这篇读下来挺过瘾的，但我有几个想掰扯的点，不吐不快。
• 合成图像的干净病。3888组渲染图确实系统，但真实世界的材质上会有指纹、划痕、氧化层、灰尘——这些噪声恰恰是大脑判断这是真的金属的关键线索。一个15×15卷积核在无菌实验室里复刻了人类，不等于它在菜市场、在黄昏的巷子里也行。生态效度这块，论文没怎么碰。
• 推翻是不是喊得太响了？ 作者说推翻了逆向物理计算假说，但这个实验只覆盖了简单几何+标准光照。人类面对一块古董瓷器、或者一滴水在皮肤上的反光时，真的不做任何物理推断吗？更合理的解释是：大脑有多档策略，简单场景走启发式捷径，复杂场景才上物理推断。这不是推翻，是划定了边界。
• ResNet18 输得有点冤。拿一个在ImageNet上训练来做物体是什么的模型，来比人类觉得光泽怎么分布，赛道就不对。如果用一个深层网络，但训练目标是直接拟合人类判断数据（而非物理正确性），结果可能完全不一样。论文没做这个对照，结论里深层网络不行的底气就没那么足。
• 可解释是个危险词。15×15只有225个参数，确实比1100万好解释——但论文真的解释了吗？可视化卷积核权重是一回事，说清楚这个权重组合为什么对应人类知觉决策是另一回事。如果最后只是看着像某种边缘检测，那和ResNet18的激活图看起来像纹理也没本质区别。
• 如果人类真是模式匹配器，AI该怎么走？ 这篇论文的真正价值不是小模型能行，而是暗示了一个被忽视的训练范式：用人类一致性而非物理正确性作为损失函数。现在的材质数据集标注的是这是铝、那是塑料，但如果标注的是10个人里有8个人觉得它很亮，也许现有的大模型根本不需要改结构，只需要换目标函数。
#补充 #不同视角 #光泽感知 #千寻