一鍵關(guān)注，點(diǎn)亮星標(biāo) ?? 前沿不走丟！

認(rèn)知神經(jīng)科學(xué)前沿文獻(xiàn)分享

基本信息

Title:Neuronal tuning aligns dynamically with object and texture manifolds across the visual hierarchy

發(fā)表時(shí)間：2026.3.10

發(fā)表期刊:Nature Neuroscience

影響因子：19.5

獲取原文：

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

引言

我們常常默認(rèn)，視覺(jué)神經(jīng)元的工作方式是“見(jiàn)到什么就對(duì)應(yīng)什么”：看到邊緣，就激活邊緣檢測(cè)；看到人臉，就激活人臉相關(guān)細(xì)胞。這個(gè)框架在初級(jí)視皮層（V1）里還能成立，因?yàn)楹芏嘟?jīng)典研究已經(jīng)證明，那里不少神經(jīng)元確實(shí)對(duì)方向、輪廓這類(lèi)簡(jiǎn)單特征敏感。

但問(wèn)題是，沿著腹側(cè)視覺(jué)通路繼續(xù)往后走，事情就沒(méi)那么直觀了。很多神經(jīng)元會(huì)同時(shí)對(duì)語(yǔ)義上毫不相干的圖像產(chǎn)生強(qiáng)烈反應(yīng)，比如某個(gè)神經(jīng)元可能既喜歡昆蟲(chóng)，也喜歡橋梁，甚至還喜歡一輛卡車(chē)。這樣一來(lái)，單純用“它在編碼某個(gè)具體物體”來(lái)解釋?zhuān)@然就不夠了。

這篇文章想回答的，正是視覺(jué)神經(jīng)元究竟優(yōu)先提取什么信息。作者沒(méi)有繼續(xù)沿用人為設(shè)定刺激的傳統(tǒng)辦法，而是把生成模型（generative models）引入神經(jīng)生理實(shí)驗(yàn)，讓神經(jīng)元自己“挑圖”。他們比較了兩類(lèi)圖像空間：一類(lèi)偏向紋理與局部統(tǒng)計(jì)結(jié)構(gòu)，另一類(lèi)偏向清晰、逼真的物體形態(tài)。核心問(wèn)題不是哪張圖更好看，而是不同視覺(jué)腦區(qū)的神經(jīng)元，究竟更容易在什么樣的圖像流形（manifold）上被驅(qū)動(dòng)到高反應(yīng)。更重要的是，作者不僅看最終反應(yīng)強(qiáng)不強(qiáng)，還看優(yōu)化過(guò)程快不快、是否容易成功，以及這種偏好會(huì)不會(huì)隨時(shí)間發(fā)生變化。

這個(gè)設(shè)計(jì)讓研究從“神經(jīng)元喜歡什么圖”推進(jìn)到了“神經(jīng)元如何在不同視覺(jué)語(yǔ)言中尋找最優(yōu)刺激”。

實(shí)驗(yàn)設(shè)計(jì)與方法邏輯

作者在獼猴的 V1、V4 和后部下顳皮層（posterior inferotemporal cortex, PIT）記錄神經(jīng)活動(dòng)，讓神經(jīng)元在閉環(huán)優(yōu)化（closed-loop optimization）中分別引導(dǎo)兩類(lèi)生成器搜索高激活圖像：DeePSim 代表偏紋理的圖像空間，BigGAN 代表偏物體的圖像空間。研究隨后從三個(gè)層面比較“對(duì)齊”程度：優(yōu)化是否容易成功、優(yōu)化前后激活水平如何變化、達(dá)到高反應(yīng)的速度誰(shuí)更快；再結(jié)合時(shí)間分辨的反應(yīng)曲線(xiàn)與 BigGAN 潛在空間中的調(diào)諧地形，追問(wèn)這種對(duì)齊究竟是靜態(tài)的還是動(dòng)態(tài)展開(kāi)的。

Fig. 1 | Texture and object image manifolds as parameterized by DeePSim and BigGAN.

核心發(fā)現(xiàn)

同一個(gè)神經(jīng)元可以接受兩種“長(zhǎng)相不同”的最優(yōu)圖

但關(guān)鍵是局部特征相通

論文最有意思的起點(diǎn)，是神經(jīng)元能同時(shí)引導(dǎo) DeePSim 和 BigGAN 生成高激活圖像。圖 2 和圖 3 說(shuō)明，這兩類(lèi)優(yōu)化圖在整體外觀上往往差異很大：一個(gè)更像紋理拼貼，一個(gè)更像物體照片，但它們?cè)诰植繀^(qū)域上常共享某些關(guān)鍵線(xiàn)索。作者用歸因掩膜和感知相似性分析證明，同一記錄位點(diǎn)配對(duì)得到的圖像，更像是在重復(fù)利用同一種局部視覺(jué)母題，而不是分別編碼兩個(gè)毫不相干的對(duì)象。讀圖時(shí)真正要抓住的，不是“這像不像某個(gè)東西”，而是神經(jīng)元真正偏愛(ài)的，可能是可在不同場(chǎng)景中反復(fù)出現(xiàn)的局部結(jié)構(gòu)。

Fig. 2 | Example of a successful paired evolution from an inferotemporal cortex site.

Fig. 3 | Optimized images showed local feature similarity.

