PsyBrain 脑心前沿 / AI 与脑科学：顶刊文献解读专题 / A · 文献解读 / A025 · NatureMachineIntelligence模型与

A025 Nature Machine Intelligence | 模型与脑的双向对照

来源：公众号 PSY-Brain_Frontier ｜发布：2026-04-03 ｜原文链接

认知神经科学前沿文献分享

基本信息

Title: Reverse predictivity for bidirectional comparison of neural networks and biological brains

发表时间: 2026-03-25

发表期刊:Nature Machine Intelligence

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

研究背景

过去十多年，视觉人工神经网络（artificial neural networks, ANNs）常被拿来和灵长类视觉系统比较，尤其是猕猴下颞皮层（inferior temporal cortex, IT）这类与核心物体识别密切相关的脑区。常见评估指标是前向预测力（forward predictivity）：用模型特征经线性回归映射去预测神经反应，再用解释方差百分比（percentage explained variance, %EV）衡量效果。

这篇论文指出，前向预测力本质上只检验一个方向：模型能否预测神经元；它并不回答神经活动能否反过来预测模型内部单元。如果一个模型在当前记录分辨率和线性框架下确实接近 IT 表征，那么这种对应关系至少应表现出更强的双向性。作者因此提出一个更保守的诊断问题：当很多模型的前向分数都接近平台时，是否仍有大量模型维度其实不在 IT 可线性恢复的共享子空间内？

需要先划清边界。论文讨论的是猕猴 IT 与视觉模型之间的表征对齐，不是整个视觉系统，也不是对人类全部高层视觉表征的直接判断。反向预测力低，也不等于某种模型特征在生物脑中“根本不存在”；正文明确强调，它只表示这些维度在当前 IT 采样和线性映射条件下不可恢复。

实验设计与方法逻辑

作者基于已有的大规模猕猴 IT 记录数据，比较多类视觉模型与 IT 的双向线性对应关系。具体来说，先为每个模型选取与 IT 最对齐的高层表征层，用线性回归计算从模型到神经元的前向预测力；再把方向反过来，用 IT 群体活动逐个预测模型单元激活，定义反向预测力（reverse predictivity），并以模型单元上的中位数 %EV 概括该模型的反向表现。

论文先用 DenseNet-161 和 VGG16 做直观对照：两者前向预测力非常接近，但内部单元对神经预测的贡献模式不同。随后，作者把比较扩展到 CNN、Transformer、自监督学习模型和对抗鲁棒模型，并引入猴到猴映射作为经验参照。如果同样的线性双向框架在脑到脑比较中更接近对称，而在脑到模型比较中明显失衡，那么这种不对称更可能反映真实的表征错配，而不是分析方法本身的产物。

为排除简单解释，作者还做了几类验证：包括将模型特征降维到与记录神经元数量相当后重复分析、比较跨猴的一致性、考察最低反向预测力单元是否只是采样不足造成，以及比较这些单元能否被模型内部其他单元预测。最后，他们按反向预测力把单元划分为 common units 和 unique units，再比较这两类单元对物体辨别行为签名的预测一致性，检验其功能相关性。

核心发现

发现一：前向预测力接近的模型，内部与 IT 的共享程度仍可明显不同

DenseNet-161 和 VGG16 对猕猴 IT 的前向预测力几乎相当，正文报告的中位数分别约为 54% 和 53% %EV。仅看这个结果，很容易把它们都视为“差不多像脑”的模型。可一旦把单元层面的贡献拆开，DenseNet-161 中持续参与神经预测的单元更多，VGG16 则有更多接近零贡献的单元；进一步看反向预测力，DenseNet-161 也有更大范围的模型单元能被 IT 活动线性预测，而 VGG16 的分布更偏向零。这说明，前向分数相近并不意味着模型内部与 IT 共享的表征子空间同样接近；前向预测力会掩盖这种隐藏差异。

Fig. 1 中，作者先展示了 DenseNet-161 与 VGG16 对 IT 神经元的前向 %EV 分布，以及两者模型单元回归权重的差异；Fig. 2c、2d 又把这两个模型的前向与反向预测分布并排放在一起。几张图合起来说明：表面上都能预测 IT，但内部可被 IT“读回来”的程度并不一样，这正对应了“发现一”。

发现二：脑到模型常常明显不对称，而猴到猴 IT 映射更接近对称

在更大范围的模型比较里，作者发现反向预测力整体显著低于对应的前向预测力，而且跨模型时二者并不稳定正相关。换句话说，不少模型已经能较好预测 IT 神经反应，但 IT 并不能以相近程度恢复这些模型的内部单元。相比之下，猴到猴的 IT 映射在同样线性框架下更接近 unity line，呈现更高双向对称性。这一对照支持作者的核心判断：ANN 与猕猴 IT 之间存在真实的表征错配，而不只是噪声、采样数量或特征维度差异带来的表面现象。正文同时强调，这里说的是“当前线性框架下的错配”，并不排除其他脑区、其他测量尺度或非线性关系。

图10

Fig. 3 把多类模型的前向预测力和反向预测力放在同一坐标系里，模型点大多偏离 unity line，而绿色的猴到猴点更靠近对角线；Fig. 5a 显示单元级反向预测力在两只猴之间高度相关，Fig. 5c 则说明最难被 IT 预测的 unique units 仍可被模型内其他单元较好预测。这几张图一起支撑了“发现二”。

发现三：反向预测力能筛出更接近 IT 共享子空间、也更具行为相关性的单元

作者进一步发现，IT 对齐层的特征数越多、有效维度（effective dimensionality）越高，反向预测力通常越低；而对抗鲁棒训练的模型，反向预测力往往更高，参数总量本身则不是显著因素。更重要的是，按反向预测力筛出的 common units，在物体辨别行为签名上，比 unique units 更能对齐其他模型以及猴和人的行为预测。这表明，反向预测力不只是一个“找不对称”的几何指标，也能帮助定位那些更接近 IT 共享表征、并与跨物种行为更相关的模型单元。不过这并不意味着 common units 就是大脑真实使用的全部表征；它只是在本文数据和分析框架下，更接近 IT 可共享的那部分子空间。

图11

图12

Fig. 4 展示了反向预测力与特征宽度、有效维度及对抗鲁棒性的关系，说明哪些模型设计因素与隐藏错配相关；Fig. 6 则比较了 common units 与 unique units 的行为一致性，显示前者在跨模型、跨物种行为预测上更占优，这也对应了“发现三”。

图13

总结

这篇论文不是在否定高分视觉模型，而是在提醒：前向预测力高，只能说明模型能预测猕猴 IT，不能直接推出模型内部也被 IT 充分覆盖。作者提出的反向预测力显示，许多高前向分模型仍含有 IT 难以线性恢复的 unique units；相对更“共同”的 common units，则与跨模型、跨物种行为更一致。结论目前限于猕猴 IT 与线性映射框架。

图14