类脑视觉主义

来自 AI 研究立场图谱百科

类脑视觉主义:认为视觉模型应当从生物视觉皮层借鉴结构和学习原理。

主张

类脑视觉主义提醒大家:卷积网络是从哪儿来的。简单细胞和复杂细胞的层级、局部感受野、逐层增强的不变性,这些想法来自对视觉皮层的记录,而且确实管用。大脑至今仍比任何模型看得更稳:面对遮挡、对抗噪声和新视角都能恢复,用的数据和能量却只是零头。所以要继续研究它:循环与反馈、稀疏编码、横向连接、脉冲动力学,并训练出可以被定量衡量为”像脑”的模型。

它位于 World 一侧、中间偏右,纵向略高于中线,偏好结构化架构,既不信纯规模,也不信工具化系统。范式等级是逆天之革命:不认为”前馈 transformer 加海量数据”就是终局,期待生物学提供下一个重大架构思想。

论据

  • 为物体识别优化的层级卷积网络能预测灵长类视觉皮层的神经响应,表明模型与大脑之间存在真实的对应关系。
  • 生物视觉对分布偏移和对抗扰动的鲁棒性远超标准网络,说明我们还缺某些原理。
  • 反馈和循环等受脑启发的机制,能提升模型在遮挡、杂乱等困难样本上的表现。

批评

  • 规模派指出,近年最大的进步来自数据和算力,而不是新的神经科学发现。
  • 神经科学对皮层计算的了解仍不完整,“类脑”很可能只是一个宽松的比喻。
  • 类脑程度的评分和任务表现并不总是同向变化,目标本身就有些模糊。

代表作

关系

怎样测出它

在完整版或专业版里落到这一格:x ≈ +0.74,y ≈ +0.35,范式 ≈ +1.00。

这是初稿。欢迎通过 pull request 修正或补充更好的论据。 在 GitHub 上编辑这个词条 编辑它的数据