科学家成功将大脑的“视觉密码”浓缩成电路图，开启新发现之路

猕猴视觉皮层里有一个神经元，它只对一件事情有反应：一个特定大小的小圆点出现在视野中特定的位置。不是线条，不是轮廓，就是那个点。

几十年来，神经科学家能够精确描述这种奇异的选择性，却始终无法真正解释它。原因很简单：用来预测神经元行为的计算模型，本身就像大脑一样复杂难懂，一个黑箱嵌套着另一个黑箱，理解一个神经元的代价，是陷入另一个迷宫。

这项发表于《自然》期刊的研究，来自卡内基梅隆大学和普林斯顿大学的联合团队，他们换了一个方向：把模型压缩到人能看懂的程度。

从6000万个参数，压缩到1万个

研究团队的起点，是一个包含6000万个参数的深度神经网络。这类模型在预测视觉皮层神经元对图像的反应方面相当精确，被现代神经科学广泛使用，但其内部逻辑几乎和它试图解释的大脑一样不透明。

研究团队采用了机器学习领域的两种成熟技术：知识蒸馏和模型剪枝。前者让一个小模型向大模型"学徒"，继承核心预测能力；后者则像园丁剪树枝一样，反复去除冗余的计算单元，直到模型精简到极限。

最终，每个神经元的对应模型被压缩到大约1万个参数，整整小了5000倍。

令人意外的是，这些袖珍模型预测神经元反应的准确率，仍然超过了所有测试过的标准深度学习架构。这个结果本身就已经颠覆了一个默认假设：神经元的行为需要极度复杂的模型才能捕捉。

卡内基梅隆大学生物医学工程教授马修·史密斯说："这项研究表明，我们不需要庞大而复杂的神经网络就能理解单个神经元在做什么。通过让模型变得更小、更易解释，我们实际上可以对视觉系统的工作方式建立直觉，并提出可以在实验室中检验的假设。"

第三层到第四层之间，神经元的"个性"突然出现

压缩之后，研究人员第一次能够逐层检查每个模型的内部结构，结果揭示出一个清晰的规律。

在所有压缩模型的早期层，结构几乎完全相同：一套共享的计算词汇，专门处理边缘、曲线和色彩对比。这些是视觉信息最基础的"砖块"，不同神经元通用。

但在第三层和第四层之间，发生了研究团队称为"巩固步骤"的急剧转变。在这个节点之后，每个模型的后续层开始彼此分化，变得高度个性化。一个通用的视觉处理器，在这一刻分裂成了点检测器、曲线检测器或纹理专家。

研究人员对那个"点检测神经元"做了最精细的解剖。他们发现，让这个神经元只对特定大小的圆点做出反应的机制，仅仅由六个组件构成：四个负责检测圆点边缘的角状曲率，两个负责压制对大面积连续边缘的反应。

一个小圆点，会同时触发全部四个兴奋性组件，同时几乎不激活抑制性组件，神经元就会强烈放电。一个大圆点则会把兴奋性信号分散得太开，触发抑制机制，整个反应随即崩溃。

六个组件，就把一个困惑了神经科学几十年的问题讲清楚了。

这种规律在整个视觉层级中都成立，而且呈现出令人信服的梯度：视觉皮层最底层的V1神经元，最简单，五个共享滤波器足够；V4神经元需要约十个；位于视觉系统顶端、负责识别物体的下颞叶皮层神经元，则需要约六十个，恰好与其处理内容的复杂程度相符。

研究的验证结果同样引人注目。研究团队根据这些压缩模型的预测，专门设计出应该最大限度激活特定神经元的图像，然后真的把这些图像呈现给猕猴，结果被测神经元的反应强度超过了98%的随机图像引发的反应。模型的预测，和真实大脑的行为高度吻合。

当然，这套方法目前仍有清晰的边界。压缩策略在单个神经元和小规模神经元群体上效果显著，但能否扩展到皮层中数以百万计的神经元的完整多样性，目前仍是一个开放问题。研究团队也明确指出了这一局限。

但这项研究最根本的意义，或许在于重新设定了整个领域的预期：大脑的视觉系统，也许并非注定要用另一个黑箱才能描述。一个神经元可以被画成电路图，如果足够多的神经元都能做到这一点，用简单、可验证的回路来理解视觉的经典科学传统，就还远远没有走到尽头。

信息来源：https://scienceblog.com/neuroedge/2026/02/25/shrunken-ai-models-reveal-how-the-brains-visual-neurons-actually-work/