BRAIN / BRAIN × AI20 SEP 2026

脑科学与AI123｜门把手看起来就是用来拉的：镜像神经元可能是练出来的，AI 看人视频学抓东西也是

这一篇跟写"智能的计算基础"系列第 076 篇。076 讲了两个概念：一是吉布森的"可供性"，看见一个门把手，看到的就是"可以拉"；二是镜像神经元，猴子自己抓东西、看别人抓东西，同一批神经元都放电。原文最后给了罗尔斯的另一种读法：镜像神经元可能是联想学习长出来的。这条读法其实有一整条实验线撑着，而且正好对上今天机器人"看人视频学干活"的做法。原文的问题放在第五节。

看见东西就知道怎么用，看见别人动手自己的运动区也跟着响，这两件事都可能是"看"和"做"反复一起出现、练出来的关联，不是天生装好的理解模块。AI 让机器人看人视频学抓哪里，走的是同一条路。

可供性

看见就知道能怎么用

镜像

看和做一起出现练出来

对照 AI

配对数据把看翻成做

一只手转动黄铜门把手。我们不会先量它的形状再推断用途，看过去就知道"能握、能转"。吉布森把这叫作可供性。图片来源：Sueda Dilli / Pexels

076 的三件事对照：可供性、镜像神经元、AI 看人视频学动作，各自的证据到了哪一步。

BRAIN / 01

一、可供性：看见的是"能拿它做什么"

美国心理学家吉布森 1966 年在《作为知觉系统的感官》里造了"可供性"（affordance）这个词，1977 年写了专文，1979 年在《视知觉的生态学进路》里系统展开。意思是：环境给动物提供的行动可能。台阶可供攀登，把手可供拉，椅面可供坐。

两点容易读错：

—它是关系，不是物体单方面的属性。同一级台阶，对大人可供迈上去，对一岁的孩子不行。沃伦 1984 年做过测量：人判断一级台阶"迈不迈得上"，看的不是台阶多高，而是台阶高度和自己腿长的比例，不用手扶能迈上去的最高台阶，大约是腿长的 0.88 倍，高个子、矮个子都一样。

—它不随需要变。吉布森的原话是："一个东西的可供性，不随观察者需要的变化而变化。"不渴的时候水照样可供喝。所以它跟"关系"并不矛盾：相对的是动物的身体和能力，不是此刻想要什么。

大脑里有没有"可供性"的痕迹？第121篇讲过，F5 管手和嘴的抓握，输入来自顶叶 AIP。村田、里佐拉蒂等 1997 年记录到，F5 里有一类"典型神经元"，猴子只是看见一个物体、手还没动，它就放电，而且挑形状：给它看球、圆柱、圆环这类不同物体，一个神经元偏爱哪种物体，往往跟它在执行时偏爱哪种抓法对得上。看见的东西直接被翻成了"抓法"，这是可供性在单个神经元上最直接的对应。

BRAIN / 02

二、镜像神经元：自己做、看别人做，用同一批神经元

帕尔马大学里佐拉蒂团队 1992 年（迪佩莱格里诺等，《实验脑研究》）首次报告，1996 年（加莱塞等，《脑》）系统描述：F5 里另一类神经元，猴子自己抓花生时放电，看实验员抓花生时也放电，看见一只手做抓的动作而桌上没东西就不怎么响。2002 年科勒等人又发现，有些这类神经元连听到剥花生的声音也放电。

人身上的证据大多来自脑成像，看到的是一片脑区的血流，不是单个神经元。直接的单细胞证据是穆卡梅尔、弗里德等 2010 年在癫痫病人身上记的 1177 个细胞：辅助运动区、海马附近有一部分神经元，执行动作和看别人做同一动作时都有反应。记录位置由治疗决定，不在 F5 对应的额下回。

至于镜像神经元是不是"理解他人意图""语言""共情"的基础，争议很大。希科克 2009 年在《认知神经科学杂志》上列了八条问题，其中一条是：人脑里被当作镜像区的额下回受损，病人多数仍能认出别人在做什么动作。

BRAIN / 03

三、另一种读法：镜子是练出来的

076 结尾把"联想学习"这个解释归给罗尔斯。其实这条线的主力是牛津大学的海耶斯（Heyes）和她的合作者，2014 年在《行为与脑科学》上写成长文《镜像神经元：从起源到功能》。核心论点很简单：

