关键在于,这种不对称并非普遍现象——当研究者比较不同大脑之间的神经元活动时,双向预测关系依然成立。换言之,生物视觉系统之间具有互预测性,而AI与生物大脑之间则不具备。

“结果令人震惊。AI模型能相当好地预测我们记录的神经元,但大脑却无法同等预测模型的许多内部特征。有趣的是,当一个大脑的神经元与另一个大脑的神经元比较时,情况并非如此,”Kar表示。这一对照排除了数据噪声或方法偏差的解释,直指AI与生物视觉在内部计算策略上的本质差异。

该发现意味着,匹配大脑响应并不必然意味着底层过程相同。AI系统可能依赖大脑不使用的内部策略来完成视觉任务。Kar警告,若研究者仅依据神经活动预测精度来优化模型,模型与真实灵长类大脑之间的偏差可能随时间累积,从而削弱神经科学家使用这些系统的核心初衷——构建关于大脑工作原理的现实解释。

对神经科学与临床研究的广泛警示

这一发现的影响远超计算机视觉领域。人工智能正日益被用于设计实验、研究人类行为以及探究神经与心理疾病,而这些应用大多建立在“AI处理信息方式类似人脑”的假设之上。若假设不成立,研究者可能从表面准确、底层迥异的模型中得出误导性结论。类似风险也存在于听觉、语言和运动等神经科学分支——若这些领域的AI模型同样依赖非生物性内部过程,其揭示神经系统的能力需重新评估。

“我们的发现挑战了当前AI系统与灵长类大脑的相似程度。我们证明,此前被认为类脑的模型依赖大脑似乎不使用的内部组件。我们为该领域提供了一个经过充分验证的诊断指标,”论文第一作者、约克大学博士后Sabine Muzellec表示。

研究并非主张弃用ANN,而是提供了改进路径。通过识别模型中对应对真实神经活动的特征,研究者可聚焦于构建更准确反映感知生物机制的系统。Kar指出:“我们的方法有助于识别ANN中真正匹配大脑活动的部分,使我们能构建更可靠的模型来理解人类如何观看和解读世界。这对我们的自闭症研究项目尤为重要,该项目以神经典型大脑模型为基线。”神经典型大脑指神经发育与功能模式处于一般典型范围的大脑,建立其准确模型对于探究自闭症等状态下感知与信息处理的差异至关重要。

为便于其他科学家应用,团队已发布公开测试工具包(reverse-pred),AI开发者可用其评估自身模型并识别改进空间。该研究发表于《Nature Machine Intelligence》,提出了一种超越任务性能评估的AI评价新范式——AI是否通过真正类似大脑的过程达成结果,与结果本身同样重要。这一发现有望引导新一代AI模型的发展:不仅以高精度识别世界,还能更忠实地反映人脑理解所见之物的方式。


Journal Reference:
Sabine Muzellec, Kohitij Kar. Reverse predictivity for bidirectional comparison of neural networks and biological brains. Nature Machine Intelligence, 2026; 8 (3): 474. DOI: 10.1038/s42256-026-01204-0

Story Source: Materials provided by York University. Original written by Sandra McLean.
    发表评论