神经科学与 AI 的范畴论交汇：大脑和 DNN 真的共享相同的“世界变换”吗？

TL;DR

长期以来，我们衡量 AI “像不像”人脑的方法往往局限于静态的快照对比。而京都大学神谷之康（Yukiyasu Kamitani）团队的最新的研究论文提出：真正的对齐不仅在于对物体的看法一致，更在于对物体“变化”的逻辑一致。 他们引入了基于范畴论的 NVS (Naturality Violation Score) 指标，证明了 AI 模型与大脑在处理“生命力”等语义变换时，具有惊人的一致性，并揭示了视觉系统内从低级到高级特征的精细层级对齐。

痛点深挖：消失的“变换”逻辑

目前主流的 Brain–DNN 对齐评估方案（如 Brain-Score 或 RSA）都存在一个共有的盲点。想象一下：如果大脑和模型都认为“猫”和“狗”是类似的，但在大脑中“从猫变到虎”的过程被视为一种“体型增长”，而在模型中却被视为“纹理变化”，这能算真正的对齐吗？

现有的指标往往会将这种动态变换的差异掩盖在静态的几何相似性之下。作者认为，这种对“态射”（Morphisms，即从 A 到 B 的变换）的不重视，导致我们无法深入理解大脑和模型是否在以相同的逻辑理解世界。

核心机制：自然性方阵与 NVS

为了解决这一问题，作者借用了范畴论中 “近似自然性”（Approximate Naturality） 的直觉。

1. 理论架构：Cospan 结构

为了对比大脑（B）和模型（M），作者引入了一个第三方的“世界代理空间”（W，如 CLIP-text 空间）。这个空间充当锚点，定义了什么样的变换是有意义的。

图 1：大脑-DNN 对齐的自然性方阵示意图。左侧展示了如何通过外部世界的变换 r 定义两个路径；右侧展示了对应的对齐方阵。

2. 数学直觉：NVS 计算

NVS 的本质是计算方阵的“不通勤程度”。

• 路径 A：大脑内的神经响应发生变化 ${\Phi }_B(\Delta W)$，然后通过解码器 $\eta$ 映射到模型空间。
• 路径 B：直接通过模型内部的变换路径 ${\Phi }_M(\Delta W)$。

如果两条路径殊途同归，NVS 趋近于 0（完美对齐）；如果路径完全分叉，NVS 为 1.0（随机基准）。

实验解析：等级交叉的发现

作者在 GOD (Generic Object Decoding) 数据集上进行了实证研究。通过 概念激活向量 (CAV)，他们将抽象的变化分解为具体的轴：

• 低级轴：亮度的增减、空间频率的变化。
• 中级轴：纹理能量、曲率变化。
• 高级轴：生命力（从石头变到猫）、真实尺寸。

图 2：不同轴向下的 5 受试者平均 NVS 热图。观察从低级到高级轴，对齐最强的区域从 V1 向 HVC 转移。

关键发现：

1. 层级一致性：低级特征（如亮度）在 V1 区域对齐最好；高级语义（如生命力）在高级视觉皮层（HVC）和 DNN 深层对齐最好。
2. 生命力（Animacy）的独特性：生命力轴显示出最强的跨系统稳定性（NVS = 0.39）。这印证了生命力是人类视觉皮层中最基础的组织原则之一。
3. 指标敏感度：在合成实验中，作者证明了即使 RSA 或 CCA 给出了极高的对齐评分，NVS 依然能识别出两个系统在某些特定变换轴（如“移动” vs “旋转”）上的对齐失败。

深度洞察：为什么 NVS 很重要？

这项研究的本质贡献在于提升了我们对“对齐”定义的认知。

• 解耦性能与结构：即便一个模型的分类精度（Encoding R2）很高，如果它在面对“物体变大”这种线性变换时的反应和大脑截然不同，它就不是一个好的大脑模型。
• 代理空间的引入：通过引入 CLIP 或 DINO 这种“世界模型 proxy”，我们第一次能在大脑-AI 比较中客观地讨论“语义性质”的影响，而不是仅仅依赖像素级的统计特征。

局限与展望

尽管 NVS 展现了强大的诊断能力，但它目前高度依赖于“代理空间”的线性化程度。如果我们的 World Model 本身无法线性表征某种复杂变换（如“情感变化”），NVS 的效力就会打折扣。

未来，结合 NVS 感知的训练损失函数 可能成为一种趋势——让我们训练出的 DNN 不仅在结果上胜过人类，在理解世界的“逻辑演化”上也更贴近大脑。

参考文献

• Kamitani, Y. (2026). Beyond Object-Level Alignment: Do Brains and DNNs Preserve the Same Transformations? arXiv.
• Nonaka, S., et al. (2021). Brain hierarchy score. iScience.