罗切斯特大学团队揭示视觉学习中的信息冗余机制：挑战经典编码减法观点

经典观点：学习旨在减少冗余以提升编码效率

长期以来，神经科学领域对大脑如何优化感觉信息以支持决策持有“编码减法”的经典观点【1†source】【4†source】。这一观点认为，学习过程中的大脑会通过减少神经元间反应的冗余来提高信息编码效率【1†source】【4†source】。具体而言，早期模型假定每个神经元可携带的信息量是固定的（受代谢成本等限制），因此冗余（即神经元间信息的重复表征）被视为一种低效因素【1†source】。在这样的框架下，学习被视作对感觉表征的优化过程，其目标是去除冗余，包括抑制有害的噪声相关性，从而让下游决策回路更清晰地读出有用信息【1†source】【5†source】。这一思路也体现在机器视觉领域，许多模型将视觉处理视为前馈的“判别式”过程，即通过逐层过滤和重组输入，将像素信息转换为更便于分类的表示，以提高下游解码的准确率【1†source】。

新研究：学习增加信息冗余，支持贝叶斯生成式推理框架

罗切斯特大学Shizhao Liu等人的最新研究对上述经典观点提出了挑战【1†source】。研究团队通过训练恒河猴执行视觉辨别任务，并利用96通道微电极阵列记录其视觉皮层V4区的神经反应，来直接检验学习对信息冗余的影响【1†source】。结果令人惊讶：学习显著增加了神经元间的信息冗余，而非减少【1†source】。这一发现与贝叶斯推理框架下的预测高度一致，而与传统编码减法的预期相悖【1†source】。

1. 冗余度的量化与学习进程追踪

研究者通过计算费舍信息量（Fisher Information）来量化神经元群体携带的信息量，并引入“冗余度”指标来衡量信息冗余的程度【1†source】。具体而言，冗余度定义为：打乱试验顺序消除相关性后的信息量（Ishuffle）与实际群体信息量（Ireal）之差，即 Iredundancy = Ishuffle - Ireal【1†source】。如果神经元间相关性降低信息量（即存在冗余），则 Ishuffle 将大于 Ireal，冗余度为正值【1†source】。通过在猴子数周训练过程中持续追踪V4区神经元群体的冗余度变化，研究者能够观察学习对信息冗余的动态影响【1†source】。

2. 冗余增加与学习表现的强正相关

实验结果表明，随着猴子在视觉辨别任务中的学习深入，V4区神经元群体的信息冗余度显著增加【1†source】。更关键的是，冗余度与学习表现呈强正相关：猴子表现越好，其V4区神经反应的冗余度越高【1†source】。这意味着学习过程中冗余的增加并非偶然现象，而是与行为改进紧密耦合。研究者在两只猴子的两种不同任务（“主方向”任务与“斜方向”任务）中均观察到了这一趋势，共计四个学习阶段的数据一致支持了冗余增加的结论【1†source】。在训练结束时，其中三个阶段的决策策略接近理想观察者，另一阶段猴子采取了次优策略，但无论策略如何，冗余度均随学习上升【1†source】。

3. 主动任务参与是冗余增加的必要条件

值得注意的是，信息冗余的增加仅在猴子主动执行任务时出现【1†source】。当猴子被动地观看相同的视觉刺激而不需要做出辨别决策时，V4区神经元并未表现出冗余度随时间上升的趋势【1†source】。这一结果表明，冗余的增加与大脑的主动推理过程密切相关，而非简单的视觉刺激重复暴露所致。只有在需要决策的情境下，大脑才会通过某种机制增加信息冗余，从而优化行为表现。

4. 冗余增加并未削弱信息，反而增强了单个神经元的信息携带量

尽管冗余度增加意味着群体中存在更多共享信息，但研究并未发现整体信息量因此受损【1†source】。相反，冗余的增加伴随着单个神经元携带信息量的提升【1†source】。换言之，学习并未通过牺牲总体信息来换取冗余；相反，冗余的增加使每个神经元都获得了更多关于刺激的信息。这一结果进一步支持了贝叶斯推理框架的预测：冗余并非简单的信息重复，而是通过共享先验信息来增强每个神经元对刺激的后验信念【1†source】。

