BRAIN / BRAIN × AI20 SEP 2026

脑科学与AI122｜盯着瀑布看久了，石头会往上走：大脑按刚看过的东西改坐标，AI 视觉没有这一步

第111篇讲透过小孔看运动，方向测不准；第112篇讲眼睛一转，大脑靠增益调节把东西留在原地。两篇说的都是：大脑算位置，不是照抄像素。今年 10 月，加拿大约克大学卡尔（Kohitij Kar）团队在 *Current Biology* 上用一个两百年前就有人记下的错觉，把这件事推进了一步：同一张图、像素一点没动，猴子颞叶里的「位置读数」会跟着刚才看过的运动偏开；而现在的 AI 视觉网络，定位很准，却一点都不偏。

AI 视觉缺的不是定位精度，而是按刚看过的东西改写表征的那一步。大脑这一步的副作用叫错觉，正作用是让知觉跟着环境重新校准。

问题

像素不变，位置会不会偏

人脑

人与猴颞叶同向偏

定位准却不偏

BRAIN / 01

一、一个错觉，为什么能当刀用

1834 年，一位叫亚当斯（Robert Addams）的巡回讲师在苏格兰福耶斯瀑布前盯着水流看了一阵，再把目光移到旁边的岩石上，发现岩石像在往上走。这就是「运动后效」，俗称瀑布错觉：朝一个方向的运动看久了，再看静止的东西，会觉得它往反方向动、或者位置往反方向偏一点。

这个错觉好用在一点：输入没变。测试图还是那张图，物体在屏幕上的像素位置一模一样。所以它给了一个很硬的零假设：

—任何只按像素算位置的系统，适应前后读出的位置应当完全相同；

—如果读数偏了，偏的只能来自系统内部，来自它刚才看过什么。

以前大家知道，颞下皮层（IT，「认东西」那条腹侧通路的末端）里也解得出物体位置。但那时物体位置和像素位置总是绑在一起，分不清这是有知觉意义的位置，还是从前面几层顺手带过来的像素坐标。错觉把两者拆开了。

BRAIN / 02

二、这篇做了什么

三组对象，同一套图（40 张物体图，各在屏幕不同位置）：

—人。 22 人先看左移或右移的条纹 30 秒（之后每轮补看 3 秒），再看一张静止的物体图 100 毫秒，用鼠标点出物体中心。结果：看完右移，点的位置偏左；看完左移，偏右。左右两种适应之差平均约 0.33 度视角，上下方向没有偏移。点的位置前后高度一致（相关约 0.9 以上），说明是整体偏了，不是变乱了。

—猴。两只猕猴颞下皮层埋了慢性电极阵列，看 3 秒运动条纹，再看测试图 100 毫秒。研究者先用没适应时的神经活动训练一个「读位置」的线性解码器，再原封不动套到适应后的活动上。读出的位置也朝运动的反方向偏，左右之差平均约 0.84 度，方向和人一致。

—AI。 测了 AlexNet、VGG-16、ResNet-18、ViT、自监督的 SimCLR，加上做动作识别的视频网络 SlowFast 和带循环连接的 ConvRNN。

AI 这一组的结果分三层：

—定位本身不差。 VGG-16、ResNet-18 的特征里解得出物体位置，相关约 0.8 以上，和猴子的颞叶差不多甚至更好；ViT 明显弱一些。

—一点不偏。 五个静态网络加上模仿神经元「看久了就放电变少」的指数抑制后，活动确实降了，位置却几乎不动，左右之差在千分之一度上下，比人小两个数量级以上。视频网络和循环网络本来就带时间维度，也不偏。