從 V1、V4 到 PIT，神經(jīng)調(diào)諧對(duì)紋理和物體空間的對(duì)齊關(guān)系逐級(jí)變化

圖 4 是全文最關(guān)鍵的一張總結(jié)圖。作者把“對(duì)齊”拆成優(yōu)化成功率、最終激活強(qiáng)度和收斂速度三個(gè)指標(biāo)，結(jié)果發(fā)現(xiàn)，V1 和 V4 更容易在DeePSim這類(lèi)紋理空間里被推到高反應(yīng)，說(shuō)明這些區(qū)域的調(diào)諧與紋理式表征更貼近；但到了 PIT，BigGAN與DeePSim的表現(xiàn)已經(jīng)接近，優(yōu)化成功率和最終激活差距顯著縮小。這張圖值得重點(diǎn)看，因?yàn)樗选案唠A視覺(jué)區(qū)更偏物體”這個(gè)直覺(jué)，改寫(xiě)成了一個(gè)更細(xì)的結(jié)論：高階區(qū)并不是拋棄紋理，而是在保留局部特征敏感性的同時(shí)，逐步增強(qiáng)了對(duì)物體流形（object manifold）的可導(dǎo)航性。

Fig. 4 | Differential alignment with DeePSim and BigGAN across the ventral hierarchy.

PIT 對(duì)物體空間的優(yōu)勢(shì)

出現(xiàn)在反應(yīng)后段而不是刺激剛出現(xiàn)時(shí)

如果只看平均放電強(qiáng)度，很容易以為 PIT 對(duì)兩種空間“差不多都行”。但圖 5 把時(shí)間維度加進(jìn)來(lái)后，故事明顯變了。作者把刺激后不同時(shí)窗的反應(yīng)拆開(kāi)分析，發(fā)現(xiàn) PIT 在早期時(shí)間窗更容易被紋理型圖像拉起來(lái)，而到了較晚階段，BigGAN 生成的物體型圖像反而占優(yōu)。也就是說(shuō)，PIT 的物體相關(guān)對(duì)齊不是一開(kāi)始就壓過(guò)紋理，而是隨著反應(yīng)展開(kāi)逐步顯現(xiàn)。這一點(diǎn)非常重要，因?yàn)樗崾?strong>高級(jí)視覺(jué)表征并非一次性完成，而可能經(jīng)歷了從局部線(xiàn)索到更完整物體結(jié)構(gòu)的動(dòng)態(tài)整合過(guò)程。

Fig. 5 | Object space preferentially activated late responses in PIT neurons.

神經(jīng)元的調(diào)諧曲線(xiàn)不是固定模板

鐘形還是斜坡取決于你離峰值有多近

圖 6 進(jìn)一步把問(wèn)題從“神經(jīng)元喜歡什么”推進(jìn)到“它的偏好地形長(zhǎng)什么樣”。作者在 BigGAN 潛在空間中沿多個(gè)正交方向采樣，發(fā)現(xiàn)如果此前優(yōu)化已經(jīng)較成功，那么沿這些方向測(cè)得的調(diào)諧曲線(xiàn)更常呈鐘形，峰值也更靠近采樣中心；而當(dāng)優(yōu)化不夠成功時(shí)，曲線(xiàn)更容易表現(xiàn)為斜坡?tīng)钌踔凛^平坦。讀這張圖時(shí)要抓住一點(diǎn)：所謂“神經(jīng)元是鐘形調(diào)諧還是單調(diào)調(diào)諧”，并不是一個(gè)脫離情境的固定屬性，它取決于實(shí)驗(yàn)采樣有沒(méi)有真正靠近該神經(jīng)元的偏好峰。這個(gè)結(jié)果也讓我們對(duì)高維視覺(jué)表征的理解更接近真實(shí)狀態(tài)。

Fig. 6 | Geometry of tuning landscapes in BigGAN latent space.

歸納總結(jié)和點(diǎn)評(píng)

這項(xiàng)研究把生成模型、閉環(huán)神經(jīng)生理和時(shí)間動(dòng)態(tài)分析真正結(jié)合了起來(lái)，回答的不是“神經(jīng)元更喜歡紋理還是物體”這樣一個(gè)二選一問(wèn)題，而是揭示了這種偏好會(huì)隨視覺(jué)層級(jí)和反應(yīng)時(shí)間共同變化。更可貴的是，作者沒(méi)有把 PIT 簡(jiǎn)化成“物體區(qū)”，而是指出它既保留對(duì)局部視覺(jué)母題的敏感，也在晚期反應(yīng)中更好地對(duì)齊物體結(jié)構(gòu)。這個(gè)結(jié)論對(duì)理解腹側(cè)通路編碼原則，以及反思當(dāng)前計(jì)算機(jī)視覺(jué)模型與生物視覺(jué)之間的差距，都很有啟發(fā)性。

請(qǐng)打分

這篇?jiǎng)倓偟巧?strong>Nature Neuroscience的研究，是否實(shí)至名歸？我們邀請(qǐng)您作為“云審稿人”，一同品鑒。精讀全文后，歡迎在匿名投票中打分，并在評(píng)論區(qū)分享您的深度見(jiàn)解。

分享人：BQ

審核：PsyBrain 腦心前沿編輯部

你好，這里是「PsyBrain 腦心前沿」

專(zhuān)注追蹤全球認(rèn)知神經(jīng)科學(xué)的最尖端突破

視野直擊 Nature, Science, Cell 正刊 及 Nat Neurosci, Nat Hum Behav, Neuron, Sci Adv 等核心子刊與頂級(jí)大刊

每日速遞「深度解讀」與「前沿快訊」，為你打破信息差

科研是一場(chǎng)探索未知的長(zhǎng)跑，但你無(wú)需獨(dú)行。歡迎志同道合的你加入PsyBrain 學(xué)術(shù)社群，和一群懂你的同行，共同丈量腦與心智的無(wú)垠前沿。

點(diǎn)擊卡片進(jìn)群，歡迎你的到來(lái)

一鍵分享，讓更多人了解前沿