BRAIN / BRAIN × AI20 SEP 2026
脑科学与AI106｜认一张脸为什么非得分层：四条老路走不通，一级级组合才省得下连接
这一篇合写"智能的计算基础"系列第 060、061、062 三篇。上一篇（第 104 篇）讲到：从 V1 到颞叶前部，感受野一级级放大，到顶端，脸的大小变 12 倍神经元照样认得。这三篇接着回答两个问题：做到"变了也认得"，历史上试过哪几条路，为什么都不够？大脑最后用的那条路，为什么非得一层一层叠上去？原文有几处说错或引错，放在第六节。
一个神经元的反应，是输入和它"喜欢的图案"对一对、算个相似度。图案往旁边挪一点，相似度就掉下来，神经元就不认了。四条老路各补一块，都有大窟窿。大脑的办法是分层：每一层只把上一层一小片里的少数几个特征组合起来，一级级往上叠，到顶端就能在任何位置认出一张脸，而每个神经元只需要有限的连接。如果只用一层去做，连接数会多到不可能。
4 01 四条老路各缺一块 |
~20ms 02 每往上一层的时间 |
~200 03 重建一张脸所需神经元 |
一张用小瓷片拼成的脸：单看一片什么都不是，几片拼成眼睛、嘴，再拼成一张脸。大脑认脸也是这样一级级组合上去的。图片来源：Magda Ehlers / Pexels
认一张脸：四条老路各缺什么，分层为什么省连接，大脑这套还有哪两个关键。
BRAIN / 01
一、问题：挪一点，神经元就不认了
一个神经元怎么"认"东西？把它收到的输入，和它的连接权重一项项相乘再加起来（这叫点积），结果大，它就放电。权重的样子，就是它"喜欢的图案"。
麻烦在这里：同一张脸往左挪几个像素，落到这个神经元上的输入就全错位了，点积一下子掉下来。图案没变，神经元却不认了。所以"变了也认得"不会自己发生，必须专门设计。
BRAIN / 02
二、四条老路，各缺一块
第一条：只数特征，不管排列
把物体描述成一张清单：有什么颜色、什么纹理、面积多大、长宽比多少，不管这些东西排在哪儿。好处是不怕挪位置。窟窿也在这里：五官全打乱的一张脸，清单和正常的脸一模一样。可人和猴子 IT 里的认脸细胞，恰恰对排列很敏感，打乱就不响了。
第二条：拆成零件，描述零件之间的关系
先把物体拆成零件，再描述零件怎么连接，比如马尔用"广义锥体"拼出人形。听着合理，难处在于：在杂乱的真实场景里，先把物体抠出来、再拆成零件，本身就是最难的那一步；很多物体拆出来的结构又差不多。
第三条：拿模板去对
存一张标准照，看到东西就挪一挪、缩一缩、转一转，直到对上为止。概念最简单，但要先知道该怎么挪、怎么缩，这一步本身就需要先认出它是什么，绕成了一个圈。
第四条：深度卷积网络
这是工程上真正走通的一条，第 104 篇讲过：一层层卷积加池化，第一层自己长出条纹滤波器，越高层越能预测猴子 IT 的反应。罗尔斯认为它在生物学上不可信：靠"误差反向传播"训练，需要成百万张标注好的图片，层数也远多于大脑。这几条批评有道理，但"工程上能用"和"大脑是不是这么做的"是两个问题，前者已经有答案，后者还在争。
BRAIN / 03
三、为什么非得分层：一层做不到
设想只用两层：底层是视网膜上每个位置的像素，顶层一个神经元要"在任何位置认出这张脸"。那它就得和所有可能出现这张脸的位置、所有可能的样子都连上，连接数会随着位置和变化的组合成倍暴涨，哪个神经元也接不下。
分层的办法是把这件事拆开：
—往上一层：把相邻的几段线组合成拐角、T 字交叉、曲线（V2、V4）。—顶端：把部件按正确的排列组合成一张脸（IT 前部）。
每一层的神经元，只看上一层一小片区域里的少数几个特征，比如两到四个；同时，每上一层，"在哪儿"放宽一点。到顶端，自然就能在任何位置认出脸，而每个神经元的连接都很有限。而且不是所有组合都要学，只学自然图像里真会出现的那些，绝大多数随机像素组合根本不会出现。
这也回答了第二节里"只数特征"的窟窿：分层系统在每一级都保留了"谁挨着谁"的排列信息，只是一级级把精确位置放宽，所以五官打乱它认得出来不对。
BRAIN / 04
四、大脑这套的两个关键
关键一：快
罗尔斯估计，每往上一层大约只要 20 毫秒。猴子 IT 的神经元，在图片出现后大约 100 毫秒就开始有选择性地反应。也就是说，一张脸从眼睛传到"认出来"，前馈一趟就够，不需要来回反复算。
关键二：不要老师，靠时间
