深度神经网络（DNN，，，，Deep Neural Network）作为 AI 领域的主要突破，，，，在视觉感知使命中展现出卓越的性能体现，，，，其识别准确率等要害指标甚至已在特定场景下逾越人类水平。
。。。。。。这使人们普遍以为，，，，人工智能手艺的快速生长将增进对生物智能的深入明确。
。。。。。。 然而，，，，由美国布朗大学和美国哥伦比亚大学联合团队最近开展的一项研究却提出了差别的看法：随着 AI 模子在物体识别使命上的体现越来越强，，，，其在神经表征（如下颞叶皮层活动模式）和行为反应（如注重力分派战略）两个要害维度上，，，，与灵长类动物视觉系统的差别反而越来越大。
。。。。。。 这提醒人们，，，，高性能的 AI 模子并不即是类脑模子，，，，也就是说，，，，模子若是只是为了提升使命准确率，，，，未必会更靠近大脑的运算机制。
。。。。。。这对神经科学、认知科学与 AI 交织研究敲响警钟：不可再假设“AI 体现越好，，，，就越靠近人脑”。
。。。。。。这一发明挑战了人们恒久以来的假设，，，，即 AI 的前进将自然而然地推动脑与认知科学的生长。
。。。。。。 该论文第二作者、哥伦比亚大学在读博士生冯品源对 DeepTech 体现：“未来的 AI 研究需要明确目的——是构立功效性工具，，，，照旧明确大脑机制。
。。。。。。若是是后者，，，，我们需要反过来用脑与认知科学的发明来约束模子的设计，，，，而不是仅依赖工程优化。
。。。。。。 日前，，，，相关论文以《更强盛的人工智能并不料味着更好的生物模子》（Better artificial intelligence does not mean better models of biology）为题揭晓在预印本网站arXiv[1]。
。。。。。。布朗大学德鲁·林斯利（Drew Linsley）研究助理教授是第一作者，，，，冯品源是第二作者，，，，布朗大学托马斯·瑟尔（Thomas Serre）教授担当通讯作者。
。。。。。。 从历史维度来看，，，，人工智能的生长起源于对人脑机制的探索，，，，这一渊源在专业术语中仍有体现——诸如“神经网络”“表征”等焦点看法都直接借鉴自神经科学与心理学等领域。
。。。。。。典范如诺贝尔物理学奖得主杰弗里·辛顿（Geoffrey Hinton）的学术轨迹，，，，其早期认知心理学研究对人脑的探索为后续 AI 突破涤讪了理论基础。
。。。。。。 然而，，，，随着盘算硬件的迭代升级和手艺范式的刷新，，，，AI 生长的主导实力已从神经科学、心理学转向盘算机科学，，，，这一转变带来了研究范式的根天性重构。
。。。。。。已往人们相信，，，，通过优化使命体现（好比 ImageNet 分类 [2]），，，，模子就能自觉学到类似人脑的表征，，，，可是从 AI 现在的生长来看，，，，这套逻辑正在失效。
。。。。。。 在这一研究配景下，，，，团队提出了“协调化”要领，，，，实验在模子优化中引入人类视觉的注重机制。
。。。。。。通过调解训练数据和目的函数，，，，使模子决议时更关注与人类视觉系统一致的要害区域，，，，起源验证了提升模子生物合理性的可行性。
。。。。。。 然而，，，，该要领仍面临焦点挑战：高质量人类行为数据的匮乏使得优化历程实质上仍未完全脱离监视学习的框架。
。。。。。。只管云云，，，，这一研究偏向具有双重价值——既增强了模子可诠释性，，，，又为明确人类视觉机制提供了新视角。
。。。。。。 基于这些发明，，，，该研究强调视觉科学需要建设自力于工程 AI 的要领论系统，，，，同时选择性吸收神经科学的启示来优化 DNN 的能效、泛化和鲁棒性。
。。。。。。 重点突破偏向包括：时间编码机制、动态希罕毗连（模拟神经节能）、反响/横向结构（实现类皮层的注重调控）、突触可塑性（支持一连学习）以及多模态整合（借鉴海马影象机制）。
。。。。。。这些探索需要在生物合理性与盘算效率间追求平衡，，，，优先实现工程可行的要害特征，，，，而非完全模拟生物细节。
。。。。。。 研究指出，，，，目今工程优化的 AI 模子保存系统性误差，，，，视觉科学研究需审慎使用。
。。。。。。未来的突破有赖于生物数据与大规模训练的深度连系，，，，这需要神经科学、认知科学和 AI 领域在实验平台、训练流程和评估标准上建设协同机制。
。。。。。。 需要相识的是，，，，大脑不是为静态简单模态使命进化的，，，，而是在一个一直转变、充满多感官输入的天下中生长出来的。
。。。。。。因此，，，，古板监视学习的原理和大脑的学习机制之间保存实质差别。
。。。。。。正是这一认知推动了自监视学习的兴起，，，，该要领通过从原始数据中自主掘客潜在纪律，，，，有用镌汰了对人工标注的依赖，，，，展现出更强的生物合理性。
。。。。。。 另外，，，，若是希望模子学到类似生物的视觉战略，，，，训练情形也应该是多模态、动态、交互式的。
。。。。。。例如，，，，可以设计一个虚拟情形，，，，模子需要一直与情形互动、展望未来、聚焦目的以及逃避危害。
。。。。。。 冯品源诠释说道：“这样的情形将促使模子生长出更强的注重机制、时序整合机制和多模态融合能力。
。。。。。。随着具身智能看法的火爆，，，，越来越多的人也关注这一偏向——从让 AI 静态感知到真实天下的物体举行交互，，，，从中获得有用的多维度信息。
。。。。。。” 现在，，，，冯品源在哥伦比亚大学祖克曼研究所（Zuckerman Institute）下属的“视觉推理”实验室（Visual Inference Lab）研究人与 AI 的视觉机制，，，，他的导师是尼古拉斯·克里格斯科特（Nikolaus Kriegeskorte）教授。
。。。。。。 他正在起劲将认知科学和神经科学的看法推动 AI 生长，，，，同时使用 AI 增进对人类智能的明确。
。。。。。。在加入哥伦比亚大学之前，，，，他在布朗大学获得硕士学位，，，，师从托马斯·瑟尔（Thomas Serre）教授，，，，主要研究人类与机械在表征对齐方面的关系。
。。。。。。 托马斯·瑟尔团队的前期研究为这一领域涤讪了主要基础。
。。。。。。在视觉行为层面，，，，他们开发的新型对齐机制首次实现了 AI 在重大场景中与人类认知战略的高度一致；；
；在神经表征层面，，，，他们发明工程优化的 AI 模子与生物视觉的神经活动模式保存系统性偏离。
。。。。。。这些发明为构建新一代神经可诠释的感知模子提供了理论框架和要领学指导。
。。。。。。 未来，，，，该团队将聚焦两个偏向继续研究：围绕 AI 模子睁开深度探索，，，，从动态数据（如视频）中学习，，，，使模子的视觉能力更靠近人类；；
；继续构建横跨认知科学、神经科学与盘算机科学领域的大规模数据平台，，，，推动跨学科研究标准的建设与互认。
。。。。。。这些偏向有助于为 AI 与生物智能研究提供更富厚的视角。
。。。。。。