PsyBrain 脑心前沿 / 感知觉与注意：顶刊文献解读专题 / A · 文献解读 / A048 · NatHumBehav重磅：MIT团队深度神经网络还原大

A048 Nat Hum Behav重磅：MIT团队深度神经网络还原大脑选择性注意中的“乘数特征增益”机制

来源：公众号 PSY-Brain_Frontier ｜发布：2026-03-18 ｜原文链接

一键关注，点亮星标 ⭐️ 前沿不走丢！

认知神经科学前沿文献分享

基本信息

Title:Optimized feature gains explain and predict successes and failures of human selective listening

发表时间：2026.3.13

发表期刊: Nature Human Behaviour

影响因子：15.9

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”即可跳转论文原网页

研究背景

想象一下，你正身处一场喧闹的派对，周围充斥着音乐声、酒杯碰撞声和数十人的谈笑声。然而，当你的朋友对你说话时，你却能毫不费力地“过滤”掉周遭的嘈杂，精准捕捉到他们的声音。这种在复杂声音环境中提取特定语音的能力，就是认知科学中经典的“鸡尾酒会问题”。

几十年来，神经科学家一直在寻找这种选择性听觉的底层机制。大量的神经生理学观察提出了一个极具吸引力的假设：注意力可能表现为一种“乘数特征增益”（multiplicative feature gains）。简单来说，当你关注某种特定声音特征（如特定音高或位置）时，大脑会像调节混音台推子一样，按比例放大对这些特征敏感的神经元反应，从而在神经表征中突出目标声音。

然而，领域内一直存在一个核心痛点：这种在单神经元层面观察到的简单增益机制，真的足以解释人类在真实世界中复杂多变的听觉注意力行为吗？此外，为什么我们的注意力有时会完美运作，有时却会遭遇滑铁卢（比如被一个声音相似的人干扰）？为了回答这些问题，麻省理工学院（MIT）的研究团队构建了一个具有刺激可计算特征增益的人工神经网络模型，试图通过计算建模来还原并预测人类在“鸡尾酒会”中的成败。

研究核心总结

本研究通过训练深度神经网络（DNN）执行特定说话者的语音识别任务，并在网络架构中嵌入了基于目标记忆的乘数特征增益模块。结果显示，尽管该模型并未被刻意设定为“模仿人类”，但它在多种复杂场景下展现出了高度拟人化的注意力策略。

Fig. 1 | Task and model architecture used to study attention.

一、完美复刻人类的“成功”与“失败”

研究表明，该模型不仅在整体语音识别表现上与人类听众相当，还成功复刻了人类对不同干扰因素的敏感性。例如，当干扰者的性别或语言与目标不同时，人类和模型的识别率都会显著提高。更重要的是，模型展现出了与人类高度相似的“注意力失效”模式：当目标和干扰者的特征重叠度较高（如信噪比低或同性别）时，模型也会像人类一样“听串音”，错误报告干扰者说出的词汇。这表明，人类的注意力失误并非单纯的认知涣散，而是基于特征提取的最优系统在面对高度相似特征时的必然计算代价。

Fig. 2 | Comparison of human and model attentional selections in monaural conditions.

二、对空间注意力的精准预测与行为证实

模型自发学会了利用空间信息来辅助语音选择，成功复刻了人类的“空间掩蔽释放”（spatial release from masking）和由优先效应引发的错觉空间分离优势。更令人兴奋的是，模型对人类空间注意力提出了两个全新的预测并被行为实验证实：

水平/垂直不对称性：模型预测，目标与干扰者在水平方向（方位角）的分离能带来巨大的识别收益，但在垂直方向（仰角）的分离则几乎没有帮助。人类行为实验完美验证了这一预测。
空间“聚光灯”的中心/边缘差异：模型显示，当目标位于正前方（中线）时，极小的空间分离就能起效；而当目标位于边缘位置时，则需要大得多的空间偏移才能获得同等收益。随后的听觉实验确认了人类同样具有这种中心锐利、边缘宽泛的听觉空间聚光灯。

Fig. 3 | Comparison of human and model spatial attention.

三、揭示“晚期选择”的计算合理性

关于注意力究竟作用于感觉处理的早期还是晚期，一直是认知神经科学争论的焦点。对模型各层级表征的分析发现，目标和干扰者的表征分离（即注意力增强效应）在网络的较晚阶段才变得显著。这一发现与人类非初级听觉皮层中观察到的“晚期选择”神经生理学特征高度吻合，暗示大脑将注意力增强置于处理层级后方，可能是实现高效语音特征选择的最优计算解。

图10

Fig. 4 | Model predictions of human spatial selection.

四、架构决定行为

研究最后强调了架构约束的关键性。去除了明确特征增益功能，或仅在极早期/极晚期应用增益的替代模型，均无法像主模型那样精准拟合人类行为数据。

图11

Fig. 5 | Stage of attentional selection.

图12

研究意义

该研究首次证明，将简单的“乘数特征增益”与标准的神经网络操作相结合，不仅足以解释人类选择性听觉的复杂现象与局限，更为理解注意力机制的认知计算本质提供了强大的可验证框架。

图13

Fig. 6 | Dependence of attentional selection on model architecture.

图14

Abstract

Attention facilitates communication by enabling selective listening to sound sources of interest. However, little is known about why attentional selection succeeds in some conditions but fails in others. While neurophysiology implicates multiplicative feature gains in selective attention, it is unclear whether such gains can explain real-world attention-driven behaviour. Here we optimized an artificial neural network with stimulus-computable feature gains to recognize a cued talker’s speech from binaural audio in ‘cocktail party’ scenarios. Though not trained to mimic humans, the model produced human-like performance across diverse real-world conditions, exhibiting selection based both on voice qualities and on spatial location as well as selection failures in conditions where humans tended to fail. It also predicted novel attentional effects that we confirmed in human experiments, and exhibited signatures of ‘late selection’ like those seen in human auditory cortex. The results suggest that human-like attentional strategies naturally arise from the optimization of feature gains for selective listening.

图15