Nat Mach Intell |按人類“視覺發育食譜”訓練AI，真的能讓模型更像人類看世界嗎？

認知神經科學前沿文獻分享

基本信息

Title:Adopting a human developmental visual diet yields robust and shape-based AI vision

發表時間:2024.4.24

發表期刊:Nature Machine Intelligence

獲取原文:

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

引言

這些年，人工智能視覺系統在規模、參數量和訓練數據上一路擴張，但它與人類視覺之間的“錯位”并沒有因此自動消失。一個最典型的表現是：人更依賴物體整體形狀，很多模型卻更依賴局部紋理；人面對模糊、噪聲、天氣干擾等退化輸入時往往還能保持相對穩定的識別，而模型常常迅速失準；再進一步，當目標只是嵌在復雜場景中的抽象形狀時，人類往往能憑整體構型看出來，許多現有模型卻仍然抓不住重點。論文開篇就把這些現象并列起來，指出它們并不是彼此孤立的小問題，而是共同指向一個更深層的事實：當前 AI 視覺系統學到的特征組織方式，仍與人類有明顯差異。

這篇文章的思路并不沿著“再堆更大模型、更大數據”的熟路走，而是把問題轉向“模型是如何長成現在這種看法的”。作者提出，人類視覺并不是從第一天起就以成人水平接收清晰、完整、色彩成熟的輸入；相反，視覺清晰度、對比敏感度和顏色敏感度都經歷了長期發育過程。于是，一個關鍵假設出現了：如果 AI 在訓練時也經歷一條更接近人類發育軌跡的“視覺飲食”，它是否會學到更接近人類的、以形狀為基礎的表征，并由此獲得更強穩健性？這件事之所以重要，在于它把“學多少”之外的另一個維度——“按什么順序、在什么感知條件下學習”——推到了臺前。尤其值得注意的是，既有工作多聚焦于視覺清晰度，也常把發育過程簡化成少數離散模糊階段；而本文試圖把幾十年心理物理學證據整合起來，用連續曲線同時描述清晰度、對比敏感度和顏色敏感度的發展，再檢驗這種更完整的發育式訓練，是否真的能系統改寫模型的視覺偏好與魯棒性邊界。

實驗設計與方法邏輯

作者沒有改網絡結構，而是把“人類從出生到 25 歲的視覺成熟過程”映射為訓練期輸入圖像的連續預處理課程。Figure 1 是理解全文方法邏輯的關鍵：視覺清晰度用高斯模糊近似，對比敏感度通過頻域閾值化調制，顏色敏感度則用灰度到彩色的漸進過渡來實現，并把年齡與訓練 epoch 對應起來。作者以 α、β、λ 三個超參數控制發育速度與對比敏感度軌跡，先在 mini-ecoset 上做掃描，再確定更偏形狀的 DVD-S、更均衡的 DVD-B 和更保性能的 DVD-P。

Figure 1 Following the developmental trajectory of visual acuity, chromatic sensitivity and contrast sensitivity from newborn to 25 years old, as an effective means of training robust AI vision systems.

核心發現

發現一：DVD 顯著提升形狀偏置，并把部分模型推進到接近人類的區間

全文最核心的證據來自形狀—紋理沖突測試。Figure 2b 直接展示了準確率與形狀偏置之間的權衡：在 ecoset 上訓練的 ResNet-50 基線模型 shape bias 為 0.34，而 DVD-S 達到 0.90，DVD-B 為 0.83，DVD-P 為 0.70；其中 DVD-P 的準確率還從 62.99% 略升到 65.03%。這意味著 DVD 并不是簡單地用性能換“更像人”的偏好，而是提供了可調的折中帶。

Figure 2 Models trained with DVD close the gap to human-level shape bias.