大脑没有人给每张图贴标签。那它怎么知道一张脸的正面和侧面是同一个人？一个巧妙的答案是：靠时间。你看着一个人转头，几百毫秒里落在眼睛上的，多半是同一张脸的不同角度。如果一个神经元学的时候稍微"记得"刚才在响什么，就会把这些连续出现的样子归到一起。1991 年福尔迪亚克提出了这种学习规则，2002 年维斯科特和谢诺夫斯基把它推广成"慢特征分析"：世界上真正重要的东西变化慢，像素变化快，找变化慢的那部分，就找到了"不变"的东西。
曹颖团队的补充
到了顶端，一张脸是怎么编码的？2017 年张乐和曹颖在《细胞》上发表的研究发现，猴子认脸区的神经元，并不是每个对应一张特定的脸。研究者把脸描述成一个 50 维的"脸空间"（形状 25 维、外观 25 维），每个神经元只对其中一个方向上的变化成比例地反应。用大约 200 个神经元的反应，就能把猴子看到的脸重建出来，像得能认出是谁。
BRAIN / 05
五、对照 AI
—分层省连接，卷积网络也是这么做的。每层只看一小片，再加池化放宽位置，和第三节讲的是同一个思路。—"靠时间学不变"，在 AI 里换了个名字又回来了。今天用视频做自监督学习，让网络把同一段视频里相邻的帧认作"同一个东西"，就是把福尔迪亚克和慢特征分析的想法搬到了大规模数据上。—曹颖的发现，像网络里的"分布式表示"。一张脸不是一个神经元，而是一群神经元在各自方向上的读数，这和深度网络高层用一个向量表示一张脸，是同一类编码方式。
BRAIN / 06
六、原文的几处问题
—060 说"深度网络像大脑不奇怪，因为它就是照着神经数据训练的"。不对。2014 年亚明斯、迪卡洛等人的网络只按认物体的任务训练，没有用神经数据；训练好以后才发现它的高层能预测 IT 反应，这正是那项研究的意义所在。—061 讲"最小可识别配置"，引错了文献。这个概念出自 2016 年乌尔曼等人在《美国国家科学院院刊》的论文，原文却引了一篇 2021 年的论文。—061 讲曹颖团队，漏了关键论文，叫法也不准。最关键的是 2017 年《细胞》上那篇（就是第四节讲的），原文只引了一篇综述，还把它称作"通过合成进行分析"，这不是那项研究自己的叫法。—061 说辛顿的理论认为视觉转换是"无损、可逆"的。这个概括不准，辛顿的生成模型要的是"能大致生成出输入"，不是无损可逆。—062 把罗尔斯自己模型的优点当成了领域共识。分层、竞争学习、时间规则这些都有证据，但"深度卷积网络做不到"的说法，忽略了自监督学习这几年的进展。060 那句残留的引用号"[3, 175]"，也是原书搬过来没清理干净。
BRAIN / 07
七、边界
—"每层约 20 毫秒"是罗尔斯根据猴子反应潜伏期做的估计，不同脑区、不同实验会有出入。—"靠时间学不变"在模型和部分实验里有支持，但大脑是不是主要靠这条规则学会的，还没有定论。—曹颖的 50 维脸空间是针对正面、中性表情的人脸图片测的，换成更复杂的自然场景，编码方式会不会一样，还在研究。
BRAIN / 08
八、自测：合上文章回答
—只用一层网络在任何位置认出一张脸，为什么做不到？分层是怎么解决的？—大脑没有标签，怎么知道一张脸的正面和侧面是同一个人？—曹颖团队发现，认脸细胞是"一个细胞对应一张脸"吗？
BRAIN / 09
九、三行，留着复习
```
四条老路 只数特征怕排列乱、拆零件难在先抠出来、对模板要先知道怎么对、卷积网络能用但学法不像大脑
分层省连接 每层只把一小片里两到四个特征组合起来，一级级放宽位置；单层要的连接多到不可能
不要老师 刚看到的多半是同一个东西：靠时间连续性学不变；顶端约 200 个神经元就能重建一张脸
```
本篇是「脑科学 × AI」系列第106篇，药神撰写（2026-10-22），合写老炊专辑「智能的计算基础」第060、061、062篇。更正：060 说深度网络照神经数据训练（与 Yamins 2014 不符）；061 最小可识别配置应引 Ullman 2016，曹颖关键文献为 Chang & Tsao 2017，辛顿「无损可逆」概括不准；062 把罗尔斯模型的优点当共识。
阅读依据：老炊《智能的计算基础》060–062；Rolls, Brain Computations and Connectivity 2023；Ullman 等, PNAS 2016；Chang & Tsao, Cell 2017；Földiák, Neural Computation 1991；Wiskott & Sejnowski, Neural Computation 2002；Yamins 等, PNAS 2014；Marr & Nishihara 1978。回引第104篇。