—婴儿看着自己的手动，"看见手抓"和"自己在抓"天天同时出现；别人对着自己做鬼脸、自己也做，两件事也同时出现。

—两类信号反复同时出现，就像赫布法则（第 017 篇的老话题：一起放电的连在一起），看的神经元和做的神经元之间的连接被加强。

—于是"看别人抓"也能把"做抓"的那批神经元带起来，这就是镜像。它是学出来的关联，不是为了理解别人专门进化出来的模块。

最有力的实验是卡特默、沃尔什、海耶斯 2007 年在《当代生物学》上做的：让受试者练习"看到别人动食指，自己就动小指"（反过来也一样）。练之前，看别人动食指，受试者自己的食指肌肉被诱发得更强，这是正常的镜像；练之后，这个对应反了过来，看别人动食指，被带起来的是小指肌肉。镜子能被一段训练改装，说明它的接线来自经验。

罗尔斯的版本是同一方向：看见物体和准备抓它的运动反复一起出现，镜像神经元反映的是"视觉"和"该做的动作"之间学来的关联，有用之处是给即将做的动作提前做好准备。这样读，第一节的典型神经元和第二节的镜像神经元就是一类东西：前者把"看见物体"联到抓法，后者把"看见别人的手"联到抓法。

BRAIN / 04

四、对照 AI

一、可供性：机器人先学"该碰哪里"。卡内基梅隆大学和 Meta 的巴尔、帕塔克等 2023 年在 CVPR 上发表 VRB：拿网上大量人在厨房里干活的视频，训练一个模型，看一张场景照片，预测人最可能在哪里下手（接触点）、碰上之后手往哪个方向走（接触后的轨迹）。这正是吉布森说的"看见能拿它做什么"。他们把这份"可供性地图"接进四种机器人学习方法，在 4 个真实环境、10 多个任务、2 种机器人上都能用。

这里有个关键的设计：人手有五根指头，机器人只有一个夹爪，照搬人的动作搬不过去。VRB 不学"人的手怎么动"，只学"环境的哪里能被怎么碰"，这一层是人和机器人共有的。这正对应第一节说的：可供性是物和身体能力之间的关系，换一个身体，读出来的抓法可以不同，但"这里能拉"不变。

二、镜像：从"看"翻到"做"，需要配对的数据。OpenAI 的贝克等 2022 年在 NeurIPS 上发表 VPT：网上有海量人玩《我的世界》的视频，但没有记下按了什么键。他们先请人玩一小部分、同时录下键盘鼠标，训练一个"逆动力学模型"：看前后几帧画面，猜中间按了什么。再用它给海量视频补上动作标签，训练出一个会玩的智能体，最后能做出钻石工具，熟练玩家也要 20 分钟左右才做得出来。

逆动力学模型干的事，就是镜像神经元被认为在干的事：把"看见的动作"翻成"自己的动作指令"。而它是怎么学会的，正是海耶斯的答案：靠一小批"看"和"做"同时出现的配对数据。没有那批配对，再多视频也只能学会"画面会怎么变"，学不会"我该怎么按"。

三、只看不做，也能先学到"看什么"。内尔、拉杰斯瓦兰等 2022 年的 R3M，拿第一视角的人类日常视频（Ego4D）做预训练，学的是哪些画面变化跟动作进程有关，再冻结起来给机器人用，只用很少的示范就能学会操作任务。这对应婴儿大量看别人做事，先学会盯住手和物体接触的地方。

四、差别。AI 这几条路，我们知道"看到做"的映射一定来自配对数据，因为是人这样设计的；大脑里镜像神经元的起源，联想学习说有卡特默这类实验支持，但"天生 + 经验调整"的说法也还有人坚持。另一个差别：VPT 的逆动力学模型只猜按键，不管玩家想干什么。大脑里镜像神经元是否参与理解意图，正是第二节说的争议点；在 AI 这里，这一层目前是空的。

BRAIN / 05

五、原文的几处问题

—可供性的出处和年份。这个词 1966 年就由吉布森提出，1977 年是专文，1979 年成书；原文引的 1978 年《Leonardo》那篇讲的是图画知觉，不是可供性的出处。

—"不需要感官处理"错。吉布森的"直接知觉"是说不需要先在脑子里推理、拼出一个中间表征再推断用途，不是不经过感官。

—前后打架。原文先说"可供性不是物体的属性，而是物体与使用者之间的关系"，后面又说"物体的意义和价值是内在的"。吉布森说的是可供性不随观察者的需要变（1979），但它相对于动物的身体和能力；"内在于物体"这句把关系又说回了属性。

—典型神经元漏了关键一半。原文只写它们在执行动作时激活。它们真正有意思的地方，是看见可抓的物体、手还没动就放电，而且偏爱的物体形状跟偏爱的抓法对得上（村田等 1997），这正是可供性在神经元上的对应，原文却没把两节接上。

—"F5 也称为腹侧前运动皮层"不准。腹侧前运动皮层包括 F4 和 F5，F5 是其中靠前的一块。

—发现只引了 2004 年综述。原始报告是迪佩莱格里诺等 1992、加莱塞等 1996。"语言理解、情感共鸣"写成镜像神经元的作用，是推测，未交代希科克 2009 等人的反驳；人脑单细胞证据（穆卡梅尔等 2010）也没提。