—把猴脑的变换套上去，就偏了。 研究者从颞叶数据里算出「适应前→适应后」的线性变换，套到网络特征上（他们叫「神经化」），网络立刻出现和人、猴同向的偏移。

一句话：特征空间装得下这种偏移，网络自己生不出来。缺的不是能力，是一个按历史改写表征的机制。

BRAIN / 03

三、证据到了哪一步

能站住的是两条：猴子颞叶的位置读数，在像素不变时会跟着运动史偏开，方向和人的错觉一致；被测的几类 AI 网络，在同样条件下不偏。

要打折扣的有三处，论文自己也写了：

—猴子这边只有一个方向显著。 右移适应后的偏移显著；左移适应后只是同向的趋势，不显著。结论靠的是左右之差。

—颞叶不一定是最后拍板的地方。 适应后，猴脑读数前后的一致性下降了，人的点击没有下降。作者据此推测，颞叶之后还有别的区域再加工一道。

—机制没找到。 偏移是从 MT（专管运动的脑区）经 V4 传进来的，是颞叶自己的循环，还是前额叶、顶叶的反馈，论文列了三种可能，都没做干预。

BRAIN / 04

四、大脑为什么要「犯这个错」

适应不是坏掉。神经元对一直出现的东西降低反应，把有限的放电留给变化，这是视觉里很普遍的做法；卡兰迪尼和希格（Carandini & Heeger）2012 年把与之相关的「归一化」称为大脑的一种通用计算：每个神经元的输出，都要除以周围一群神经元最近的总活动。

按这个读法，错觉是一笔账的另一面：系统按最近的统计重新校准，换来对变化更敏感、对环境更稳；代价是环境突然变了，旧的校准还没退，于是静止的石头看起来在动。这是本系列的读法，论文的讨论也往这个方向写（把适应造成的偏差看作「知觉稳定」的痕迹，而不是失误），但没有直接测「有了这一步，看东西是不是更好」。

论文还发现一处细节：光让每个单元「看久了变弱」不够。人工网络里加了均匀的抑制，放电降了，位置不动；颞叶里不同神经元对左右运动的敏感程度各不相同，是整个群体的几何形状被重排了。要的是有结构的重排，不是一律调低音量。

BRAIN / 05

五、对照 AI：两边各借一手

AI 已有的近亲。 工程上早有「按最近统计重新校准」的做法。批归一化（BatchNorm）在训练时按一批数据的均值和方差调整每层输出；2021 年王（Dequan Wang）、谢尔哈默（Shelhamer）、奥尔斯豪森（Olshausen）、达雷尔（Darrell）等人在 ICLR 发表的 Tent，干脆在测试时也继续更新归一化层，让模型适应眼前这批变了样的图（比如加了噪声、模糊）。思路和神经适应相近，目的不同：Tent 为了答得更准，不为和人看到的一样；这篇论文也没有测这一类方法。

有时间维度，不等于会适应。 大模型有上下文窗口，视频网络有时间卷积，看起来都「记得刚才」。但这篇里的 SlowFast 和 ConvRNN 照样不偏。记得刚才看过什么，和刚才看过的东西改写了你现在怎么看，是两件事。前者是多一份输入，后者是换了一副眼镜。

论文给的配方。 作者列了几条：让「认形状」和「看运动」两路真正耦合，像 MT 投到颞叶那样；抑制要有结构，可以借归一化、带调谐的适应、看上下文的门控；训练目标不能只有分类对不对，还要有「位置估计和人一致」这类任务；再直接拿神经元的适应曲线去拟合网络的动态。

该不该让 AI 也犯人的错。 本系列第102篇说过，AI 最值钱的是它和你不一样。这两句不矛盾，看用途：

—要测距、定位、驾驶，要的是像素真值，最好别有错觉；

—要预测人会看到什么、会在哪里看错（驾驶员看完车流再看路标、界面上什么会被看偏），就需要一个会犯人类那种错的模型。

两种模型最好分开要，别指望一个兼顾。把「像人」当成通用目标，会在第一种用途上白白丢掉精度；把「准」当成唯一目标，又预测不了人。

和人一样，是一种能力，不是一种美德。该不该要，看你拿它做什么。

BRAIN / 06

六、对用 AI 的人

这篇给一条可以直接用的判据：同一份材料，人刚看过什么，会改变他怎么看；现在的 AI 不会。连着读了三篇看多的研报，再读一份中性的数据，我们往往觉得它也偏多；把同一份数据单独丢给 AI，它没有这层「刚才」。拿 AI 做反证，用的正是这一点：它的判断来自体外，没被我们刚才的运动史带偏。

