Hubel和Wiesel的猫实验，让AI图像识别少走40年弯路

150528个输入节点。这是把一张224×224的彩色照片喂给全连接网络时，第一层的参数规模。再连到1000个神经元，1.5亿参数瞬间堆满内存——还没开始学任何东西。

MNIST的28×28灰度数字让我们误以为问题解决了。真照片甩过来，才发现全连接网络是个贪婪的怪兽：它要求每个神经元同时关注所有像素，不管左上角和右下角有没有关系。

更蠢的是位置敏感。同一只猫耳朵，出现在画面左边和右边，网络得分别学两遍。

1959年的猫，改变了计算机视觉

David Hubel和Torsten Wiesel没想搞AI。他们只是好奇：视觉皮层到底在干什么。

电极插进麻醉猫的视觉皮层，屏幕投影各种形状。大部分时候，神经元安静得像在睡觉。直到一次意外——玻璃滑动，一道细光斜切过屏幕。

某个神经元突然疯狂放电。

不是整个皮层。是特定位置、特定角度的那条边缘，触发了特定神经元的响应。Hubel和Wiesel反复验证：不同神经元负责不同朝向的边缘，水平、垂直、斜向，各自为政。每个神经元只盯着自己的一小块"领地"（感受野），更高层的神经元再把这些局部信息拼凑成角、曲线、完整形状。

视觉皮层不是全连接的大锅饭，而是层层递进的本地侦探局。

这个发现拿了1981年诺贝尔生理学或医学奖。三十年后，它成了卷积神经网络（CNN）的架构蓝图。

卷积：用"滑动窗口"偷换概念

CNN的核心操作叫卷积，本质上是个过滤器（filter）在图像上滑来滑去。同一套权重参数扫遍整张图，问同一个问题："这儿有边缘吗？"

输出是一张特征图（feature map），标记出哪里响应强烈。换个过滤器问不同问题——"斜向纹理？""颜色突变？"——再输出一张特征图。

关键突破在这里：参数共享。检测左边缘的过滤器，滑到右边还是同一套参数。猫耳朵不管出现在哪，都被同一个机制捕获。

池化层（pooling）再往下压分辨率，保留大致位置信息但扔掉精确坐标。网络逐渐从像素级细节"抽身"，转向更抽象的模式识别。

LeNet-5（1998年）是第一个跑通的CNN，Yann LeCun用它识别手写支票数字。但真正爆发要等到2012年——AlexNet在ImageNet竞赛把错误率砍半，GPU训练+ReLU激活+Dropout正则，三件套凑齐。

从通用到专用：网络结构的进化逻辑

全连接网络是通才思维：我什么都要学，每个连接独立调参。CNN是专才分工：早期层专盯边缘纹理，中期层专盯部件形状，后期层专盯整体语义。

这种层级专门化（hierarchical specialization）恰好复刻了Hubel和Wiesel在猫脑子里看到的结构。

ResNet（2015年）把层数堆到152层，靠残差连接解决梯度消失。DenseNet让每层直接连到后面所有层，信息流动更顺畅。EfficientNet用复合缩放统一调整深度、宽度、分辨率，用更少的参数量刷榜。

但核心思想没变：局部连接、权重共享、层级抽象。

Transformer架构在2020年后席卷视觉领域（Vision Transformer），把图像切成patch当序列处理。很多人以为CNN要退场了。实际情况是：ConvNeXt、Swin Transformer这些新设计，反而把卷积的归纳偏置（inductive bias）重新捡回来，和注意力机制杂交。

生物学给的启发，至今没被完全替代。

现在打开手机的相册搜索，输入"海边"，AI能挑出你没打标签的照片。自动驾驶的障碍物检测，医学影像的肿瘤筛查，工厂流水线的瑕疵识别——底层跑的都是这套1960年代从猫脑子里抄来的架构。

Hubel和Wiesel当年要是知道，他们用来固定猫头骨的螺丝，间接拧进了万亿参数的模型里，会怎么想？