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:Optimized feature gains explain and predict successes and failures of human selective listening

發(fā)表時(shí)間：2026.3.13

發(fā)表期刊:Nature Human Behaviour

影響因子：15.9

獲取原文：

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

研究背景

想象一下，你正身處一場(chǎng)喧鬧的派對(duì)，周?chē)涑庵魳?lè)聲、酒杯碰撞聲和數(shù)十人的談笑聲。然而，當(dāng)你的朋友對(duì)你說(shuō)話時(shí)，你卻能毫不費(fèi)力地“過(guò)濾”掉周遭的嘈雜，精準(zhǔn)捕捉到他們的聲音。這種在復(fù)雜聲音環(huán)境中提取特定語(yǔ)音的能力，就是認(rèn)知科學(xué)中經(jīng)典的“雞尾酒會(huì)問(wèn)題”。

幾十年來(lái)，神經(jīng)科學(xué)家一直在尋找這種選擇性聽(tīng)覺(jué)的底層機(jī)制。大量的神經(jīng)生理學(xué)觀察提出了一個(gè)極具吸引力的假設(shè)：注意力可能表現(xiàn)為一種“乘數(shù)特征增益”（multiplicative feature gains）。簡(jiǎn)單來(lái)說(shuō)，當(dāng)你關(guān)注某種特定聲音特征（如特定音高或位置）時(shí)，大腦會(huì)像調(diào)節(jié)混音臺(tái)推子一樣，按比例放大對(duì)這些特征敏感的神經(jīng)元反應(yīng)，從而在神經(jīng)表征中突出目標(biāo)聲音。

然而，領(lǐng)域內(nèi)一直存在一個(gè)核心痛點(diǎn)：這種在單神經(jīng)元層面觀察到的簡(jiǎn)單增益機(jī)制，真的足以解釋人類(lèi)在真實(shí)世界中復(fù)雜多變的聽(tīng)覺(jué)注意力行為嗎？此外，為什么我們的注意力有時(shí)會(huì)完美運(yùn)作，有時(shí)卻會(huì)遭遇滑鐵盧（比如被一個(gè)聲音相似的人干擾）？為了回答這些問(wèn)題，麻省理工學(xué)院（MIT）的研究團(tuán)隊(duì)構(gòu)建了一個(gè)具有刺激可計(jì)算特征增益的人工神經(jīng)網(wǎng)絡(luò)模型，試圖通過(guò)計(jì)算建模來(lái)還原并預(yù)測(cè)人類(lèi)在“雞尾酒會(huì)”中的成敗。

研究核心總結(jié)

本研究通過(guò)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)（DNN）執(zhí)行特定說(shuō)話者的語(yǔ)音識(shí)別任務(wù)，并在網(wǎng)絡(luò)架構(gòu)中嵌入了基于目標(biāo)記憶的乘數(shù)特征增益模塊。結(jié)果顯示，盡管該模型并未被刻意設(shè)定為“模仿人類(lèi)”，但它在多種復(fù)雜場(chǎng)景下展現(xiàn)出了高度擬人化的注意力策略。

Fig. 1 | Task and model architecture used to study attention.

一、完美復(fù)刻人類(lèi)的“成功”與“失敗”

研究表明，該模型不僅在整體語(yǔ)音識(shí)別表現(xiàn)上與人類(lèi)聽(tīng)眾相當(dāng)，還成功復(fù)刻了人類(lèi)對(duì)不同干擾因素的敏感性。例如，當(dāng)干擾者的性別或語(yǔ)言與目標(biāo)不同時(shí)，人類(lèi)和模型的識(shí)別率都會(huì)顯著提高。更重要的是，模型展現(xiàn)出了與人類(lèi)高度相似的“注意力失效”模式：當(dāng)目標(biāo)和干擾者的特征重疊度較高（如信噪比低或同性別）時(shí)，模型也會(huì)像人類(lèi)一樣“聽(tīng)串音”，錯(cuò)誤報(bào)告干擾者說(shuō)出的詞匯。這表明，人類(lèi)的注意力失誤并非單純的認(rèn)知渙散，而是基于特征提取的最優(yōu)系統(tǒng)在面對(duì)高度相似特征時(shí)的必然計(jì)算代價(jià)。

Fig. 2 | Comparison of human and model attentional selections in monaural conditions.

