BRAIN / BRAIN × AI20 SEP 2026
脑科学与AI92｜从图像倒推世界：看见，是一道答案不唯一的题
这一篇跟写"智能的计算基础"系列第 052 篇。原文从这里转入视觉：先说视觉为什么难，再从眼睛最前端的视网膜讲起，讲到"感受野"和"侧抑制"这两个后面会反复用到的概念。
电脑画图是正着算：已知物体、排列和光照，算出一张图，答案只有一个。眼睛看东西是倒着推：只拿到一张图，要猜出外面是什么，而同一张图可以由无数种场景产生。所以"看见"不是拍照，是一次推断；大脑能一眼做对，靠的是它熟悉这个世界的规律，用规律在无数种可能里挑出最像的那一个。
无数种 01 一张图对应的场景 |
约1/4 02 人类皮层管视觉（常见估计） |
1938 03 哈特兰把感受野带进视觉 |
这个"立方体"是画在墙角上的。盯着看一会儿，它一下像凸出来，一下像凹进去：同一张图，两种场景都说得通。视觉每时每刻都在解这种题。图片来源：Jan van der Wolf / Pexels
计算机图形学和视觉是同一件事的两个方向：一个从场景算出图，答案唯一；一个从图倒推场景，答案无数，要靠世界的规律去挑。
BRAIN / 01
一、正着算容易，倒着推难
原文开头一句话就把问题摆出来：计算机图形学做的是"已知场景，生成图像"，视觉要做的是反过来，"已知图像，推断场景"。
为什么倒着难？因为一张图里丢了太多东西：
—远近丢了。视网膜上一个小圆，可能是近处的一颗小球，也可能是远处的一个大球。—颜色和光照混在一起。一块看起来发灰的地方，可能是白墙在阴影里，也可能是灰墙在亮处。—前后遮挡丢了。看到半个杯子，杯子后面还有没有东西，图里没写。
上面那张封面就是现成的例子：同一个画在墙角的"立方体"，既能看成凸出来，也能看成凹进去。一张一百乘一百像素的小图，能对应的场景就已经多到数不过来。
可人看东西几乎不费力，一眼就知道桌上放的是什么、离自己多远、能不能伸手拿到。原文说，这靠的是图像里的规律：这个世界有自己的物理结构，比如光多半从上面来，物体表面多半是连着的，东西不会凭空悬着。原文把这些叫"生态约束"或"自然约束"。大脑用这些规律，把无数种可能压缩成一个最说得通的答案。
这正好接上第 47 篇讲过的一句话：新皮层是一个"生成模型"。大脑心里有一个"世界大概怎样产生图像"的模型，看东西时就是在问：外面是什么样的场景，最可能产生我眼前这张图？
一句话小结：看见不是复印外面，是根据一张图去猜外面，猜的依据是对世界的熟悉。
BRAIN / 02
二、为什么要花这么多脑子
原文给了两个数字：人类大脑皮层里，管视觉的大约占四分之一；我们接收的外部信息里，视觉占八到九成。
第一个数字是常见估计，大体可信。第二个数字到处都在引，但查不到靠得住的出处，下面第六节会说。
不管具体是多少，方向是对的：视觉是大脑花本钱最多的感觉之一。题越难，投进去的神经元越多。原文还说，机器视觉在大多数任务上长期不如人；其他动物投入视觉的神经元少，能从视觉里得到的信息可能也少。
BRAIN / 03
三、马尔的三层，和它的一个限度
原文提到马尔。第 87 篇讲过他的三层：理解一个处理信息的系统，要分开看——
马尔把视觉定义成一个转换：输入一张二维的图，输出三维物体的位置和形状。他主张先把计算层想清楚，可以暂时不管硬件。
原文接着讲了这条路的一个限度：照这个思路做的图像识别，很长一段时间进展很慢；而且同一个计算问题有很多种算法，只有其中一部分能用真实的神经回路跑起来。所以原文的结论是：要真正懂视觉怎么算，得去看生物视觉实际是怎么搭的。这也是原文接下来从眼睛讲起的原因。
BRAIN / 04
四、从视网膜开始
视觉信息的主路是：视网膜 → 丘脑的外膝体 → 视觉皮层。
视网膜做两件事：把光变成神经信号；再把信号压缩一下，从视神经这根"窄管子"送进大脑。原文讲了几个要点：
—两种光感受器。视杆细胞对光敏感，暗处靠它，但分不出颜色；视锥细胞在亮处工作，有三种，分别对长、中、短波长的光最敏感，三种的比例让我们分出颜色。—只有中间一小块看得清。视网膜正中的中央凹视力最好，周边看不清细节，但对动静更敏感。所以眼睛和头一直在动，把要看清的东西挪到正中。原文说：视觉是主动的，不是被动接收。—盲点。视神经从眼球穿出去的地方没有光感受器，那里什么也看不见，只是大脑把它补上了。—只送对比，不送绝对亮度。自然界的亮度相差太大，从星光到正午阳光差好几个数量级。视网膜的办法是"调增益"：不管整体多亮，只关心局部和周围比，哪里更亮、哪里更暗。
BRAIN / 05
五、感受野和侧抑制：只对变化反应
感受野是这一篇最重要的概念：一个神经元"管"视网膜上的哪一小块，光照在那一块上，它的活动就会变强或变弱。这个词最早是谢灵顿 1906 年在研究触觉时提出的；1938 年，哈特兰在青蛙身上记录单根视神经纤维，发现每根纤维只对视网膜上一小块圆形区域的光有反应，就把这个词用到了视觉上。
他还发现，纤维的脾气不一样：有的在光亮着时一直放电，有的只在灯亮的那一下放电，有的只在灯灭的那一下放电。今天叫"给光反应"和"撤光反应"。
