在过去十年中，人工神经网络因能精准预测大脑视觉系统的神经活动，被公认为理解人类物体识别机制的最佳计算模型。然而，这些号称“类脑”的AI模型，其内部运行机制是否真的与灵长类大脑殊途同归？
近日，加拿大约克大学研究团队在《自然-机器智能》（Nature Machine Intelligence）上发表研究。通过创新的反向预测测试，研究者发现当前顶尖的AI视觉模型在处理任务时，大量依赖于大脑并不具备的内部策略。这一发现为AI模型在临床实验设计及人类行为模拟中的可靠性敲响了警钟。
核心背景：从“预测大脑”到“被大脑预测”
传统研究通常采用单向逻辑：如果AI模型能预测大脑神经元的电活动，它就是“类脑”的。
“直到现在，科学家大多只在单一维度进行验证，”约克大学视觉神经科学加拿大首席研究员、该研究资深作者 Kohitij Kar 教授指出，“如果AI真的镜像了大脑，那么逻辑上应该是双向的——即大脑的活动也应该能够预测AI模型内部的特征。”
实验设计：跨越自然与艺术的视觉挑战
研究人员利用 1,320 张包含 10 类物体的自然图像，并额外引入 300 张涵盖轮廓线、草图及艺术化变体的非自然图像，对AI与灵长类大脑进行了对比：
-
正向预测（Model-to-Brain）： AI模型确实能相当好地预测记录到的大脑神经元活动。
-
反向预测（Brain-to-Model）： 令人震惊的缺口出现了——大脑无法同等地预测模型中的许多内部特征。
-
一致性基准： 在“大脑对大脑”的跨个体对比中，这种预测的不对称性并不存在。
核心发现：不同的“内部策略”
研究结果表明，当前的AI系统在解决视觉任务时，部分使用了大脑并未采用的计算逻辑。
-
策略脱节： 尽管AI在物体识别的表现上与人类相似，但其底层策略存在本质区别。
-
行为预测力： 研究强调，AI模型中只有那些与大脑在分子水平上真正对齐的部分，才能更好地预测真实的真实人类行为。
-
误差累积： Kar教授警告，如果这种底层差异不及时纠正，AI模型与生物大脑之间的认知鸿沟将随时间推移而不断复合。
临床与现实意义：为自闭症研究提供“基准线”
这项研究不仅是一个理论诊断工具，更具有深远的转化医学意义：
-
实验设计风险： AI模型正被用于设计理解人类行为的临床实验。如果模型感知世界的方式异于常人，其实验设计的有效性将存疑。
-
神经多样性研究： 该发现对约克大学的自闭症研究计划至关重要。研究人员需要一个精准的神经典型大脑模型作为基线，才能有效解读非典型认知。
总结与展望
为了推动AI向真正的“类脑化”发展，研究团队已向全球开发者公开了测试工具包。
约克大学博士后 Sabine Muzellec 表示：“我们为该领域提供了一个经过严谨验证的诊断指标。这提醒开发者，不仅要追求更强大的性能，更要追求与大脑的真正对齐。”
参考文献：Sabine Muzellec et al, Reverse predictivity for bidirectional comparison of neural networks and biological brains, Nature Machine Intelligence (2026). DOI: 10.1038/s42256-026-01204-0
编辑：王洪
排版：李丽
评论 (0)