PsyBrain 脑心前沿 / AI 与脑科学：顶刊文献解读专题 / A · 文献解读 / A014 · TrendsOpen观点神经网络越像大脑，就越能解释大脑

A014 Trends Open 观点 | 神经网络越像大脑，就越能解释大脑吗？

来源：公众号 PSY-Brain_Frontier ｜发布：2026-05-27 ｜原文链接

认知神经科学前沿文献分享

基本信息

Title: State and capacity in neural models of cognition and consciousness

发表时间: 2026-05-19

发表期刊: Trends Open

影响因子: 新刊，还没有IF

获取原文:

添加小助手: PSY-Brain-Frontier 即可获取PDF版本
点击页面底部“阅读原文”跳转论文网页

引言

近几年，ANN、RNN、Transformer 这类神经网络模型越来越多地被用来研究人类行为和脑表征。它们确实可以把人的选择、反应时，甚至某些神经活动拟合得非常好。但这也带来一个核心疑问：如果一个模型只是行为上很像人，我们是否就可以用它来研究人脑？ 更进一步说，一个黑箱模型从“拟合行为”走向“解释机制”，中间到底需要什么证据？

相比之下，传统认知模型虽然通常更简单，但它们的优势在于有明确的心理学假设和更新机制。例如强化学习模型会明确假设个体如何根据 prediction error 更新价值，贝叶斯模型会假设个体如何整合证据并更新 belief，漂移扩散模型会解释证据积累和决策阈值。也就是说，传统模型不一定拟合能力最强，但它们往往更容易把参数、公式和心理过程对应起来，因此天然更接近“机制解释”

ANN/RNN 的优势则在另一个方向：它们可以学习复杂任务，拟合复杂行为，并且模型内部的表征和动态可以被完整记录、反复运行、消融和扰动。这一点是研究人脑时很难做到的。但它们的问题也同样明显：拟合得好不等于机制正确，hidden state 和脑活动相关也不等于解释了脑区功能。如果没有进一步的干预和检验，ANN/RNN 很容易只是一个强大的预测器，而不是认知机制模型

这篇文章想做的，正是为这个问题提供一个中间层框架。作者并没有简单地说“因为 ANN 像人，所以可以研究人脑”，而是强调：从预测走向机制，需要区分模型的 state 和 capacity。前者指固定架构当前如何运行，例如增益、噪声、注意分配和决策阈值；后者指模型原则上能够表征什么，例如深度、循环结构、多模态能力和上下文长度。文章的核心观点是：只有当我们能把模型内部操作、行为签名和神经表征联系起来，并通过扰动、消融和人—模型平行比较进行检验时，ANN/RNN 才有可能从黑箱预测器变成研究认知和意识机制的科学工具

核心框架与整合逻辑

作者提了一个双轴框架：“全局计算状态”和“结构容量”，其中状态轴说的是固定架构怎么被运行起来，包括增益、注意重加权、内部噪声、决策阈值这些东西，主要影响反应速度、稳定性、选择性和变异性；容量轴说的是架构和规模本身限定了能表征什么，包括深度、递归或上下文长度、多模态广度还有整体缩放，决定系统能不能编码层级、时间关系和跨模态实体

这个框架不是完整的认知架构，而是一个最小比较工具：当模型和人类表现相似的时候，研究者得判断这种相似到底来自状态没调对、容量不够，还是两者搅在一起，然后通过交叉操控、rescue/ablation 和人类-模型平行干预来检验

关键洞察与未来方向

洞察一：机制对齐必须把“运行方式”和“表征边界”拆开

光靠行为或脑数据对齐，没法判断机制从哪来。相似的表现可能只是暂时的状态配置，也可能是结构容量卡住了，或者两者一起作用。这个框架要求把预测拟合转成可以检验的机制比较

Fig. 1 把人类认知和ANN同时放进状态轴和容量轴，用来说明相似行为为什么可能对应不同的机制来源

洞察二：状态轴解释固定系统内部的灵活调节

增益、注意、噪声和阈值这些状态类操控，能改变决策、学习、注意和轻量适配的表现，但没法凭空变出新的记忆系统、递归结构或多模态绑定能力。在参数高效微调这类边界情形里，如果小参数更新造成了持久的表征重组，那就不该算成纯状态变化

Table 1 总结了状态类操控、认知对应物和可观测的解离指标，帮我们把“灵活性”转化成可比较的机制假设

洞察三：容量轴定义系统原则上能表征什么

深度、递归和多模态广度会扩展模型能编码的层级、时间关系和跨模态实体关系；但容量扩展不等于单纯堆参数量。学习制度、外部记忆这些虽然影响行为，作者把它们当成重要扩展，而不是独立的第三轴

Table 2 总结了容量类操控、认知功能和人机比较指标，帮我们区分表征本体的扩展和单纯的性能提升

省流总结

这篇综述的核心贡献，是用“全局计算状态”和“结构容量”把ANN认知模型研究重新整理了一遍：前者解释固定架构怎么被调动，后者解释系统原则上能表征什么。它提醒研究者，高拟合只是个起点，真正的机制解释需要可区分、可干预、可复核的双轴证据

作者团队：从意识科学到认知负荷理论

这篇综述由王彭博士构思核心框架并牵头撰写，联合来自人工智能、认知科学、意识科学与教育心理学等领域的国际学者共同完成。

作者团队中尤其值得关注的是 Steven Laureys 与 Fred Paas 两位重量级学者。

Steven Laureys 是国际意识科学与意识障碍研究领域的代表性人物之一，也是 Coma Science Group 的创始人。他长期研究昏迷、植物状态、最小意识状态以及意识的神经机制，并拥有多项国际学术院士/会士身份，包括欧洲神经病学科学院 Fellow、比利时皇家医学科学院成员、欧洲科学院成员以及 Academia Europaea 成员。其参与使本文关于“神经网络、意识访问与意识障碍”的讨论，具有深厚的神经科学和临床意识研究背景。

Fred Paas 则是认知负荷理论领域的奠基性学者之一。自20世纪90年代以来，他持续推动认知负荷理论的发展，使其成为学习科学、教育心理学和教学设计领域最具影响力的理论框架之一。他在“人类认知结构如何限制学习”“教学设计如何适配认知容量”等问题上的长期贡献，也使本文关于“结构容量”“认知限制”和“人工系统如何模拟人类学习”的讨论更具理论深度。

其他作者也来自不同领域：Hongjun Liu 来自纽约大学数据科学中心，Filip Ilievski 来自阿姆斯特丹自由大学计算机科学系，Lesya Ganushchak 来自鹿特丹伊拉斯姆斯大学，邹立业（Liye Zou）来自武汉体育学院心理学院 Body-Brain-Mind Laboratory。这个组合也体现了文章本身的跨学科特征：它不是单纯讨论AI模型性能，而是把神经网络放到认知、意识、学习和临床机制的共同语境中理解。

分享人：王彭，天天

审核：PsyBrain 脑心前沿编辑部

💡 关于我们

👋 你好，这里是「PsyBrain 脑心前沿」

🧠 专注追踪全球认知神经科学的最尖端突破

🔍 视野直击 Nature, Science, Cell 正刊及核心子刊与顶级大刊

📄 每日速递「深度解读」与「前沿快讯」

科研是一场探索未知的长跑，但你无需独行。欢迎加入 PsyBrain 学术社群，和一群懂你的同行，共同丈量脑与心智的无垠前沿。

👇点击卡片进群，欢迎你的到来👇