A054 不同模型与人脑表征对齐的共性与差异 | Nat Mach Intell 重磅讨论
来源：公众号 PSY-Brain_Frontier ｜ 发布：2025-11-07 ｜ 原文链接
PsyBrain 脑心前沿 | 公众号 PSY-Brain_Frontier
一键关注，点亮星标 ⭐️
不错过每日前沿资讯
认知神经科学前沿文献分享
基本信息：
Title:Are neural network representations universal or idiosyncratic?
发表时间：2025.10.21
Journal:Nature Machine Intelligence
影响因子：23.9
获取原文：
- 后台回复“文献”即可获取PDF版本
- 点击页面底部“阅读原文”即可跳转论文原网页
省流总结
背景：DNN 与 LLM 在多任务上与人脑活动高度对齐，但不同架构常表现出相近的对齐度，引发“表征是普遍还是特异”的争论。
主要工作：社论梳理了 CCN 2025 的社区讨论与黑客马拉松，对“通用表征假说”与“特殊性立场”进行对照，总结 Kriegeskorte 的折中框架，并指向即将举行的 NeurIPS 相关工作坊。
核心结论：多样系统可能因共同拟合外界统计而收敛到解释方差最大的一组潜在因子，形成“近似通用”的部分；而不可达的“柏拉图式极限”之外的差异，揭示各系统在资源受限下的独特计算策略。
意义：厘清共相与殊相，将重塑我们解读脑—模型对齐、设计未来模型与制定经验检验的方式。
正文
“神经网络的表征（representation）到底是普世的（universal），还是各自为政、带有模型印记的（idiosyncratic）？”这不是一句学术口号，而是贯穿神经科学与人工智能交叉研究的根本问题。过去十年，深度神经网络（Deep Neural Networks, DNNs）作为与人脑视觉等系统“对齐”的计算模型，在认知计算神经科学（Cognitive Computational Neuroscience）中迅速崛起：它们不仅在预测脑活动方面显著优于传统手工特征模型，也连带推动了以大规模神经影像数据为基础的“脑—模”对齐研究热潮。
近两年，随大语言模型（Large Language Models, LLMs）及多模态LLM的性能跃迁，研究者观察到：这些模型的内部表征与人脑活动之间的映射关系越来越紧密。例如，Doerig 等的工作表明，LLM 的嵌入可以刻画自然场景知觉时的大脑反应，并能准确重构场景字幕；Mischler 等基于术中颅内电生理记录进一步发现，LLM 在通用基准任务上的性能越高，其表征就越“类脑”；Du 等则展示了LLM与多模态LLM发展出可解释、语义结构化、并与人类认知和脑活动对齐的“对象概念”表征。这些证据支持了一个强烈直觉：深度学习模型抓住了信息加工中某些与人脑相通的要素。然而，令人困惑的是，不同结构的模型常常都能与大脑达到相近的对齐水平——这提示我们，模型表征中究竟哪一部分是“共相”，哪一部分是“殊相”？
在 2025 年 8 月举行的认知计算神经科学大会（CCN 2025）上，社区把这场争论放到台前：“通用表征假说”认为，跨网络共享的那些特征才真正映射到人脑，个性化的特征并不会；“特殊性立场”则主张，模型各自独特的表征恰恰蕴含了解释机制差异的线索。编辑部以社论形式梳理了这场讨论，并将其置于“NeuroAI 的下一步路标”语境下。
更耐人寻味的是，Kriegeskorte 在总结中提出了一个折中观点：多样的模型与大脑之所以表现出某种“普遍一致性”，是因为它们都要去表示外界感官数据中解释方差最大的潜在因子（latent factors）。视觉与语言世界共享的一些统计结构（例如“刀叉共现”）会在不同模态的模型与大脑中形成相似的潜在维度；只要系统拥有足够容量去拟合世界统计结构，它们就会朝向一种“柏拉图式”的表征收敛，在那里架构、目标与学习规则的重要性大大降低——但由于世界的复杂度远超我们的模型与大脑，这个理想永远不可达，于是剩下的细微差别正好揭示了各系统如何在资源受限下高效求解的“计算机制”。
