Nature：大脑视觉密码破解——AI压缩术让“大模型”缩水5000倍，发现神经元偏爱小圆点！

当你正盯着手机屏幕阅读这段文字，你的眼睛在字里行间快速跳动，而大脑则在毫秒之间完成了一场极其复杂的视觉盛宴—识别每一个汉字，理解它们的含义，构建出完整的语义图景。这一切发生得太自然，以至于我们很少会思考：大脑究竟是如何做到的？这个看似简单的问题，其实困扰了神经科学家数十年。而今天，一个令人惊喜的答案可能来自一个意想不到的方向—让AI模型“缩水”。

近年来，人工智能领域掀起了一场“大模型”狂潮。从ChatGPT到Sora，参数动辄千亿万亿，规模之大令人咋舌。这些模型确实在模拟人类智能方面表现出色，但对于想要理解真实大脑运作机制的神经科学家来说，它们却带来了新的困扰—用一个“黑箱”去解释另一个“黑箱”，这本身就是个悖论。试想一下，如果我们想知道大脑的视觉系统如何工作，传统的做法是训练一个深度神经网络来模拟它。但问题是，这个网络本身就有数百万甚至上亿个参数，复杂程度堪比一团乱麻。即便它能准确预测大脑的反应，我们依然不知道它内部发生了什么。这就像你买了一个能准确预测天气的神秘盒子，却永远不知道盒子里是怎么运作的。

逆向思维：让大模型“瘦身”5000倍

日前，发表在国际杂志Nature上题为“Compact deep neural network models of the visual cortex”的研究报告中，来自冷泉港实验室等机构的科学家们另辟蹊径，他们的思路很独特：与其构建更大的模型，不如想办法把大模型压缩到极致。文章中，研究人员首先对猕猴视觉皮层进行了系统性的神经信号记录，他们给猕猴展示精心挑选的自然图像，同时追踪它们视觉皮层中哪些神经元被激活。这些数据被用来训练一个超大的深度神经网络模型，使其能准确预测特定图像会引发哪些神经元反应。这个模型规模相当可观—拥有6000万个参数，预测精度比竞品高出30%以上。

但真正精彩的环节才刚刚开始，研究人员运用压缩技术，将这个庞然大物的参数数量锐减到原来的五千分之一；最终得到的模型，小到可以用电子邮件附件发送。你可能会问：一个缩水五千倍的模型，还能准确预测大脑反应吗？答案是肯定的。压缩后的模型虽然体型“瘦身”，但预测精度几乎保持不变。这意味着，模拟大脑视觉处理的核心机制，可能并不需要那么多参数。

发现“点”偏好的神经元

模型变小了，好处立刻显现出来—研究人员终于可以看清它的内部运作机制了。通过深入分析这个紧凑模型，他们发现了一个有趣的计算模式：模型中的神经元首先会将图像分解成最基本的特征，比如边缘和颜色。然后，这些基础信息会以不同的方式被“整合”，形成每个神经元独特的偏好。最令人惊喜的发现是，在模型模拟的V4视觉区域中，有一组神经元特别“喜欢”小圆点。这听起来似乎有些莫名其妙——我们的大脑里为什么会专门有一群细胞对圆点情有独钟？

但仔细想想，圆点在日常生活中扮演着多么重要的角色。眼睛是什么？不就是两个充满信息的圆点吗？想想眼神交流在人际交往中的重要性，从婴儿时期注视母亲的眼睛，到成年后恋人之间的深情对视，圆点承载了太多意义。研究人员甚至还能追踪到这些“点偏好”神经元的具体工作机制：它们如何接收来自初级视觉皮层的输入，如何整合边缘信息，最终形成对圆点的特异性响应。这种机制不仅存在于计算机模型中，也指向了真实的神经回路假设，未来可以在生物大脑中进行验证。

从视觉到疾病：小模型的大前景

这项研究的突破不仅在于我们理解了视觉皮层的运作机制，更在于它建立了一种全新的研究范式—通过构建既精准又简约的模型，让“可解释的人工智能”不再是空话。研究人员进一步验证发现，同样的压缩方法对初级视觉皮层V1和下颞叶皮层IT同样有效，这就表明，“先构建大模型再压缩”可能揭示了视觉系统的一个通用计算原则。

这项工作的意义还不止于此。研究人员展望了更广阔的应用前景，例如，在阿尔茨海默病中，我们知道突触会逐渐丢失。如果我们知道哪些图像能够驱动神经元之间的交流，或许就有可能重建那些曾经被认为因疾病而永久丧失的突触连接。这项研究给我们最大的启示或许在于：在追求“大”的同时，不要忘记“小”的价值。当全世界都在追逐更大规模的模型时，一群科学家选择逆向而行，用压缩技术寻找最核心的机制，这种“小思维”恰恰带来了突破性的发现。

研究者指出，计算机科学家想通过构建大规模AI来模拟人类智能，但对于神经科学家来说，我们需要的是能够揭示大脑工作机制的模型，而不是另一个黑箱。从6000万参数到1.2万参数，从占据整个服务器到可以邮件发送，这个小小的模型正在打开一扇通往大脑奥秘的大门。而门后的世界，或许比我们想象的更加精彩。（生物谷Bioon.com）

参考文献：

Cowley, B.R., Stan, P.L., Pillow, J.W. et al. Compact deep neural network models of the visual cortex. Nature (2026). doi：10.1038/s41586-026-10150-1