生成式推理：反馈机制驱动的冗余增加

罗切斯特大学团队的发现为大脑视觉处理属于生成式推理过程提供了有力证据【1†source】。生成式推理（也称“分析-合成”推理）假设，大脑在感知过程中并非被动地自下而上提取特征，而是主动地自上而下运用内部生成模型来解释感觉输入【1†source】。在这一框架下，学习被视为大脑构建和完善内部模型的过程，该模型能够生成对感觉输入的预期【1†source】。

关键在于，生成式推理模型中的反馈连接扮演着传递先验信念的角色【1†source】。当大脑在学习任务时，高级决策区域会通过反馈将任务相关的先验信息传递给感觉皮层【1†source】。这些先验信息在V4区与当前感觉证据相结合，形成对刺激的后验估计【1†source】。由于先验信息被多个神经元共享，不同神经元的活动会因此呈现出相关性，即信息冗余增加【1†source】。这种由反馈驱动的冗余增加正是本研究观测到的现象【1†source】。

相比之下，传统“判别式”模型假设视觉处理主要为前馈流程，反馈的作用仅限于微调中间表征（如注意力增强相关特征或抑制噪声）【1†source】。在这些模型中，学习被预期会减少冗余，以提高信息传输的效率和纯度【1†source】。然而，新研究的结果与这一预期相悖：学习过程中的冗余增加只能由生成式推理框架来合理解释【1†source】。反馈带来的先验共享使神经元“协同工作”而非各自为政，这与经典观点中学习使神经元更独立高效的设想形成鲜明对比【20†source】。

研究意义：对感知理论与人工智能的启示

这项研究的意义不仅在于对大脑视觉学习机制本身的理解，更在于对感知理论和人工智能领域的潜在影响。

1. 理论意义：从编码减法到生成式推理的范式转变

长期以来，“减少冗余”被视为感知和学习的基本原则。然而，本研究提供了强有力的证据，表明在大脑视觉系统中，冗余的增加与学习的成功相伴相生【1†source】。这一发现挑战了经典编码减法观点，推动感知理论向生成式推理范式转变【1†source】。感知不再被视为单纯的前馈信息提取，而是大脑主动构建对世界解释的过程，其中反馈机制通过共享先验来丰富感觉表征【1†source】。这种范式转变要求我们重新审视从感知到决策的整个信息处理流程，将自上而下的先验影响纳入核心考量【4†source】。

2. 应用启示：对学习障碍与人工智能的启发

在应用层面，该研究也为理解人类学习障碍和开发更智能的人工系统提供了新思路。首先，如果大脑通过增加冗余来优化学习，那么某些学习障碍可能与此机制失调有关。例如，注意力缺陷多动障碍（ADHD）等状况下，大脑可能无法有效利用反馈来共享先验，导致学习过程中冗余不足，从而影响信息整合和决策。未来研究可以探索这些障碍背后的神经冗余异常，并开发相应干预手段。

其次，对人工智能而言，这一发现启示我们：当前的判别式AI架构可能错失了大脑学习策略的关键要素【20†source】。大多数现代AI系统（如卷积神经网络）采用前馈结构，将输入直接映射到输出，缺乏大脑中那种循环的生成式反馈机制【20†source】。罗切斯特大学的研究表明，引入生成式反馈回路——即让高层模型对低层感知进行自上而下的调制——可能带来显著优势【20†source】。这样的AI系统有望更快地从有限数据中学习，更稳健地应对不确定性，并像大脑一样灵活地适应不同的任务需求【20†source】。因此，这项研究为开发更接近人类智能的AI架构指明了方向，即融合判别式和生成式两种推理方式，实现感知与生成的协同。

结论

罗切斯特大学团队关于视觉学习的信息处理机制研究，通过巧妙的实验设计和严谨的数据分析，揭示了大脑在学习过程中增加信息冗余这一反直觉却至关重要的现象【1†source】。这一发现强有力地支持了生成式推理框架，证实了大脑通过反馈机制将信息分布到更多神经元，从而增强单个神经元的信息携带量【1†source】。它挑战了传统的编码减法观点，促使我们重新审视感知的本质：感知不仅是被动提取特征，更是大脑主动构建对世界解释的过程，冗余的增加正是这一过程的外在体现【1†source】。展望未来，这一研究成果有望在神经科学和人工智能领域催生新的理论和应用，推动我们更深入地理解大脑的奥秘，并构建出更智能、更灵活的人工感知系统。【1†source】【20†source】