—联想学习解释的来源和证据对不上。这条解释的主要提出者是海耶斯一派，关键实验是卡特默等 2007，原文都没提。原文为它引的 McCabe 等 2008 年那篇，按摘要是研究"浓郁保湿霜"这类文字标签怎样改变人对涂霜触感的愉悦评价，摘要里没有镜像神经元，也没有额下回、初级体感皮层这组对照；而原文那句"与无接触对照没有显著差异，所以这些区域与触觉的想象有关"，没有差异本身推不出参与。看别人被触碰会激活体感区的经典证据是凯泽斯等 2004 年《神经元》，激活在次级体感皮层，不是初级体感皮层。原文全篇仍只引了三篇文献。

BRAIN / 06

六、边界

—联想学习说解释了镜像神经元从哪来，不等于回答了它有什么用；"理解意图"这一层，两派都还缺决定性证据。

—第四节把逆动力学模型对到镜像神经元、把 VRB 对到可供性，是本系列的对照读法；这些 AI 方法是已发表的，和大脑的对应没有被直接检验过。

—卡特默 2007 测的是看动作时诱发的肌肉反应，是人的运动系统整体，不是单个镜像神经元。

BRAIN / 07

七、自测：合上文章回答

—可供性为什么既是"关系"，又"不随需要变"？

—F5 的典型神经元和镜像神经元，各自对什么放电？

—卡特默 2007 年的实验怎么做的？结果为什么支持"镜子是练出来的"？

—VPT 为什么离不开那一小批"录了键盘鼠标"的数据？

—VRB 为什么学"该碰哪里"，而不是学"人手怎么动"？

BRAIN / 08

八、三行，留着复习

```

可供性看见的是能拿它做什么，相对身体不随需要；F5 典型神经元看见物体就按抓法放电

镜像自己抓、看人抓同一批神经元响；练"看食指动小指"后镜像反过来，接线来自经验

对照 AI VRB 学该碰哪里，VPT 用配对数据把看翻成做；AI 只学到映射，没有意图这一层

```

本篇是「脑科学 × AI」系列第123篇（2026-11-05），跟写老炊专辑「智能的计算基础」第076篇，承接第121篇，回引第017篇赫布法则。更正：可供性 1966 年提出、所引 1978 年文献非出处；「不需要感官处理」应为不需推理的直接知觉；「关系」与「意义内在于物体」前后矛盾；典型神经元漏写对物体的视觉反应；F5 只是腹侧前运动皮层的一部分；发现只引综述、功能推测未交代争议；联想学习解释主要出自 Heyes 一派，原文所引 McCabe 2008 按摘要与镜像神经元无关，看见触碰激活的是次级体感皮层（Keysers 2004）。逆动力学模型对镜像、VRB 对可供性是本系列的对照读法，未经直接检验。

阅读依据（2026-11-05 回查）：老炊《智能的计算基础》076；Gibson, The Senses Considered as Perceptual Systems, 1966；Gibson, The Ecological Approach to Visual Perception, 1979, p.130（可供性不随观察者需要变，按 APA PsycNet 转引）；Warren, Perceiving affordances: visual guidance of stair climbing, J Exp Psychol Hum Percept Perform 1984;10(5):683–703（PMID 6238127；最大可攀台阶高约为腿长 0.88，按引用该文的二手综述核对）；Murata et al., J Neurophysiol 1997;78(4):2226–2230（PMID 9325390）；di Pellegrino et al., Exp Brain Res 1992;91:176–180（PMID 1301372）；Gallese et al., Brain 1996;119:593（PMID 8800951）；Kohler et al., Science 2002 Hearing sounds, understanding actions；Mukamel et al., Curr Biol 2010（1177 个细胞）；Hickok, J Cogn Neurosci 2009;21(7):1229；Cook, Bird, Catmur, Press & Heyes, Behav Brain Sci 2014;37(2):177–192；Catmur, Walsh & Heyes, Curr Biol 2007;17(17):1527–1531（PMID 17716898）；McCabe, Rolls, Bilderbeck & McGlone, Soc Cogn Affect Neurosci 2008;3(2):97–108（按摘要）；Keysers et al., Neuron 2004;42:335–346；Bahl et al., Affordances from Human Videos as a Versatile Representation for Robotics (VRB), CVPR 2023（arXiv 2304.08488）；Baker et al., Video PreTraining (VPT), NeurIPS 2022；Nair et al., R3M, CoRL 2022（arXiv 2203.12601）。回引第017、121篇。正文配图 Pexels 30992408（Sueda Dilli）。