但反过来也要守住：AI 不偏，不等于它对。它只是没有我们这一种偏，它有它自己的（比如训练数据的偏）。所以这条要配一个认错机制：事先写下「AI 和我看法不同时，出现什么我就照它改」，不要等它说中了我爱听的才算数。

BRAIN / 07

七、出现什么，说明这篇错了

—如果有人用不带任何猴脑数据、只靠自身动态的视频或循环网络，复现出和人同向、量级相近的位置偏移，那么「现在的 AI 视觉没有这一步」要改成「被测的几类没有」，第五节「有时间维度不等于会适应」要收窄。

—如果更多猴子、更多图像下，颞叶的偏移只在一个方向稳定出现，或者干预 MT、V4 之后颞叶读数不再偏而人的错觉照旧，那么「颞叶按知觉坐标编码位置」就要降级为「颞叶带着上游的运动信号」，第二、三节的结论跟着减半。

BRAIN / 08

八、边界

—数字取自 arXiv 2603.11248 预印本 v1；正式版 *Current Biology* 2026 年 10 月 2 日在线，摘要与预印本一致，正文细节未逐条对正式版。

—猴子只有两只，测试图 40 张；人的偏移约 0.3 度视角，是小效应，靠的是平均。

—被测网络是一组有代表性的视觉模型，没有测大型多模态模型，也没有测 Tent 这类测试时适应方法。

—「错觉是校准的代价」是本系列和作者讨论的读法，论文没有直接测这一步给视觉带来的好处。

BRAIN / 09

九、自测：合上文章回答

—瀑布错觉为什么能当零假设用？只按像素算位置的系统，应该出现什么结果？

—猴子这边，解码器是怎么训练、怎么套用的？为什么这样做能说明偏的是表征本身？

—人工网络加了「看久了变弱」的抑制，为什么还是不偏？

—「记得刚才」和「刚才改写了现在」有什么不同？各对应 AI 里的什么？

—什么用途要 AI 像人一样看错，什么用途不要？

BRAIN / 10

十、三行，留着复习

```

问题像素不变，位置读数会不会跟着刚看过的运动偏

人脑人偏约0.33度，猴颞叶读数同向偏约0.84度；一个方向显著，机制未干预

对照 AI 定位准却不偏，套上猴脑变换才偏；缺的是按历史改写表征，不是精度

```

本篇是「脑科学 × AI」系列第122篇（2026-11-04），承接第111、112篇，回引第102篇。核心材料是一项猕猴电生理加人类心理物理加模型对照的研究；「错觉是校准的代价」「两种模型分开要」「拿 AI 做反证」是本系列的读法，论文没有测这些。

阅读依据（2026-11-04 回查）：Yakubovskaya E, Ramezanpour H, Dunnhofer M, Kar K, The macaque IT cortex but not current artificial vision networks encode object position in perceptually aligned coordinates, Current Biology 2026（2026-10-02 在线，DOI 10.1016/j.cub.2026.09.019；摘要按 Cell 页面对过，正文数字取自 arXiv 2603.11248v1 预印本）；约克大学新闻稿 2026-10-02；Addams 1834 瀑布错觉（按 Britannica、The Scientist 介绍）；Carandini & Heeger, Normalization as a canonical neural computation, Nat Rev Neurosci 2012;13:51–62；Wang, Shelhamer 等, Tent: Fully Test-Time Adaptation by Entropy Minimization, ICLR 2021；Feichtenhofer 等, SlowFast Networks for Video Recognition, ICCV 2019。回引第102、111、112篇。