二、對(duì)空間注意力的精準(zhǔn)預(yù)測(cè)與行為證實(shí)

模型自發(fā)學(xué)會(huì)了利用空間信息來(lái)輔助語(yǔ)音選擇，成功復(fù)刻了人類(lèi)的“空間掩蔽釋放”（spatial release from masking）和由優(yōu)先效應(yīng)引發(fā)的錯(cuò)覺(jué)空間分離優(yōu)勢(shì)。更令人興奮的是，模型對(duì)人類(lèi)空間注意力提出了兩個(gè)全新的預(yù)測(cè)并被行為實(shí)驗(yàn)證實(shí)：

1. 水平/垂直不對(duì)稱(chēng)性：模型預(yù)測(cè)，目標(biāo)與干擾者在水平方向（方位角）的分離能帶來(lái)巨大的識(shí)別收益，但在垂直方向（仰角）的分離則幾乎沒(méi)有幫助。人類(lèi)行為實(shí)驗(yàn)完美驗(yàn)證了這一預(yù)測(cè)。

2. 空間“聚光燈”的中心/邊緣差異：模型顯示，當(dāng)目標(biāo)位于正前方（中線）時(shí)，極小的空間分離就能起效；而當(dāng)目標(biāo)位于邊緣位置時(shí)，則需要大得多的空間偏移才能獲得同等收益。隨后的聽(tīng)覺(jué)實(shí)驗(yàn)確認(rèn)了人類(lèi)同樣具有這種中心銳利、邊緣寬泛的聽(tīng)覺(jué)空間聚光燈。

Fig. 3 | Comparison of human and model spatial attention.

三、揭示“晚期選擇”的計(jì)算合理性

關(guān)于注意力究竟作用于感覺(jué)處理的早期還是晚期，一直是認(rèn)知神經(jīng)科學(xué)爭(zhēng)論的焦點(diǎn)。對(duì)模型各層級(jí)表征的分析發(fā)現(xiàn)，目標(biāo)和干擾者的表征分離（即注意力增強(qiáng)效應(yīng)）在網(wǎng)絡(luò)的較晚階段才變得顯著。這一發(fā)現(xiàn)與人類(lèi)非初級(jí)聽(tīng)覺(jué)皮層中觀察到的“晚期選擇”神經(jīng)生理學(xué)特征高度吻合 ，暗示大腦將注意力增強(qiáng)置于處理層級(jí)后方，可能是實(shí)現(xiàn)高效語(yǔ)音特征選擇的最優(yōu)計(jì)算解。

Fig. 4 | Model predictions of human spatial selection.

四、架構(gòu)決定行為

研究最后強(qiáng)調(diào)了架構(gòu)約束的關(guān)鍵性。去除了明確特征增益功能，或僅在極早期/極晚期應(yīng)用增益的替代模型，均無(wú)法像主模型那樣精準(zhǔn)擬合人類(lèi)行為數(shù)據(jù)。

Fig. 5 | Stage of attentional selection.

研究意義

該研究首次證明，將簡(jiǎn)單的“乘數(shù)特征增益”與標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)操作相結(jié)合，不僅足以解釋人類(lèi)選擇性聽(tīng)覺(jué)的復(fù)雜現(xiàn)象與局限，更為理解注意力機(jī)制的認(rèn)知計(jì)算本質(zhì)提供了強(qiáng)大的可驗(yàn)證框架。

Fig. 6 | Dependence of attentional selection on model architecture.

Abstract

Attention facilitates communication by enabling selective listening to sound sources of interest. However, little is known about why attentional selection succeeds in some conditions but fails in others. While neurophysiology implicates multiplicative feature gains in selective attention, it is unclear whether such gains can explain real-world attention-driven behaviour. Here we optimized an artificial neural network with stimulus-computable feature gains to recognize a cued talker’s speech from binaural audio in ‘cocktail party’ scenarios. Though not trained to mimic humans, the model produced human-like performance across diverse real-world conditions, exhibiting selection based both on voice qualities and on spatial location as well as selection failures in conditions where humans tended to fail. It also predicted novel attentional effects that we confirmed in human experiments, and exhibited signatures of ‘late selection’ like those seen in human auditory cortex. The results suggest that human-like attentional strategies naturally arise from the optimization of feature gains for selective listening.

請(qǐng)打分

這篇?jiǎng)倓偟巧?strong>Nature Human Behaviour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：飯鴿兒

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