PsyBrain 脑心前沿 / 科研分析：认知神经科学前沿的结构化精读 / O · 综合神经科学 / O052 · NatNeurosci挑战教科书，两个月婴儿的大脑，已经

O052 Nat Neurosci | 挑战教科书，两个月婴儿的大脑，已经在“分门别类”地看世界

来源：公众号 PSY-Brain_Frontier ｜发布：2026-02-13 ｜原文链接

4PsyBrain 脑心前沿 | 公众号 PSY-Brain_Frontier

一键关注，点亮星标 ⭐️

第一时间接收每日前沿资讯

🧠 PsyBrain · 寒假提升计划 💪

你是否经历过这样的时刻：面对海量的 sMRI、fMRI 或 EEG 数据，不知从何下手构建 Pipeline？为了跑通一个模型，在 GitHub 和论坛之间反复横跳，甚至和 AI 纠缠半天却依然报错？明明有着绝佳的实验结果，却不知道怎么画脑袋，更不知道论文里那些漂亮的 🧠 是怎么来…

数据分析原理、实践与可视化本该是通往真理的桥梁，但往往成为阻碍你探索科学的高墙。

今年，我们联手国内顶尖名校博士和资深硕博生为你打造了一套认知神经科学全栈工具箱。从经典的sMRI、fMRI、dMRI、EEG/MEG，到硬核的 电生理、脑机接口，再到前沿的 RSA、MVPA、强化学习、认知建模、大语言模型，我们一站式配齐，欢迎查看~

课程时间 2026年2月24-28日，部分开设在3月初，报名截止 2026年2月17日。

考虑到报名人数和授课老师的时间安排，仍开设的课程如下，欢迎垂询~

报名截止 4 天倒计时~ 报名截止倒计时十天 | 面向心理学、认知神经科学同学的寒假提升班

认知神经科学前沿文献分享

基本信息：

Title:1Infants have rich visual categories in ventrotemporal cortex at 2 months of age

发表时间：2026.2.2

Journal: Nature Neuroscience

影响因子：20.0

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

引言

我们常用“看得懂”来形容一个人对世界的理解，但婴儿在不会说话、也很难配合复杂任务的前几个月，到底有没有能力把视觉世界“分门别类”？

传统婴儿研究多依赖注视时长（looking time）等行为指标：比如给婴儿反复看“狗”，再看“猫”，如果婴儿注视时间变长，研究者会推断他“区分了类别”。

问题是，行为变化既可能来自低层视觉差异（颜色、大小、轮廓），也可能来自真正的类别概念；更关键的是，行为只能告诉我们“结果”，却很难揭示大脑内部的表征结构（representation）。这就像只看一个人答题对不对，却不知道他用的是记忆、规则，还是直觉。

这篇研究瞄准的核心问题是：婴儿在非常早期（仅2个月）时，高级视觉皮层是否已经存在稳定的类别化表征？这些表征更像是“先天搭好的框架”，还是主要靠早期视觉经验的统计学习（statistical learning）快速形成？

作者选择在清醒状态下对大量婴儿做功能磁共振（fMRI），并用表征相似性分析（RSA）把婴儿大脑的“相似度地图”与深度神经网络（DNN）的“相似度地图”对齐：如果两者几何结构相似，就能反推婴儿皮层编码的特征复杂度，以及这些特征是否可由视觉输入统计规律学习得到。

实验设计与方法逻辑

作者对2个月婴儿进行大规模清醒fMRI并在9个月随访，刺激为婴儿生活中常见的12类物体图片（每类多实例），通过GLM得到各条件的体素反应模式，再用RSA构建不同脑区的表征相似性矩阵（RSM），以检验类别、生命性（animacy）与真实世界大小（real-world size）等语义结构是否存在；同时将同一组图片输入不同训练阶段/学习范式的AlexNet类DNN（未训练、监督、自监督），比较模型与脑RSM的层级对应，从而判断婴儿视觉表征的复杂度来源。

Fig. 1 | Characterizing the development of visual representations.

核心发现

2个月时腹侧视觉皮层已出现“类别骨架”，且整体表征与成人连续

图2展示了早期视觉皮层（EVC）与腹侧视觉皮层（VVC）的RSM：在2个月组，EVC与VVC都能把“同一图片/同一类别”聚得更近（右侧小提琴图为“同物体>不同物体”模型相关），并且与成人RSM已有明显相关，提示婴儿在很早期就具备稳定的刺激区分与初步类别结构，只是VVC的强度与精细度在9个月与成人阶段继续增强。

Fig. 2 | Visual representations from infancy to adulthood.

语义结构并非等到“视觉更清晰”才出现

作者把低层特征（大小、颜色、紧致度、长宽比）与语义特征（类别泛化、生命性、大小：大无生命/小无生命）分别建模（图3），并用偏相关控制低层特征后仍能在VVC看到语义RSM信号；进一步在图4用MDS把VVC表征降维，可直观看到2个月时就已出现按“animate vs. inanimate”以及无生命大小的整体分离趋势，只是到9个月分离更清晰，说明语义组织并非完全依赖后期行为可测的显性分类能力。

图10

Fig. 3 | The development of perceptual and semantic feature representations.

图11

Fig. 4 | Global organization by animacy emerges in the ventral stream throughout the first year of life.

物体体选择区LO“慢半拍”：类别发展不符合自下而上层级成熟

如果类别表征必须从低级到高级逐级“建起来”，那么位于处理中段的侧向枕颞区LO（lateral occipitotemporal, LO）应当比更前端的腹侧颞区更早或至少同步出现结构。但图5显示，婴儿LO的RSM几乎没有可靠结构（噪声上限极低），且缺乏类别/生命性组织；作者用tSNR排除“信号质量差”的解释，倾向认为这是LO对这些刺激差异尚不敏感的真实功能状态，从而支持“非层级/非自下而上”的发展路径。

图12

Fig. 5 | Delayed maturation of lateral object-selective cortex.

婴儿VVC与深度网络深层更匹配：可由视觉统计学习到的复杂特征已在早期出现

图6将相同图片输入AlexNet架构的不同模型（未训练、监督训练、自监督训练），并逐层与脑RSM相关：在各年龄段，训练后的网络整体优于未训练网络；并且VVC更对应网络深层（更“语义/可分类”的表征），EVC更对应浅层（更“边缘/纹理”的表征）。值得注意的是，自监督模型在某些层面对婴儿VVC的解释力甚至优于成人，提示早期大脑可能更接近“无标签、从输入统计规律中自组织”的学习方式，为把机器学习模型引入发育神经科学提供了实验依据。

图13

Fig. 6 | DNNs model visual representations from infancy to adulthood.

图14

归纳总结和点评

这项工作用大样本清醒婴儿fMRI把“婴儿到底有没有高级视觉类别表征”从行为推断推进到神经表征层面的直接测量：2个月时腹侧视觉皮层已具备可观的类别/生命性组织，并与DNN深层表征对齐；同时，侧向LO的滞后成熟让“自下而上逐级建构类别”的直觉模型受到挑战。更重要的是，作者把发育问题转译成“表征几何+模型对齐”的可检验框架：哪些特征早期就存在、哪些在经验中被精细化、哪些脑区的成熟顺序与经典层级不同，都能在统一指标下被量化比较。这种方法论上的整合，既提升了婴儿研究的解释力，也提升为自监督学习打开了空间。

图15