發現二：DVD 不只改變“答題結果”，也改變了模型依賴的區域與內部表征

如果只有 cue-conflict 上的 shape bias 提升，還不能完全排除模型只是學會了某種測試技巧。Figure 4b 和 Figure 5b、5c 的價值，就在于把證據推進到“模型內部到底怎么看”。在 IllusionBench 這類復雜場景中的抽象形狀識別任務上，基線 ResNet-50 的 shape recall 只有 8.71%，最佳 ViT 為 17.13%，CLIP-RN50 與 CLIP-ViT B-32 分別為 16.72% 和 15.45%；

Figure 4 In-depth investigation of the emergence of shape bias in ANNs and the underlying feature selectivity

Figure 5 Models trained with DVD exhibit enhanced recognition of abstract shapes hidden within complex scenes.

發現三：真正起作用的不只是“模糊訓練”，而是發育順序本身，其中對比敏感度最關鍵

這篇論文一個很重要的貢獻，是沒有把收益簡單歸因于“前期看得更糊”。Figure 4a 顯示，DVD-B 的形狀偏置在訓練早期就迅速出現，并在后續階段保持穩定；而論文還報告了時間打亂的對照實驗，結果顯示若將清晰度、對比敏感度和顏色敏感度的發展順序隨機打亂，效果會弱于按時間推進的原始 DVD。也就是說，順序本身就是機制的一部分。

發現四：更“形狀化”的學習路徑，同時帶來了自然退化與對抗攻擊下的穩健性收益

論文標題中的 robust 并非附帶修飾，Figure 6 是這一主張最直接的支撐。首先在高斯模糊退化下，Figure 6a 顯示 DVD-B 的識別曲線下降更平緩，并更接近文中引用的人類行為數據趨勢。隨后擴展到 16 類常見圖像退化時，Figure 6b 表明在高嚴重度下，DVD 的準確率對噪聲、模糊和天氣擾動約為基線的 2 倍，在圖像質量缺陷上可達 3–4 倍。

Figure 6 ANNs trained with DVD exhibit enhanced degradation robustness to image degradations and adversarial attacks

歸納總結和點評

這項工作的最大價值，在于它把“訓練課程”而非單純“模型規?！碧嵘秊榻忉?AI 視覺偏差的重要變量：作者提出的發育視覺飲食（DVD）把視覺清晰度、對比敏感度和顏色敏感度的連續發育軌跡嵌入訓練流程，在不改網絡結構的前提下，讓模型在形狀偏置、抽象形狀識別、圖像退化魯棒性和對抗魯棒性上都明顯優于標準訓練基線，其中對比敏感度發育尤其被識別為關鍵因素。論文的說服力來自較完整的證據鏈：既有跨數據集、跨架構泛化，也有受控拆解和歸因分析，因此它提出的不只是一個“有效技巧”，更是一種關于視覺學習路徑的可檢驗假設。不過邊界也同樣清楚：DVD 是對人類視覺發育的工程化近似，而非嬰幼兒真實視覺經驗的精確復制；文中展示的是在所測任務和攻擊設定下更接近人類、更穩健，并不意味著模型已獲得全面的人類級視覺理解。

請打分

這篇剛剛登上 Nature Machine Intelligence 的研究，是否實至名歸？我們邀請您作為“云審稿人”，一同品鑒。精讀全文后，歡迎在匿名投票中打分，并在評論區分享您的深度見解。

分享人：BQ

審核：PsyBrain 腦心前沿編輯部

你好，這里是「PsyBrain 腦心前沿」

專注追蹤全球認知神經科學的最尖端突破

視野直擊 Nature, Science, Cell 正刊 及核心子刊與頂級大刊

每日速遞「深度解讀」與「前沿快訊」

科研是一場探索未知的長跑，但你無需獨行。歡迎加入PsyBrain 學術社群，和一群懂你的同行，共同丈量腦與心智的無垠前沿。

點擊卡片進群，歡迎你的到來

一鍵關注，點亮星標 ? 前沿不走丟！

一鍵分享，讓更多人了解前沿