生物视觉入门基础知识概述

写在前面

先说一个可能碘伏你认知的事实：我们人眼每秒接收的光子信息，大约有10亿比特。但你真正能意识到的，大概只有10比特。

中间差了整整8个数量级。那些海量信息去哪了？大脑是怎么完成这个降维打击的？更深一层的问题是——AI能不能学会这种本事？

最近读到一篇北大团队发表的综述论文《生物视觉系统的神经网络编码模型综述》（郑雅菁、余肇飞、黄铁军，中国图象图形学报2023），正好系统性地回答了这些问题。我把核心内容重新梳理成一个“四层漏斗”框架，分享给你。

第一层：视网膜——不是相机，是边缘压缩器

大多数人想当然地认为，眼睛就像一台相机，“咔嚓”一下拍一张照片。但真实情况远非如此。

视网膜更像是一台差分压缩器——它只关注变化，而忽略静态信息。怎么做的呢？来看各层视觉细胞的具体分工：

论文中的一个核心发现是：视网膜的功能远不止是一个中继站。它本身具备运动选择性、增益控制等类似大脑皮层的计算能力。甚至，外膝体（LGN）会接收来自皮层的反馈信号——这意味着“自上而下”的影响，从视觉信号处理的最早一站就已经开始了。

这一点给工程怎样的启发？最典型的例子就是事件相机（DVS）。它完全模仿这个原理，只记录亮度的变化，不记录静态背景，结果功耗低到令人发指，延迟也几乎忽略不计。

第二层：预测编码——大脑的“虚拟现实”

经过视网膜压缩后，信息量从10^9下降到了10^6 bits/s。但这还不够，仍然太大。

接着怎么办？大脑选择在内部运行一个物理世界的预测模型。基本逻辑如下：

• 预测正确 → 信号被抑制，不再上报
• 预测出错 → 残差信号瞬间爆发，立刻发出警报

这正是论文中提到的技术映射关键点。Hubel & Wiesel在1962年提出的分层组合结构，后来启发了两个重要方向的模型：一是HMAX模型（简单-复杂细胞交替，通过最大池化实现位置不变性）；二是ConvRNN，即在卷积单元上引入循环结构，模拟视觉皮层的递归处理。

更关键的数据来自Spoerer等人在2017年的研究：循环结构确实有助于提高训练收敛速度，而且在同等参数量下，识别准确率也更高。

第三层：注意力漏斗——从海量到极简

信息量继续被压缩，从10^6下降到10 bits/s。究竟是怎么做到的？

关键在于：注意力并不是通常所说的“聚光灯”，它更像一个“过滤器”。论文引用了一篇经典的任务驱动DCNN研究（Yamins & Dicarlo，2016），清晰地映射了层级关系：

这意味着什么？一个有趣的推论是，也许大脑的视觉皮层本身就是“自组织”出来的：为了完成物体识别这个任务，自然就涌现出了这种分层结构，而不是事先被精密设计好的。

第四层：符号化——“猫”而不是像素

到最终进入我们意识层面的信息，已经不再是图像了。

举例来说，IT皮层的神经元感受野可以覆盖整个视野，达到50°视角。不论一只猫是正的、倒的、大的、小的、黑的还是白的，你看到的永远是“猫”这个符号，而不是一堆混乱的像素点。

与此对应，我们的工作记忆容量只有4±1个组块。一次只能真正处理一件事。这就是你不可能同时心算两道数学题的根本原因。

前沿：无监督学习——更“生物合理”的AI

论文第4节介绍了一个非常重要的趋势：无监督/自监督学习正在快速缩小AI与生物视觉之间的差距。尤其值得注意的是Zhuang等人在2021年的核心发现。以下是四种主流范式：

最让人震撼的发现是：CLIP等多模态模型对图像失真的鲁棒性，已经达到了和人类不相上下的水平（Geirhos等，2021）。甚至，多模态模型可以学习出和大脑海马体中“概念细胞”高度相似的表达方式（Choksi等，2021）。

这给AI带来了什么启示？

1. 丢弃比计算更重要

当前主流的计算机视觉方法是：全帧、全像素、每帧都重新计算。结果呢？能耗巨大，样本效率极低。而生物视觉只处理变化和残差，用10 bits/s就搞定了一切。这么看下来，真正的智能，也许并不是“算得更多”，而是“丢得更准”。

2. 任务驱动比数据驱动更接近本质

Yamins & Dicarlo的实验证明了一件事：一个纯任务驱动的网络（例如物体识别），不需要拟合任何生理数据，就能直接预测出IT皮层的神经响应。这说明，大脑的结构可能是“用出来”的，而不是被精密“设计出来”的。

3. 无监督或许是通往AGI的钥匙

ImageNet那种需要上百万张标签数据的训练模式，在生物世界显然行不通。但人类婴儿根本不需要这些——他们依靠自监督学习：眼跳、视网膜扭曲、效应复制，无时无刻不在从环境中汲取知识。

三个马上可以落地的方向

论文第5节给出了三个清晰的工程方向：

写在最后

通读这篇综述，让人最受触动的，是这样一种理念：我们总在说“仿生”，但真正读懂生物的原理，然后用工程的方式复现同样的信息瓶颈策略——这才是AI应该走的路。

不是更大的模型、更多的数据，而是更聪明地丢弃、更精准地预测、更高效地筛选。

毕竟，你的大脑用10 bits/s就做到了这一切。

参考文献：郑雅菁，余肇飞，黄铁军. 生物视觉系统的神经网络编码模型综述. 中国图象图形学报，2023，28(02):335-357. DOI: 10.11834/jig.220461