Full text · 原文
1,492 字
时令 发自 凹非寺<br>
量子位 | 公众号 QbitAI<br>
AI看世界的方式，与人类大脑保持一致。<br>
但究竟是什么因素驱动了这种脑-模型相似性，至今仍缺乏清晰认识。<br>
为此，FAIR与巴黎高等师范学院通过训练自监督视觉Transformer模型（DINOv3），并使用功能性磁共振成像（fMRI ）和脑磁图（MEG）从不同指标评估脑-模型相似性。<br>
结果发现，模型大小、训练数据量和图像类型都会影响模型与大脑的相似度，而且这些因素之间还有相互作用。<br>
特别是，规模最大、训练量最多，并使用人类相关图像训练的DINOv3模型，在脑相似性评分最高。<br>
研究还发现，类脑表征在AI模型中的出现遵循特定的时间顺序：模型先对齐人类早期感觉皮层表征，而要像大脑的高层区域（例如前额叶）一样处理信息，则需更多训练数据。<br>
这一发展轨迹与人类大脑皮层的结构与功能特性高度一致。模型在训练后期学到的表征，恰好对应大脑中发育最晚、最厚、髓鞘最少、处理速度最慢的区域。<br>
DINOV3学到的与大脑一致<br>
DINOv3是一种自监督视觉Transformer模型，已在17亿张自然图像上进行训练。<br>
为了进行全面评估，研究人员从零训练了DINOv3模型的8个变体，以覆盖不同的模型规模、训练数据量和数据类型。<br>
为了对比不同类型图像对模型训练的效果，研究者重新训练了三种DINOv3模型，分别使用人类中心图像、细胞图像和卫星图像，且每类图像数量均为1000万张。<br>
在评估DINOv3模型与人类大脑视觉表征的相似度时，研究从功能性磁共振成像（fMRI ）和脑磁图（MEG）中筛选出15个具有代表性的感兴趣区域（ROIs） ，覆盖从低级视觉皮层到高级前额叶皮层的完整视觉加工层级。<br>
结果显示，随着训练的进行，DINOv3学到的表征会逐步与人脑的表征相一致。<br>
其次，DINOv3学会的这种表征层级，与大脑中的空间层级和时间层级相对应。<br>
为了继续探究DINOv3中类脑表征的出现，研究人员在DINOv3每个选定训练步骤上评估编码评分、空间评分和时间评分，并用“半达时间”总结其发展速度，即达到最终评分一半所对应的训练步骤。<br>
令人惊讶的是，这些编码、空间和时间相关的评分都会在训练过程中出现，但出现的速度各不相同。<br>
低级视觉区表征通常在DINOv3训练的早期就获得，而要学到与前额叶皮层类似的表征，则需要更多的训练。<br>
其次是模型大小，更大的模型在训练中更快表现出类脑特征，脑评分更高，尤其是在高级脑区表现明显。<br>
最后是图像类型，即使只使用卫星图像或细胞图像训练的模型，也能显著捕捉到脑信号，但使用人类中心图像训练的模型在所有脑区的编码效果更高。<br>
这一结果可能是因为人类中心图像更接近大脑日常接触的视觉输入，而卫星图像和细胞图像则是大脑未经过训练处理的图像类型。<br>
为探讨类脑表征与皮层的关系 ，研究人员分析了编码半达时间与皮层四种特性的相关性。<br>
1、皮层扩展：他们比较婴儿与成人皮层结构的图谱，发现半达时间与皮层扩展高度正相关。这表明发育增长较大的皮层区域，其在AI模型中对应的表征出现较晚。<br>
2、皮层厚度：皮层较厚的区域半达时间更长。<br>
3、皮层动力学：内在动力学最慢的区域也往往具有最长的半达时间，即DINOv3的深层表征通常对应大脑反应较慢的区域。<br>
4、皮层髓鞘：髓鞘可加快神经信号传导，其浓度与半达时间呈显著负相关，说明髓鞘浓度越高，表征出现越早。<br>
论文链接：https://arxiv.org/abs/2508.18226<br>
参考链接：https://x.com/JeanRemiKing/status/1962453435199983982