约克大学的研究人员近日发布了一项最新研究成果，揭示了人工神经网络（ANN）在视觉处理机制上与灵长类动物大脑之间存在意想不到的差异。尽管人工智能模型在预测大脑识别物体的反应方面表现出色，但这一表象可能掩盖了一个关键的局限性：即现代视觉模型内部的工作方式，并不一定反映灵长类大脑所采用的生物学处理过程。

过去十年中，人工神经网络已成为解析大脑视觉处理过程的重要工具。以往的科学实验大多采用“单向测试”，即考察人工智能模型能否预测大脑的活动。然而，由约克大学助理教授科希提吉·卡尔（Kohitij Kar）领导的团队，此次通过一种创新的“反向预测测试”打破了这一研究范式。研究人员指出，如果人工智能真正模拟了大脑，那么记录下来的大脑活动理应也能预测模型的内部响应。

为了验证这一假设，研究团队利用包含熊、大象、面孔、苹果等多种物体在内的1320张自然摄影和合成图像，以及300张经过简化、绘图或艺术处理的变体图像对模型进行了测试。结果显示，虽然人工智能模型能够较好地预测大脑神经元的反应，但大脑却无法同等程度地预测模型内部的特征，而这种现象在两个大脑神经元之间的比对中并未出现。

这项研究结果表明，人工智能模型在完成视觉任务时，部分依赖了大脑可能并不会使用的内部策略。卡尔教授警告称，如果这一模型内部与生物大脑之间存在错位，即便它在预测神经元活动方面表现尚可，也可能无法成为解释大脑工作原理的可靠依据。

目前，研究界在设计人类行为研究时日益依赖人工智能模型，且普遍假设这些系统以类似于人类大脑的方式处理信息。研究团队成员、约克大学博士后研究员萨宾·穆泽莱克（Sabine Muzellec）表示，该研究对当前AI系统与灵长类大脑的相似性提出了挑战，并为学术界提供了一项经过严格验证的诊断指标。由于相关模型正被应用于听觉、语言及动作研究等多个领域，确保其科学有效性至关重要。

为了帮助开发者评估模型并提升其与大脑活动的一致性，研究团队已公开发布了一套测试工具包。这一举措不仅有助于构建更可靠的计算模型来解析人类如何感知世界，对于约克大学针对自闭症等领域的研究项目也具有重要的参考价值。该项研究论文已发表在《自然-机器智能》杂志上。