從人腦到AI視覺，“特征綁定”為什么仍是看懂世界的關(guān)鍵

一鍵關(guān)注，點亮星標 ?? 前沿不走丟！

認知神經(jīng)科學(xué)前沿文獻分享

基本信息

Title:Feature binding in biological and artificial vision

發(fā)表時間：2026.3.1

發(fā)表期刊:Trends in Cognitive Sciences

影響因子：15.9

獲取原文：

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

引言

我們看到的世界，從來不是孤立的顏色、邊緣和動作，而是一個個有邊界、有歸屬的完整對象。比如在人群中，有人抬手做了一個手勢，視覺系統(tǒng)不僅要識別“這里有一只手”，還要進一步判斷“這只手屬于誰”。這類把分散特征整合到同一對象上的過程，就是特征綁定（feature binding）問題。

圍繞這個問題，認知神經(jīng)科學(xué)已經(jīng)討論了很多年，但爭議并沒有結(jié)束。近期，Scholte和de Haan提出不同看法，認為視覺腦區(qū)的功能專門化沒有傳統(tǒng)觀點說得那么強，而且由于對象特征的神經(jīng)編碼高度分布，很多綁定難題可能被夸大了。Roelfsema和Serre這篇回應(yīng)文章正是對這一判斷的集中反駁。文章的重點不在于重復(fù)舊結(jié)論，而是把生物視覺和人工視覺放到同一個討論框架中：一方面，作者重新梳理了視覺皮層專門化的經(jīng)典證據(jù)；另一方面，他們也指出，深度神經(jīng)網(wǎng)絡(luò)并沒有真正繞開綁定問題。恰恰相反，越是想在復(fù)雜、開放、擁擠的場景里穩(wěn)定識別對象，無論是人腦還是人工系統(tǒng)，都越需要某種能夠完成“歸屬判定”的機制。

實驗設(shè)計與方法邏輯

作者圍繞“視覺系統(tǒng)是否真的需要綁定機制”這一核心問題，先對視覺皮層功能專門化的證據(jù)進行再評估，再借助人群中識別手勢發(fā)出者的情境說明“基礎(chǔ)組合（base-groupings）”在開放場景中的局限，隨后引入對象性注意（object-based attention）作為漸進式綁定框架，并結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNNs）、Transformer和視覺-語言模型（vision-language models, VLMs）的表現(xiàn)，說明靈活視覺理解依然依賴顯式或功能等價的綁定過程。

核心發(fā)現(xiàn)

視覺皮層的功能專門化并沒有被推翻

作者認為，僅憑卒中病灶研究中“中層視覺區(qū)損傷與知覺缺陷關(guān)聯(lián)不強”這一結(jié)果，并不足以否定視覺腦區(qū)的專門化，因為這類病灶邊界不清、個體差異大，也未必覆蓋關(guān)鍵區(qū)域。相比之下，更可控的證據(jù)更有說服力：例如MT區(qū)損傷或電刺激會特異性影響運動知覺，面孔加工區(qū)神經(jīng)元則表現(xiàn)出明顯的面孔選擇性，局部干預(yù)還能改變面孔感知。讀者要抓住的重點是，視覺皮層確實存在穩(wěn)定而可檢驗的功能偏向，這為后文討論綁定為何仍必要打下了基礎(chǔ)。

預(yù)設(shè)好的“特征組合”無法覆蓋真實世界的復(fù)雜組合

文章最有畫面感的論證來自Figure 1A：在人群里看到一只手做出手勢，真正困難的不是識別“手勢”本身，而是把這只手和正確的臉對應(yīng)起來。作者借此指出，如果依賴預(yù)先寫好的“某個人+某個動作”式神經(jīng)編碼，系統(tǒng)就必須面對組合數(shù)量迅速膨脹的問題。即便某些特征經(jīng)常一起出現(xiàn)，也不足以覆蓋開放環(huán)境中幾乎任意都可能發(fā)生的搭配。

Figure 1. Binding with object-based attention.

對象性注意不是附加裝置

而是綁定形成的過程本身

Figure 1B進一步說明，作者更支持一種漸進式的綁定機制：對象性注意會從最關(guān)鍵的局部線索出發(fā)，沿著手、手臂、軀干一路擴展到面孔，把屬于同一對象的特征逐步連成整體。這里最值得關(guān)注的是圖中的時間軸，它強調(diào)綁定往往不是瞬時完成的，而是一個需要時間展開的分組過程。人類視覺中的“整體對象”并不是天然附著在輸入上的結(jié)果，而是在注意選擇與神經(jīng)活動增強中逐步建立起來的，這也是靈活知覺能夠成立的關(guān)鍵。

人工視覺的發(fā)展，反而再次證明綁定不可缺席

文章并沒有把綁定問題局限在人腦討論里，而是進一步指出，人工視覺系統(tǒng)同樣離不開綁定。無論是依賴候選區(qū)域機制的Mask R-CNN，還是依賴注意力機制的Transformer模型，本質(zhì)上都在通過某種方式把分散特征組織成對象。作者特別強調(diào)，一旦去掉這類機制，CNN在簡單視覺推理任務(wù)上都可能明顯吃力；而在綁定更困難的場景里，先進模型的性能下降甚至可能比人類更明顯。

歸納總結(jié)和點評

這篇文章的價值，在于它沒有把“分布式表征”和“特征綁定”設(shè)定成非此即彼的對立關(guān)系，而是指出兩者恰恰可以同時成立：表征可以分布，但對象歸屬依然需要專門機制來完成。作者通過視覺神經(jīng)科學(xué)證據(jù)、概念圖示和人工視覺模型的局限，把一個常被說得很抽象的問題重新講清楚了。更可貴的是，這篇短文把人腦研究與AI研究放在相互校驗的位置上，讓“老問題”重新獲得了新的解釋力。

分享人：BQ

審核：PsyBrain 腦心前沿編輯部

你好，這里是「PsyBrain 腦心前沿」

專注追蹤全球認知神經(jīng)科學(xué)的最尖端突破

視野直擊 Nature, Science, Cell 正刊 及 Nat Neurosci, Nat Hum Behav, Neuron, Sci Adv 等核心子刊與頂級大刊

每日速遞「深度解讀」與「前沿快訊」，為你打破信息差

科研是一場探索未知的長跑，但你無需獨行。歡迎志同道合的你加入PsyBrain 學(xué)術(shù)社群，和一群懂你的同行，共同丈量腦與心智的無垠前沿。

點擊卡片進群，歡迎你的到來

一鍵分享，讓更多人了解前沿