局部侧向连通性足以在深度神经网络中复制类皮层的拓扑组织

为何类大脑映射对人工智能重要

我们的脑将执行相似功能的神经元彼此排列在一起，形成有序的映射，用于表示边缘、人脸和场景等特征。这种布局在许多物种和脑区中都能观察到，但科学界仍在争论其存在的原因及形成机制。本研究探讨一个简单的连线规则——允许邻近神经元相互影响——是否能使人工网络自发出现类似的映射，以及这种组织是否为计算机提供实际优势，例如在嘈杂环境中更稳健的视觉识别。

大脑表面的模式

在灵长类动物中，视觉皮层并非杂乱无章，而是像拼布一样排列，邻近神经元往往偏好相似的图像特征。早期区域包含取向和彩色的映射；后续区域则存在对人脸、身体、场景或日常物体敏感的小片区。传统理论认为这种有序性是为保持连线短且高效而进化的，但这些理论通常假定了难以生物学上自洽的特殊学习规则或额外目标。作者转而关注皮层中一种更基本的解剖特征：短程的侧向连接，广泛存在于皮层中，且通常在对某些刺激已有相似响应的细胞之间更强。

构建虚拟皮层片

研究者从标准深度视觉模型 ResNet18 出发，将其单元重新组织，使每个单元固定位于一个二维“皮层片”上的某个位置。在每一层内，他们添加了随距离衰减的局部侧向连接，模拟邻近皮层神经元相互影响强于远处神经元的情况。这些侧向连接不通过梯度下降训练；只有常规的前馈权重被训练。模型随后在一个大型图像数据集上用标准反向传播学习单一任务——物体识别——没有任何直接奖励平滑映射或短连线的额外项。

从边缘到人脸的类脑映射

即便在如此简单的设置下，也会出现丰富的拓扑结构。在早期层，单元形成了与初级视觉皮层记录相似的取向、空间频率和颜色的平滑映射。邻近单元比远处单元的响应更为相似，取向和空间频率变化的方向往往近似垂直交叉，呼应了动物实测的细微数据。当通过去除权重共享使第一层更具生物学细节时，模型还恢复了取向映射中的旋涡（pinwheel）等标志性特征。在更深层，倾向于特定类别（如人脸、身体与场景）的簇状区沿模拟片延伸成带状，紧密对应人类腹侧颞叶皮层中已知的布局。模型甚至再现了更广泛的分流，例如有生命与无生命物体的分离，以及现实世界中小物体与大物体的不同通路。

未被注意的脑区与连线经济性

研究超越了熟知的热点，探查功能定义不那么明确的区域。利用高分辨率脑成像数据，作者识别出位于人脸选择性区与地点选择性区之间的人类皮层中一个中间片块。在他们的模型中，与该片块活动最相似的单元位于对应的人脸与场景选择性簇之间的中间位置，表明人工拓扑可推广到未充分探索的区域。他们还估算了跨层强烈激活单元之间的有效连线长度。令人惊讶的是，带有侧向连接的网络最终的总体连线长度远短于原始非拓扑网络以及先前明确优化以最小化连线长度的模型，这意味着当体系结构包含局部侧向结构时，仅凭现实的学习过程便能促成经济的布局。

通过局部协作实现鲁棒视觉

最有趣的功能性发现之一是：簇状映射使模型更难被欺骗。当图像被强对抗攻击——通过微小像素改动来误导分类器——有局部侧向连接的网络比基线模型保持更高的准确率，尤其是当侧向连接覆盖更大邻域时。作者将这些簇解释为相似单元的集合，能够像机器学习中的集成方法那样平均掉噪声。这表明拓扑不仅可能是整洁的连线布局：它还可以通过让相近神经元合作来支持稳定、可靠的感知。

对大脑与机器的意义

该工作表明，仅在深度网络中添加现实的局部侧向连接，就足以在多尺度上产生类皮层的映射，而无需神经元不太可能实现的特殊学习规则。与此同时，这种组织提高了鲁棒性并减少了总体连线长度，暗示进化可能出于效率和可靠感知的双重考量而偏好拓扑结构。对于神经科学，该模型提供了一套统一的电路配方，可解释多样的视觉映射；对于人工智能，它指向了不仅更像大脑且在面对噪声或对抗输入时更具韧性的体系结构。

引用: Qian, X., Dehghani, A.O., Farahani, A.B. et al. Local lateral connectivity is sufficient for replicating cortex-like topographical organization in deep neural networks. Nat Commun 17, 4042 (2026). https://doi.org/10.1038/s41467-026-70065-3

关键词: 皮层拓扑, 侧向连通性, 深度神经网络, 视觉皮层, 对抗鲁棒性