当AI性能狂飙，类脑之路却“南辕北辙”？科学家的交叉研究带来认知颠覆

主要观点总结

该文章主要介绍了布朗大学和美国哥伦比亚大学联合团队的一项研究，他们发现高性能的AI模型在神经表征和行为反应上与灵长类动物视觉系统的差异越来越大，这意味着AI的进步并不一定意味着对大脑机制的理解加深。文章还介绍了该研究的历史背景、研究方法和发现，以及未来的研究方向和挑战。

关键观点总结

关键观点1: 深度神经网络在视觉感知任务中的卓越性能。

深度神经网络（DNN）作为AI领域的重要突破，在视觉感知任务中展现出卓越的性能。某些关键指标已在特定场景下超越人类水平。

关键观点2: AI模型与灵长类动物视觉系统的差异。

随着AI模型在物体识别任务上的表现增强，其与灵长类动物视觉系统在神经表征和行为反应两个关键维度上的差异反而增大。这提示我们，高性能的AI模型并不等同于类脑模型。

关键观点3: 研究意义与面临的挑战。

该研究对神经科学、认知科学与AI交叉研究具有警示意义，指出不能假设“AI表现越好，就越接近人脑”。同时，该研究也面临着如何在模型优化中引入人类视觉的注意机制等核心挑战。

关键观点4: 未来研究方向。

文章介绍了未来研究方向，包括视觉科学需要建立独立于工程AI的方法论体系，并探索时间编码机制、动态稀疏连接等关键领域。同时，研究指出传统监督学习与大脑学习机制之间存在本质差异，自监督学习和多模态、动态、交互式的训练环境可能是未来的发展方向。

免责声明