清華/北師大團隊PNAS：靈長類大腦啟發下的視覺決策神經網絡計算

基本信息

Title:Primate-informed neural network for visual decision-making

發表時間：2026.1.9

發表期刊:PNAS

影響因子：9.1

研究背景

在人工智能飛速發展的今天，深度神經網絡（DNN），尤其是卷積神經網絡（CNN），在視覺識別任務上已經取得了令人矚目的成就，甚至在某些特定領域超越了人類的表現。然而，這種“暴力美學”的背后隱藏著顯著的缺陷：它們往往是巨大的“黑箱”，缺乏生物學可解釋性；它們需要海量的標注數據進行訓練；更致命的是，它們在面對噪聲干擾或對抗攻擊時表現得異常脆弱。相比之下，人類大腦的視覺系統經過億萬年的演化，展現出了驚人的效率、適應性和魯棒性。

長期以來，神經科學與人工智能之間存在著一道鴻溝。神經科學家試圖通過電生理記錄和腦成像技術揭示大腦的奧秘，而AI研究者則致力于構建更強大的算法。盡管“類腦計算”的概念通過脈沖神經網絡（SNN）等形式已被提出多年，但如何將宏觀的神經影像證據（如MRI/fMRI數據）直接用于優化微觀的神經網絡模型，仍然是一個極具挑戰性的未解難題。

目前的生物啟發模型大多依賴于對單一腦區或簡單回路的模擬，且參數調整往往基于平均化的實驗數據，忽略了導致個體行為差異的關鍵生理特征。這就引出了一個激動人心的科學問題：我們能否構建一個忠實于靈長類背側視覺通路（dorsal visual pathway）的動力學模型，并利用人類專家的腦成像數據來“指導”這個模型的進化，使其不僅像大腦一樣工作，更像大腦一樣頑強？這正是本研究試圖解答的核心命題。

Fig. 1. A neural dynamics model of motion perception inspired by the dorsal visual pathway.

研究核心總結

本研究由清華大學啟元實驗室與北京師范大學的研究團隊合作完成，2026年1月9日發表于 PNAS。研究者構建了一個基于靈長類背側視覺通路的神經動力學模型（Primate-Informed Neural Network,PINN），并創新性地提出了一種“神經影像引導的微調策略”（Neuroimaging-guided fine-tuning）。該策略成功將人類宏觀的腦結構與功能特征映射到微觀網絡參數上，顯著提升了模型的決策性能與魯棒性。

Fig. 2. Behavioral performance of the model in RDK tasks and effect of virtual electrical stimulation.

忠實復現靈長類背側通路的神經動力學特征

研究團隊基于LIF（Leaky Integrate-and-Fire）神經元構建了包含LGN（外側膝狀體）、V1（初級視覺皮層）、MT（中顳葉）和LIP（外側頂內溝）四個核心模塊的動力學網絡，用于模擬隨機點運動（RDK）的感知決策任務。結果顯示，PINN不僅在行為學層面復現了人類的心理物理曲線（如反應時隨相干性增加而降低），更在神經元層面完美重現了電生理實驗中的經典發現。例如，V1和MT神經元表現出明確的方向選擇性，且MT的選擇性隨刺激相干性增強而增強；而LIP神經元則展現出典型的“贏者通吃”（Winner-Take-All）和斜坡式（ramping）放電活動，反映了證據積累的動態過程。

Fig. 3. Structural feature correlation in the RDK task and neuroimaging-guided model tuning.

神經影像引導的參數微調：連接宏觀與微觀

這是本研究最核心的突破。研究者采集了人類被試的結構磁共振（sMRI）和功能磁共振（fMRI）數據，并發現個體的知覺閾限與特定的腦影像指標顯著相關。

Fig. 4. Functional connectivity correlation in the RDK task and neuroimaging-guided model tuning.

結構層面：左側外側枕葉復合體（LOC）的白質平均各向異性分數（FA）與知覺閾限呈負相關。研究者據此推測低FA值可能反映了更高的連接多樣性，并通過調整模型中V1-MT的連接保留率模擬了這一特征，結果發現增加連接多樣性有效提升了模型敏感度。

功能層面：右側MT區與前腦島（AAIC）的靜息態功能連接（rs-FC）與任務表現呈正相關。這暗示了自上而下的調控機制。研究者通過增加模型中MT模塊的突觸電導來模擬這種調控，同樣觀察到了決策效率的提升。

Fig. 5. Perturbation comparison between CNN and the neural dynamics model.

卓越的魯棒性與吸引子動力學機制

為了驗證模型的優越性，研究者將PINN與結構相似的卷積神經網絡（CNN，即MotionNet）進行了“破壞性測試” 。在面對突觸丟失、神經元凋亡以及噪聲注入等微擾時，PINN展現出了遠超CNN的魯棒性。特別是在高層級腦區（如LIP輸入端）引入噪聲時，PINN的性能幾乎不受影響，而CNN的準確率則大幅下降。通過構建能量景觀（Energy Landscape）分析，研究揭示了其背后的機制：LIP區域的循環連接形成了穩定的決策吸引子（Decision Attractors）。適當的參數優化能夠加深吸引子原本的“勢阱”，使得網絡狀態在充滿噪聲的環境中依然能穩定地收斂至正確的決策狀態，這正是生物智能相對于人工神經網絡在穩定性上的本質優勢。

Fig. 6. Diagram showing the impact of parameter adjustments on the model.

綜上所述，該研究建立了一套完整的各種尺度融合的方法論：利用宏觀神經影像證據直接指導微觀AI模型的優化。這不僅為理解視覺決策的神經機制提供了可操作的計算平臺，更為構建新一代高魯棒性、強可解釋性的類腦人工智能系統指明了方向。

Abstract

The human brain excels at complex tasks with remarkable efficiency, adaptability, and resilience, making it a powerful source of inspiration for AI. Here, we present a neural dynamics model inspired by the primate dorsal visual pathway, a circuit crucial for motion and spatial processing. Incorporating key neuronal and synaptic dynamics, the model reproduces human-like decision-making behaviors and neural activity patterns without the need for extensive training. Compared with conventional artificial networks, it exhibits superior robustness to perturbations such as noise and damage. To further enhance its performance, we introduce a neuroimaging-guided fine-tuning strategy. Correlations between MRI features and behavioral performance are mapped onto critical model parameters, guiding the optimization toward more biologically plausible operational regimes. This approach improves performance and adaptability while preserving biological plausibility and reducing the parameter search space. This is a demonstration of directly integrating human neuroimaging evidence into AI model optimization, establishing a methodology for brain-inspired modeling. By combining insights from primate electrophysiology, human neuroimaging, and biologically grounded modeling, our work narrows the gap between neuroscience and AI. It demonstrates how brain-inspired approaches can advance the development of adaptive, resilient, and interpretable AI systems, offering a paradigm for biologically grounded intelligence.