年龄调谐神经网络能模拟婴儿感官发育吗？

滤波器管可用信息，网络管提取

论文要回答的是：针对特定年龄调谐的小型神经网络，能否把分散的婴儿感官测量整合成一个快速、可检视的知觉模拟。它的答案建立在一个刻意的分工上。某一感官在某一年龄能获得什么信息，由固定的前端决定：这是一个年龄索引滤波器，按该年龄报告的水平削弱成人质量的输入。从这些输入中学到什么，则由滤波器背后训练的小型预测网络负责。

这一区分之所以重要，是因为婴儿数据把三个问题缠在一起：什么信息到达感官、从中提取了什么、经验的时间安排如何改变所学内容。单靠滤波器只能回答第一个问题；单靠网络则没有受控的输入。把两者前后相接，作者就能比较每个年龄的输入允许什么、网络实际提取了什么。

研究范围刻意收窄。论文模拟的是感官知觉，不是认知：客体永久性、目标、数量和词汇学习都不在其中。模型触及这类问题时，作者会明确说明。所有数据都是合成的，主模型覆盖前12个月，另有一项随访运行延伸到24个月。

每种感官的起点各不相同

这项综述把前两年证据最充分的感官里程碑放在同一时间轴上。顺序是触觉和化学感官最先，听觉其次，视觉最后。触觉在出生时已发育良好，新生儿会对触摸作出反应，并表现出觅食反射和抓握反射，因此它是受模拟改变最小的感官，只用轻微的模糊和噪声来建模。味觉和嗅觉在出生前也已工作，但完全没有建模，作者在每一页讨论感官的内容中都说明了这一缺口。

听觉始于子宫内，声音经过母体过滤，因此节奏和旋律比精细语音细节更容易通过。新生儿仍需要比成人响得多的声音：1个月时，在4 kHz处约需高35 dB。包括频率分辨在内的许多基本能力在约6个月时接近成人水平，而声音定位和噪声中聆听需要更长时间。

视觉是出生时最不成熟的感官，也是第一年变化最大的。新生儿视力约为1周期/度，按Snellen标准约为20/600，对比敏感度也低。两套测量方法对视力随后改善的速度存在分歧：行为偏好注视法在每个年龄给出的值都低于视觉诱发电位，而诱发电位在第一年的上升陡峭得多。论文保留了两张表，而不是二选一。

视觉提取远少于输入所允许

论文中最具决策相关性的比较，是感官滤波后输入所含信息与训练后网络能读出多少之间的对比。作者用线性探针测量这一点：用岭回归从网络状态中读出玩具的位置或身份，再与信息上限比较。信息上限是同一编码器家族的另一个网络在监督下直接训练、从单帧滤波图像中恢复玩具位置和身份后取得的留出得分。

在视觉中，早期阶段的差距很大。新生儿阶段，玩具位置无法从网络状态中读出，R² = 0.00，而直接在相同输入上训练的网络为0.57。因此网络并不只是受模糊限制；它未能提取滤波输入中仍然包含的信息。作者将此解释为学习本身的特性，并提出婴儿早期视觉限制可能也部分源于提取能力的限制；他们表示，可以用相同刺激比较行为视力和诱发电位视力来检验这一假设。

听觉的模式不同：学习到的读出在每个阶段都跟随输入所允许的水平。相同的架构和训练方案，在视觉中产生了特有的差距，在听觉中却与上限吻合，这正是论文按感官分别报告比较、而不给出单一汇总分数的原因。

关键期无需预设即自发出现

网络还产生了并未写入其中的历史效应。在一次普通预测网络的连续训练中，关键期和知觉窄化出现了，而没有任何机制在特定年龄被打开或关闭。窄化是在一个只出现四种身份中两种的训练中测量的，追踪身份切换时的惊讶程度，以及训练过程中两种身份表征的可分离度d′。

作者把这些列为最有意思的计算结果，恰恰因为架构中没有任何年龄触发机制。相比之下，成熟顺序是按构造复现的：它写在滤波器前端表里，因此不能作为网络像婴儿一样发育的证据。作者指出，一个基于可用信息的更粗糙指标完全无法恢复这一顺序。

把这三类结果分开至关重要。成熟顺序是输入假设；视觉早期缓慢提升、超出输入所允许的水平，是学习效应；关键期和窄化则是训练中涌现的历史效应。只有后两者说明了经验如何塑造提取。

