BRAIN / BRAIN × AI20 SEP 2026

脑科学与AI108｜"这还是同一个东西"是怎么学会的：HMAX 输在哪，VisNet 靠的是半秒钟的记性

这一篇合写"智能的计算基础"系列第 063、064 两篇。第 106 篇讲到，大脑认物体要一层层组合特征，而且学"变了也认得"不靠标签，靠时间。这两篇把这件事落到两个具体模型上：HMAX 和 VisNet。两个模型骨架很像，差在一个地方：会不会利用时间。原文有几处说过头，放在第五节。

两个模型都是"简单细胞层、汇集层"交替叠上去的。HMAX 用"取最大值"汇集，能做到挪位置也认得，但换个角度就不认了，因为它从来没学过"这几个样子是同一个东西"。VisNet 多了一条学习规则：神经元被激活后，会"记得"自己刚才响过，这个记性大约维持半秒；半秒内看到的不同样子，就被连到同一个神经元上。真实世界里，半秒内眼前的东西多半没换，这就是它的道理。

1999

HMAX 提出

~0.5s

VisNet 痕迹规则的衰减时间（模型参数）

VisNet 层数

一卷底片，一格挨着一格。相邻几格拍的多半是同一条街、同一栋楼，只是角度变了一点。VisNet 学「这还是同一个东西」，用的就是这条规律。图片来源：Ron Lach / Pexels

HMAX 和 VisNet：骨架一样，差在会不会用时间；痕迹规则怎么把一个物体的不同样子连到同一个神经元上。

BRAIN / 01

一、HMAX：挪得动，转不动

HMAX 是 1999 年里森胡贝尔和波焦在《自然·神经科学》上提出的模型，照着腹侧视觉通路搭：

—"简单细胞"层：每个单元拿一个小模板去比对图像，像在找某种局部图案。

—"复杂细胞"层：在一小片区域里，只取反应最强的那个往上传（取最大值）。图案在这一片里挪到哪儿都一样，平移不变性就这样来了。

—两种层交替叠几次，最后接一个分类器。

它的影响很大。2007 年塞尔、奥利瓦和波焦在《美国国家科学院院刊》上发表研究，用 HMAX 的升级版去做"一眼看出图里有没有动物"的任务，正确率和人在极短时间看图时的表现接近，说明大脑最初那一下"认出来"，可能真的只靠一趟前馈。今天卷积网络里的"最大池化"，也和它是同一个思路。

它缺的那一块：取最大值能解决"挪位置"，解决不了"换角度"。一张脸的正面和侧面，在图像上几乎没有共同的局部图案，HMAX 没有任何机制去学"这两个样子是同一张脸"。它最后靠一个外接的分类器来分类，这个分类器需要大量标注好的图片，大脑里没有对应的东西。

BRAIN / 02

二、竞争学习：不要老师，先学会分门别类

VisNet 的另一块积木，来自芬兰学者科霍宁的"自组织映射"（1990 年发表在《电气电子工程师学会会刊》上）：

—一群神经元，每个有一组权重。

—来一个输入，看谁的权重和它最像，谁就"赢"。

—赢的那个和它的邻居，把权重往这个输入的方向挪一点。

反复做下去，不需要任何标签，神经元就会各自"认领"一类相似的输入。罗尔斯的模型借用了这种竞争的思路，但不让一个神经元"通吃"，而是让一小群神经元一起表示一个输入，这叫稀疏分布式表示。

BRAIN / 03

三、VisNet：多了半秒钟的记性

VisNet 是罗尔斯团队从 1997 年起发展的模型（沃利斯与罗尔斯，1997 年《神经生物学进展》），三个要素：

—一层层竞争网络：每层内部互相抑制，逼不同神经元去学不同的特征组合。

—一级级汇聚：每个神经元只接收上一层一小片区域的输入，感受野随层级变大。

—痕迹学习规则：普通的赫布规则是"一起响的就连在一起"；痕迹规则改成"和我刚才的活动一起响的，也连在一起"。神经元的活动会留下一道逐渐衰减的痕迹，罗尔斯取的衰减时间大约半秒。

它怎么学会换角度也认得：你看着一个人转头，半秒内落在眼睛上的是同一张脸的正面、斜侧、侧面。正面让某个神经元响了，它的痕迹还没消，侧面就来了，于是侧面的输入也被连到这个神经元上。看得多了，这个神经元就对这张脸的各个角度都会响。

