卷積神經(jīng)網(wǎng)絡(luò) （CNN） 和遞歸神經(jīng)網(wǎng)絡(luò) （RNN） 等深度學(xué)習(xí)模型旨在部分模擬生物神經(jīng)網(wǎng)絡(luò)的功能和結(jié)構(gòu)。因此，除了解決各種現(xiàn)實世界的計算問題外，它們還可以幫助神經(jīng)科學(xué)家和心理學(xué)家更好地了解特定感覺或認(rèn)知過程的基礎(chǔ)。

奧斯納布呂克大學(xué)、柏林自由大學(xué)和其他研究所的研究人員最近開發(fā)了一類新型人工神經(jīng)網(wǎng)絡(luò) （ANN），它可以比 CNN 和其他現(xiàn)有的深度學(xué)習(xí)算法更好地模擬人類視覺系統(tǒng)。他們新提出的、受視覺系統(tǒng)啟發(fā)的計算技術(shù)，被稱為全地形神經(jīng)網(wǎng)絡(luò) （All-TNN），在發(fā)表在《自然人類行為》上的一篇論文中進(jìn)行了介紹。

“以前，了解大腦如何處理視覺信息的最強大模型是從 AI 視覺模型衍生而來的，”該論文的資深作者 Tim Kietzmann 博士告訴 Tech Xplore。

“這些通常本質(zhì)上是卷積的——一種機器學(xué)習(xí)黑客，允許相應(yīng)的神經(jīng)網(wǎng)絡(luò)在視覺輸入中的任何位置搜索完全相同的特征。這種方法非常強大：您在空間的一個位置學(xué)到的東西可以轉(zhuǎn)移到所有其他位置。然而，這是大腦無法做到的（大腦不能將信息從皮層的一個位置'復(fù)制'和'粘貼'到另一個位置）。

除了執(zhí)行靈長類動物大腦無法執(zhí)行的一些動作外，CNN 的組織信息還與生物神經(jīng)網(wǎng)絡(luò)不同。與 CNN 相比，大腦是視網(wǎng)膜組織的，這意味著視覺信號從視網(wǎng)膜傳播到視覺皮層（大腦外層已知處理視覺信息的區(qū)域）。

“大腦還表現(xiàn)出它所響應(yīng)的特征類型與它搜索它們的位置之間的系統(tǒng)關(guān)系，”Kietzmann 說。

“空間和皮層表面特征的這種相互關(guān)系是視覺處理的一個重要方面，但如上所述，機器學(xué)習(xí)中沒有考慮這一特征。為了解決這個缺點，我們開發(fā)了一個生物學(xué)上更真實的模型類'所有地形神經(jīng)網(wǎng)絡(luò)'，其中特征選擇性在空間上組織在'皮層片'上，即一個 2D 表面，其中相鄰特征必然相似，但在更大的距離上有所不同）。

大多數(shù)通常用于模擬人類視覺系統(tǒng)如何處理自然圖像的計算方法都依賴于深度神經(jīng)網(wǎng)絡(luò) （DNN），例如 CNN。這些是強大的模型，可以對其進(jìn)行訓(xùn)練以對視覺數(shù)據(jù)進(jìn)行分類，例如腦成像掃描，或識別圖像中的特定對象。

Kietzmann 解釋說：“這些模型的問題在于它們通常與生物學(xué)相去甚遠(yuǎn)，而較新的 ML 模型盡管功能更強大，但也不再是大腦中更好的視覺處理模型（這種關(guān)系在過去是正確的）。

“在一系列論文中，我的實驗室展示了我們可以將 ML 模型更改為更好的生物學(xué)模型的方法。例如，通過在更好的圖像數(shù)據(jù)集上進(jìn)行訓(xùn)練，通過在網(wǎng)絡(luò)架構(gòu)中包含遞歸連接，通過考慮應(yīng)該為什么任務(wù)訓(xùn)練模型，以及最近，通過考慮大腦在皮層表面對齊的特征檢測器。

Kietzmann 和他的同事證明，他們開發(fā)的新模型基于 （All-TNN），比 CNN 和其他 DNN 更緊密地反映了人類視覺系統(tǒng)。這是因為它們不僅復(fù)制了支撐視覺皮層組織的原則，而且還比以前開發(fā)的模型更好地捕捉了人類的行為模式。

未來，All-TNN 可用于進(jìn)行神經(jīng)科學(xué)和心理學(xué)研究，有可能為人類視覺系統(tǒng)的神經(jīng)基礎(chǔ)提供新的思路。例如，它們可以幫助更好地了解整個皮層的特征選擇性排列（也稱為地形）如何影響人類的感知和行為。

Kietzmann 補充道：“我們目前正在嘗試改進(jìn)訓(xùn)練，以提高任務(wù)執(zhí)行效率，因為與卷積網(wǎng)絡(luò)相比，地形網(wǎng)絡(luò)的參數(shù)豐富。

“此外，我們目前需要引導(dǎo)模型在空間上實現(xiàn)平滑的特征選擇性——這是皮層地形的一個關(guān)鍵特征。然而，生物學(xué)可能已經(jīng)開發(fā)出使皮層選擇性平滑的隱含機制。找出哪些方面允許這種情況發(fā)生是我們希望能夠做出貢獻(xiàn)的主要研究領(lǐng)域。

全 TNN 更好地近似人類視覺行為中的空間偏差。圖片來源：Nature Human Behaviour （2025）。DOI： 10.1038/s41562-025-02220-7