Neuronale en computationele mechanismen achter eenmalig perceptueel leren bij mensen

Het verborgen plaatje zien

Veel mensen hebben dat plotselinge “aha!”-moment ervaren waarin een verwarrende zwart-wit vette vlek ineens verandert in een duidelijke afbeelding van een hond of een gezicht — en zodra je het ziet, kun je het niet meer onzien. Deze studie onderzoekt hoe een enkele korte blik op een duidelijke foto permanent kan veranderen wat we waarnemen in een verstoorde versie, en wat dat ons vertelt over hoe onze hersenen — en toekomstige kunstmatige-intelligentiesystemen — leren van slechts één voorbeeld.

Van vage vlekken naar onmiddellijke herkenning

De onderzoekers gebruikten klassieke “Mooney-afbeeldingen”: sterk vereenvoudigde zwart-wit plaatjes die moeilijk te herkennen zijn totdat je de oorspronkelijke grijswaardenfoto ziet waar ze van afgeleid zijn. Vrijwilligers probeerden eerst te benoemen wat ze zagen in deze moeilijke beelden. Later bekeken ze kort de bijpassende heldere foto’s en probeerden vervolgens opnieuw de lastige afbeeldingen. Na die enkele blootstelling konden mensen plotseling de eens mysterieuze plaatjes herkennen, en die verbetering bleef bestaan. Door de heldere foto’s zorgvuldig aan te passen — links-rechts spiegelen, roteren, van formaat veranderen of van positie op het scherm verschuiven — bracht het team in kaart welke soort visuele informatie de hersenen tijdens dit one-shot leren daadwerkelijk opslaan.

Waar de hersenen het nieuwe inzicht opslaan

Verschillende aanpassingen aan de afbeeldingen beïnvloedden het leren op verschillende manieren. Het twee keer zo groot of half zo groot maken van het heldere beeld schaadde het leren niet, wat suggereert dat de in de hersenen opgeslagen “template” flexibel is ten opzichte van grootte. Maar spiegelen, roteren of verplaatsen van het beeld op het scherm maakte het leerresultaat zwakker, al niet onmogelijk. Het vervangen van de heldere foto door een ander exemplaar uit dezelfde categorie — bijvoorbeeld een andere hond — maakte het leren volledig ongedaan. Dit toont aan dat de hersenen niet alleen het idee “dit is een hond” opslaan; in plaats daarvan bewaren ze een gedetailleerde, beeldachtige herinnering van de specifieke vorm en opbouw van dat exacte plaatje. Het combineren van deze gedragsresultaten met wat bekend is over het visuele systeem wees op hoge-niveau visuele gebieden, eerder dan vroege visuele regio’s of geheugensystemen zoals de hippocampus, als de waarschijnlijke opslagplaats van deze nieuwe kennis.

Het leren binnenin de hersenen zien ontvouwen

Om dit te bevestigen gebruikte het team ultra-high-field 7-Tesla MRI-scans en directe opnamen vanaf elektroden die op de hersenen van epilepsiepatiënten waren geplaatst. De MRI-experimenten lieten zien dat neuronen in een gebied dat de hoge-niveau visuele cortex wordt genoemd, reageerden op verschillende versies van hetzelfde object (veranderd in grootte, positie of oriëntatie) precies op de manier die uit de gedragsmetingen werd voorspeld. In de elektrode-opnamen verscheen de cruciale verandering eerst in deze hoge-niveau visuele cortex: na het leren werden de activiteitspatronen die het moeilijke plaatje opriepen meer gelijk aan die van het heldere tegenbeeld, en dat gebeurde eerder daar dan in de primaire visuele gebieden. Die timing suggereert dat dit gebied de plaats is waar de nieuwe “prior” wordt opgeslagen en geactiveerd, waarna het feedback naar eerdere visuele gebieden stuurt om te helpen bij het interpreteren van ambigue input.

Een machine bouwen die in één keer leert

De onderzoekers bouwden ook een diep neuraal netwerkmodel dat deze capaciteit nabootst. Hun systeem gebruikte een moderne vision transformer als “bottom-up” visuele motor, gecombineerd met een speciaal module die priorinformatie opslaat en “top-down” feedback geeft wanneer het later een gerelateerd beeld ziet. Getraind op Mooney-achtige taken toonde het model echt one-shot learning: de nauwkeurigheid sprong omhoog na slechts één blootstelling aan de heldere afbeelding en overtrof ruimschoots wat door eenvoudige herhaling verklaard kon worden. Het deelde zelfs veel van dezelfde successen en mislukkingen als menselijke waarnemers voor specifieke beelden, en de interne kenmerken die het leerde van de heldere afbeeldingen konden voorspellen welke plaatjes mensen wel of niet zouden leren herkennen. Toen het team de door het model opgeslagen priorinformatie vergeleek met menselijke hersenscans, vonden ze de beste overeenstemming in dezelfde hoge-niveau visuele regio’s die door de experimenten werden benadrukt.

Waarom dit belangrijk is voor hersenen en machines

Samen suggereren deze bevindingen dat onze plotselinge “nu zie ik het!”-momenten ontstaan wanneer hoge-niveau visuele gebieden snel hun verbindingen aanpassen na een enkele ervaring, en een gedetailleerde beeldachtige prior opslaan die later kan hervormen hoe we ruisachtige input interpreteren. Deze snelle maar stabiele vorm van leren, verankerd in de hoge-niveau visuele cortex en ondersteund door top-down feedback, biedt een blauwdruk voor het bouwen van AI-systemen die van zeer weinig voorbeelden kunnen leren. Het levert ook een startpunt om te begrijpen wat er mis kan gaan wanneer waarneming te sterk leunt op voorafgaande verwachtingen, zoals bij bepaalde psychiatrische aandoeningen waarbij hallucinaties voorkomen.

Bronvermelding: Hachisuka, A., Shor, J.D., Liu, X.C. et al. Neural and computational mechanisms underlying one-shot perceptual learning in humans. Nat Commun 17, 1204 (2026). https://doi.org/10.1038/s41467-026-68711-x

Trefwoorden: one-shot learning, visuele waarneming, hoog-niveau visuele cortex, perceptueel leren, diepe neurale netwerken