有一个细节很讲究：VisNet 第一层（对应 V2）用的是普通赫布规则，不加痕迹。因为要先学会"哪些局部特征组合在一起"，定下物体的空间结构，然后才轮到"哪些样子是同一个东西"。先学结构，再学不变，顺序不能反。

怎么检验：给网络看一组物体，每个物体以不同位置、大小、角度、光照出现。如果最后一层出现了这样的神经元：只对某一个物体响，而且无论它怎么变都响，就说明学到了不变性。罗尔斯团队报告，VisNet 能学会平移、大小、视角、光照等多种不变性。

BRAIN / 04

四、对照 AI

—HMAX 的"取最大值"，就是卷积网络的最大池化。它们都只解决位置问题，换角度、换光照，卷积网络靠的是海量带标签的图片硬学出来。

—痕迹规则的现代版本，是用视频做自监督学习。让网络把同一段视频里相邻的几帧认作同一个东西，把不同视频的帧认作不同的东西，不用一个标签就能学到不变的表示。这和"半秒内看到的多半是同一个东西"是同一个假设，只是规模大了几个数量级。

—"先学结构、再学不变"，在 AI 里也有对应。很多自监督方法先让网络学会重建或补全局部，再在上面学不变性，顺序和 VisNet 第一层不加痕迹是同一个道理。

BRAIN / 05

五、原文的几处问题

—063 说"HMAX 已不再被视为有效的不变物体识别模型"。这是罗尔斯一派的判断。HMAX 在 2000 年代影响很大，2007 年那项快速分类研究就是它的代表作；它后来是被深度卷积网络取代了，而不是被证明是错的。

—064 把"痕迹约半秒"写成了神经元的事实。这是模型里取的参数。神经元活动确实能拖延一段时间，比如某些受体关闭得慢、神经元会持续放电，但"0.5 秒"是罗尔斯模型的设定，不是测出来的通用常数。

—064 说 VisNet 的滤波器"去除直流分量，类似视网膜和外膝核的低通滤波"。说反了。去掉直流分量、只留边缘和变化，是高通（或带通）滤波；老炊自己在 058 里也写过外膝核"实现高通滤波"。

—063 引罗尔斯的工作假设，用的是 2006 年的文献。这个假设罗尔斯在 1990 年代初就提出了，原文引的不是最早的出处。

BRAIN / 06

六、边界

—VisNet 能学会多种不变性，是罗尔斯团队在模型里报告的结果；大脑是不是主要靠痕迹规则学会的，目前是有部分实验支持的假说，不是定论。

—HMAX 和 VisNet 都是简化模型，和今天的大型视觉网络比，规模和性能都差得远，它们的价值在于"可能像大脑"，而不在于"好用"。

—塞尔等人 2007 年的对比是在特定的快速分类任务上做的，不能推广成"大脑认物体只靠前馈"。

BRAIN / 07

七、自测：合上文章回答

—HMAX 的"取最大值"解决了什么问题，解决不了什么问题？

—科霍宁的自组织映射，没有标签，凭什么能学会分门别类？

—痕迹学习规则和普通的赫布规则差在哪？

—为什么 VisNet 第一层不加痕迹？

—"半秒钟的记性"这个想法，在今天的 AI 里以什么形式出现？

BRAIN / 08

八、三行，留着复习

```

HMAX 简单层找模板、复杂层取最大值：挪位置也认得，换角度就不认；被深度网络取代，不是被证伪

VisNet 竞争网络 + 一级级汇聚 + 痕迹规则：半秒内看到的不同样子，连到同一个神经元上

对照 AI 取最大值 = 最大池化；痕迹规则 ≈ 用视频相邻帧做自监督；先学结构、再学不变

```

本篇是「脑科学 × AI」系列第108篇，药神撰写（2026-10-24），合写老炊专辑「智能的计算基础」第063、064篇。第107篇为芒格大神撰写。更正：HMAX 被取代而非被证伪；0.5 秒是模型参数；去直流是高通而非低通；罗尔斯假设出处早于 2006。

阅读依据：老炊《智能的计算基础》063–064；Riesenhuber & Poggio, Nat Neurosci 1999；Serre, Oliva & Poggio, PNAS 2007；Kohonen, Proc IEEE 1990；Wallis & Rolls, Prog Neurobiol 1997；Rolls & Stringer, J Physiol Paris 2006；Földiák, Neural Comput 1991。回引第106篇。