分组是核心窍门
视觉系统似乎不会为繁忙场景中的每个物体单独记账。相反，它会形成整体：把一组项目当作一个单位来感知。在一项追踪实验中，人们能跟上大约四组移动的物体，而且无论每组包含多少个项目，这个上限都成立[2]。这个结果很惊人：四组各两个和四组各六个一样难，说明瓶颈在于组的数量，而不在于东西的数量。
听觉在原理上也是如此。重叠的声音会被分组或分离，以便我们识别出不同的来源，这一过程称为听觉场景分析。谐波性（音调是否共享共同的音高模式）、时间、频率和空间位置等线索，都会推动声音被听成一个来源还是几个来源[1]。系统并不是在测量每一道声波，而是在判断哪些声波属于同一组。
什么让一个组保持在一起
对于移动的物体，共同的运动命运很重要。当物体一起刚性移动时，它们会被读成一个组；当这种共同运动被打断时，追踪表现就会下降[2]。间距也很重要：随着物体之间的距离增大，成组追踪会变差[2]。这两项发现都符合一个想法：大脑使用简单的启发式规则，比如“这些东西一起动”或“这些东西离得近”，来判断什么算作一个项目。
听觉线索扮演着类似的角色。同时开始和停止、共享音高结构或来自同一方向的声音，往往会被融合成一个来源，而在这些线索上不匹配则会促进分离[1]。在两种感官中，分组规则都是同一种捷径：利用手头的一切规律性，来猜测哪些片段属于同一个东西。
注意力设定上限
即使分组良好，也存在限制。对单个项目的注意追踪最多大约三到五个项目[2]。分组并没有消除限制；它改变了被计数的单位，因此上限适用于组而不是项目[2]。
注意力和已有知识也会塑造听者实际听到的内容。听觉系统对场景的组织被描述为一种最佳猜测，它把多种线索与认知因素整合在一起，这就是为什么同一混合声音会因你试图跟随的内容不同而被听成不同的样子[1]。这种组织的确切神经基础仍在研究中[1]。
机器面临同样的问题
这一挑战并非生物学独有。在自动驾驶中，系统必须同时检测相机透视中的二维物体和多台相机鸟瞰视图中的三维物体，有一种方法将这两个检测任务耦合起来，让彼此在反复的细化循环中相互提供信息[3]。这是一种工程解决方案，而不是对人类感知的描述，但它说明了同样的根本困难：当许多信号同时到达时，判断外面有什么。
一种更广泛的生态学观点认为，感知是首要的，我们无法感知事物的“真实”形状或颜色，只能感知到对我们可用的信息[4]。结合分组证据来读，这表明我们同时体验多个事物时，得到的是一种建构出来的、足够好的摘要，而不是一份完整的清单[1][2][4]。
本文引用的文献
感知多个声音
听觉系统利用谐波性、时间、频率和空间位置等线索，将重叠的声音分组或分离成不同的来源，注意力和已有知识会塑造结果，感知被描述为一种最佳猜测，其神经基础仍在研究中。
多目标追踪中的整体感知
人们能追踪大约三到五个单个项目，但无论组的大小如何，都能追踪大约四个物体组；物体间距越大以及共同运动受到干扰时，成组追踪会变差。
SimPB++：从多台相机同时检测二维和三维物体
SimPB++ 是一个端到端模型，能从多台相机同时检测二维透视物体和三维鸟瞰视图物体，并通过交互式细化将这两个任务耦合起来。
感知的首要性：为理解记忆而对感知进行的生态学重构
一种生态学重构主张，感知是首要的，人们无法感知事物的真实形状或真实颜色。
多物体处理的电生理相关物
同时处理多个物体——比如走在拥挤的街道上时——被描述为至少依赖两种与注意力和视觉工作记忆相关的机制。