后来人们在猫的视网膜里发现，神经节细胞的感受野是"中间一块、外面一圈"，两部分作用相反：
—给光中心型：光照在中间，放电增多；照在外圈，放电减少。
画成曲线，中间一个尖、两边往下凹，像一顶墨西哥草帽，所以也叫"墨西哥帽"。
这种"外圈压中间"的作用叫侧抑制。它的效果是：整片均匀的光，中间和外圈互相抵消，几乎没反应；只有亮暗交界的地方，也就是物体的边缘，反应最大。
原文点出了背后的道理：大多数感觉神经元的本职，是检测变化。这个世界大部分东西是不动、不变的，只有少数在动。只报变化、不报不变，是最省的办法。动物也确实对变化最敏感：边缘在移动，静止的东西突然一动，最先抓住注意力。
换一句话说：神经元编码的是相对变化，不是绝对值。从暗处走进亮处，一开始晃眼，过一会儿就正常了，也是这个道理。
BRAIN / 06
六、原文要更正和补充的地方
—"视觉占外部信息的八到九成"查不到可靠出处。这个数字流传很广，但没有一项研究真正测量过它。早在 1996 年就有研究者专门追查过"开车时 90% 的信息来自视觉"这类说法，结论是：这类百分比既缺数据，也缺一个能让百分比有意义的测量方法。"视觉很重要"没问题，具体的百分比别当真。—"四分之一"和"40%"前后对不上。原文前面说视觉皮层约占皮层面积的四分之一，后面又说约 40% 的皮层神经元参与视觉处理。两个数口径不同（面积和神经元数），但放在一起容易让人糊涂。可以作参照的是：在猕猴身上，视觉相关的区域约占全部皮层的一半；人类的比例低一些，因为人脑里别的部分（比如前额叶）扩得更多。—"光感受器是视网膜里唯一感光的细胞"已经过时。2002 年的研究证实，视网膜里有一小类神经节细胞自己含有一种感光色素（黑视素），能直接感光。它们主要不管"看东西"，而是给生物钟报白天黑夜、控制瞳孔大小。—视锥细胞说成"红绿蓝"是简化。更准确的叫法是长波、中波、短波三种；长波和中波两种最敏感的位置都在黄绿一带，并不是纯红、纯绿。—哈特兰那项工作不是在洛克菲勒大学做的。原文写"洛克菲勒大学的哈特兰"。他提出视觉感受野的那批实验做于 1938 年前后，当时他在宾夕法尼亚大学；他后来才到洛克菲勒，并在 1967 年因视觉研究获诺贝尔奖。—"连手写数字识别都难以实用"要加时间限定。这说的是早年的情况。到 1990 年前后，卷积神经网络已经能比较好地识别手写邮编，后来还用在银行的支票识别上。
BRAIN / 07
七、对照 AI
—卷积网络的第一层，自己学出了"感受野"。第 83 篇讲过，早期的卷积网络是从视觉皮层得到的灵感：每个单元只看图上的一小块。训练好的卷积网络，第一层常常自己长出找边缘、找亮暗交界的小滤镜，和侧抑制挑出来的东西很像。没人教它，是"认清图片"这个任务逼出来的。—现在的 AI 两个方向都会做了。画图的生成模型做的是"正着算"，看图的识别模型做的是"倒着推"。有一派研究专门把两者合起来：先猜一个场景，正着画出来，和眼前的图比一比，不像再改。这和"大脑是生成模型"的说法是同一个思路。—机器看错的方式，暴露了它用的不是同一套规律。给图片加一层人眼看不出的噪点，识别模型就可能把熊猫认成长臂猿。人不会这样错，说明人和机器在"挑哪个答案"时依靠的规律不一样。机器擅长的是它见过的那类图；碰到少见的情况，它错得更离谱。—"只报变化"已经被做成了相机。有一种叫"事件相机"的传感器，借的就是视网膜的思路：每个像素只在亮度变化时才发信号，不变就不出声。它反应快、省电，适合拍高速运动。
BRAIN / 08
八、边界
—原文这一篇主要依据神经生物学教科书（《神经生物学：从神经元到脑》第 5 版），讲的是视网膜最基础的部分；外膝体、视觉皮层怎么接着算，是下一篇的事。—"大脑是生成模型、看见就是推断"是一种有力的理论框架，有很多证据支持，但具体怎么推、在哪一层推，还在研究中。
BRAIN / 09
九、看见也会错，所以要留个能证明自己错的口子
看见既然是推断，就会推错。错觉图片就是证据：同一张图，你会"看到"根本不存在的东西，而且明知道是错觉，眼睛还是改不过来。
这对判断事情也是一个提醒。我们最信的往往是"我亲眼看到的"，可亲眼看到的，也是大脑按过去的经验挑出来的答案。越是"明摆着"的事，越要先想好：出现什么，我就承认自己看错了。
BRAIN / 10
十、自测：合上文章回答
—为什么说视觉是一个"逆向问题"？给出两个"一张图对应多种场景"的例子。—马尔的三层是什么？原文为什么说光有计算层还不够？—感受野是什么？"中间一块、外面一圈"的感受野，对什么样的图反应最大？
BRAIN / 11
十一、三行，留着复习
```
视觉是倒着推 图形学从场景算图答案唯一；视觉从图推场景答案无数，靠对世界规律的熟悉挑最像的那个
感受野与侧抑制 一个神经元管视网膜上一小块；中间一块外面一圈作用相反，均匀光互相抵消，只有边缘反应最大
只报变化 感觉神经元的本职是检测变化而非绝对值；看见是推断也会错，越明摆着越要留个认错的口子
```