为了让争论落到实证层面，会议次日还举行了合作式黑客马拉松：
“蓝队”从普遍性出发追问何种模型特征驱动跨模型的一致；
“红队”聚焦特殊性，探索导致模型间不一致的具体因素。
这些议题也将延续到 NeurIPS的两个相关工作坊（Data on the Brain & Mind 与 UniReps）。
总的来说，这篇社论把一场高质量的社区讨论转换为清晰的研究议程：继续深化“共相—殊相”的界面，既以共享的潜在因子解释对齐现象，也用模型差异去逼近机制解释；并呼吁用更规范的实证检验来裁决分歧。这不仅关系到我们如何解读“脑—模对齐”，也关系到未来脑启发（brain-inspired）模型的设计方式与评测框架。
文章作者信息
本稿为 Nature Machine Intelligence 编辑部 社论（Editorial），未标注具体第一作者与通讯作者；在线发表日期为 2025 年 10 月 21 日。
期刊与领域地位：Nature Machine Intelligence 是人工智能、机器学习与交叉学科的顶级期刊之一，社论常用于引导社区关注关键议题与未来研究方向。本文聚焦 NeuroAI 领域的核心问题，强调其对脑—模对齐解读、未来模型设计与经验检验框架的深远影响。
专有名词：
通用/普遍性（Universality）：跨系统共享的表征特征。
特殊性/独特性（Particularity/Idiosyncrasy）：模型或个体特有的表征成分。
潜在因子（Latent Factors）：解释输入数据主要方差的隐变量维度。
脑—模对齐（Brain–Model Alignment）：模型内部表征与大脑活动模式的可映射性。
相关阅读
周报-20251006 | 近两周解读的29篇顶刊论文汇总 | 认知神经科学前沿动态 ⭐️[解读链接]
周报-20250922 |认知神经科学前沿动态周览 *⭐️[解读链接]***
周报-20251020|认知神经科学前沿动态周览**⭐️[ 解读链接 ]****
Nature |决策过程的动力学机制与神经模式转变 ⭐️[解读链接]
Nature |颠覆认知 ! “神经振荡”不成立？耶鲁团队提出大脑“伽马事件”新理论 ⭐️[解读链接]
Science |中国将领衔未来25年全球脑计划，剑指灵长类大脑地图 *⭐️[解读链接]***
Neuron |大脑如何区分现实与想象？伦敦大学学院团队最新研究揭秘“现实信号”的神经密码 ⭐️[解读链接]
Nature | 视觉系统新发现：压缩式的物体识别机制 ⭐️[解读链接]
Nat Hum Behav｜你不是天生就爱跟风：社会特征学习理论揭示人类“随大流”背后的秘密 *⭐️[解读链接]***
Nature |“读心术”成真？从瞳孔变化中解码大脑皮层完整时空动态 ⭐️[解读链接]
PNAS｜刷短视频停不下来？研究揭示“新奇感”是驱动人类探索的古老密码 *⭐️[解读链接]***
Neuron | 最强脑发育数据库RBC开放下载，6000+青少年大脑数据揭示精神健康的秘密 ⭐️[解读链接]
Nature 子刊综述｜大脑预测误差的核心回路 *⭐️[解读链接]***
前沿交流 | 欢迎加入认知神经科学前沿交流群！⭐️[解读链接]
核心图表、方法细节、统计结果与讨论见原文及其拓展数据。
分享人：BQ
审核：PsyBrain 脑心前沿编辑部
PsyBrain 脑心前沿
带你了解心理学、脑科学的前沿知识与技术流程
预览时标签不可点
阅读原文
不喜欢
微信扫一扫
关注该公众号
知道了
微信扫一扫
使用小程序
取消 允许
取消 允许
取消 允许
× 分析
微信扫一扫可打开此内容，
使用完整服务