一项新的研究论文揭示，标准的监督训练方法，特别是反向传播，会迅速损害人工神经网络与人脑早期视觉皮层对齐的程度。这种损害在一个训练周期内就会发生，这表明由于固有的归纳偏置，未经训练的网络可能更有效地捕捉低级视觉统计信息。像预测编码和尖峰时间依赖可塑性这样的替代学习规则显示出较小的损害，在早期视觉表示中保留了更多类似大脑的结构。 AI
影响 表明当前的训练方法可能会阻碍 AI 模型在表示相似性方面达到生物视觉系统的最佳水平。
排序理由 学术论文，详细介绍了关于 AI 模型训练和生物大脑对齐的新发现。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.30556v1 Announce Type: new Abstract: Random, untrained neural networks consistently match or exceed trained networks in representational similarity to early visual cortex. This puzzling finding challenges the assumption that learning improves brain alignment. We invest…
<!-- SC_OFF --><div class="md"><p>Third in a series of papers tracking learning rules vs. human fMRI (THINGS dataset, V1–IT, N=3 subjects).</p> <p>Previous finding: untrained CNNs match backprop at V1. This paper asks: when does training break that, and does the learning rule mat…