视觉皮层与扩散模型中的推理机制：揭示大脑与AI的共同数学基础
【前沿科学转载】
扩散模型（Diffusion Models）近年来在AI图像生成领域取得了巨大成功——从DALL·E到Stable Diffusion，这些模型通过逐步去噪从随机噪声中生成图像。但一个引人深思的问题是：大脑的视觉皮层是否也在做类似的事情？7月17日发表于arXiv的最新论文为这一假说提供了数学框架。
来自加州大学伯克利分校、麻省理工学院等机构的研究团队（Zeyu Yun、Alexander Belsten、Dasheng Bi、Zahra Kadkhodaie、Yubei Chen）提出了一个初级视觉皮层（V1）中的感知推理模型，该模型在数学上等价于一个最小扩散模型。模型基于稀疏编码理论，对潜变量使用非因子化先验（unconstrained pairwise interaction matrix），将标准稀疏编码推理扩展为一个通用的循环动力系统。
研究团队利用去噪得分匹配目标（denoising score-matching objective）和隐式微分（implicit differentiation）高效训练这些循环动力学。在自然图像上训练后，学习到的相互作用矩阵反映了已知的V1神经生理特性——包括方向选择性、空间频率调谐和感受野结构。更有趣的是，该模型能自然展现出V1中的”感知填充”现象：当输入图像部分缺失时，模型能够基于先验知识重建缺失区域，这与大脑的”自顶向下”感知机制高度相似。
这一发现揭示了视觉皮层与AI扩散模型之间深刻的数学联系——两者都在执行类似的过程：从噪声/不确定性中恢复结构化表征。这不仅为我们理解大脑视觉机制提供了新的计算视角，也为改进AI模型提供了生物学启发。研究结果表明，扩散模型的成功可能部分源于它们无意中模拟了生物视觉系统数百万年进化出的高效推理策略。
来源：
📄 arXiv:2607.15693 — “Toward a mechanistic understanding of inference in visual cortex and diffusion models”
👥 作者：Zeyu Yun, Alexander Belsten, Dasheng Bi, Zahra Kadkhodaie, Yubei Chen
🏷️ 分类：q-bio.NC, cs.AI
📅 提交日期：2026-07-17