听觉锚点早期吻合但后期衰减过快

作者用已发表的婴儿与成人纯音阈值差来检验听觉前端。1个月时，婴儿在4 kHz处落后成人约35 dB；3个月时，在500 Hz处约落后23 dB，在4 kHz处约落后19 dB；6个月和12个月时约落后10–15 dB，低频差距更大。

对低频和高频均值做指数拟合，得到36.1e^(−a/2.10) + 12.6 dB（a为月龄），该拟合在3个月和6个月与锚点相差3 dB以内，但在1个月时高12 dB，在12个月时高7 dB。因此数据支持前几个月更陡的下降，以及贯穿第一年约13 dB的残余差距，而锚点则向成人值回落。数据也不支持大幅高频削减：3个月时4 kHz的缺陷小于500 Hz。

训练过的听觉网络使用的是原始锚点，没有用更陡的拟合重新运行。由于学习到的读出在每个阶段都跟随上限，作者预期更强的早期衰减会同时降低两者，而不会拉开差距，但他们把这作为预期而非结果。在作者能核实的来源中，触觉没有可比的贯穿第一年的阈值序列。

第二年训练在这个世界里增益有限

随访把同样的全尺寸视觉和听觉网络从12个月继续训练到18个月和24个月，每种设置5个随机种子。视觉使用两张视力表运行：诱发电位表在12个月后保持不变；网站的行为表则持续上升，到24个月达到10.5周期/度。

使用诱发电位表时，位置读出几乎不变：12个月为0.85 ± 0.04，18个月为0.85 ± 0.05，24个月为0.88 ± 0.02。使用行为表时，12、18、24个月分别为0.82 ± 0.06、0.83 ± 0.08和0.86 ± 0.05。听觉保持在0.45 ± 0.01，接近其0.49的上限。行为表持续的视力改善没有增加网络可用的信息，因为与残余模糊相比玩具足够大；其上限在3个月时就已达0.94。

这是关于一个合成世界的结果，并不表示第二年不重要。作者说明，第二年主要依赖文献综述和网站表格，因为网络只在这次随访中训练超过12个月。

网站展示的是滤波器而非婴儿体验

同一套前端驱动着Baby Senses Lab：一个免费的纯浏览器网站，把用户自己的图像、视频和声音呈现为选定年龄的婴儿可能感知到的样子。图像和视频用CSS的模糊、对比度和饱和度滤镜处理，参数由视觉方程计算；声音经过中侧混合、3 kHz高频搁架滤波、整体衰减和噪声底。由于视力是角度量，图像被模糊多少取决于观看距离，因此网站会询问距离，并默认使用通常观察小婴儿的20–30 cm。

网站还提供年龄档案、包含27项日常活动及其所需能力的活动库、约100个早期词汇的词汇检查器，以及五项改编自婴儿研究方法的简短观察活动。观察记录只存储在浏览器中，可下载为CSV或JSON。

作者明确说明了它不是什么。它不筛查也不诊断，每一页都这样写。显示器不是校准仪器，对单个婴儿的一次观察是噪声很大的样本，年龄表概括的是群体而非个体。这些视图模拟的是感觉器官和早期感觉处理的限制，而不是婴儿的体验：婴儿的眼动方式不同，最初几周在某些距离上聚焦很差，他们的大脑会大量补全信息。

可信的是逐感官差距，其余待检验

论文最站得住脚的贡献，是按感官比较可用信息与已学信息。在视觉中，新生儿阶段网络状态的R² = 0.00与直接在相同输入上训练的网络0.57之间的差距，是一个具体、可检视的结果：模拟不只是模糊滤镜，早期视觉限制可能既涉及输入质量，也涉及提取能力。在听觉中，学习到的读出跟随其上限，因此同一结论不能跨感官套用。

成熟顺序不应被解读为类似发育的学习证据，因为它写在滤波器前端表里。关键期和窄化是更强的计算发现，但它们来自合成世界中的一次连续训练，作者把它们作为待考察的历史效应提出，而不是与婴儿行为已验证的匹配。

作者自己提出的下一步定义了优先级：用儿童头戴摄像头记录训练年龄调谐模型，对触觉和身体位置则使用具身婴儿模拟器，然后用相同范式把读出与婴儿行为比较。在此之前，这项工作的正确用法是逐感官检视年龄调谐模型接收到什么、提取了什么，而不是把网站或网络当作对任何单个婴儿的测量。

本文引用的文献