数学模型揭示了人类大脑如何处理视觉信息

在建立感知模型时，主动推理经常被用来结合噪声感觉测量和先前的预期来估计外部环境的结构。理解视觉、认知、运动控制和社会交往需要坚实的数学基础。虽然理论研究已经证明了如何从环境统计中计算先验，但是许多竞争编码策略实现先验的神经元实例化是可能的。

科学家们使用数据驱动的方法提取了大脑对视觉定向的表示，并将其与不同感官编码方案的模拟进行了比较。

悉尼大学、昆士兰大学和剑桥大学的研究人员在《自然通讯》杂志上发表的一项研究中创建了一个特殊的数学模型，该模型与人脑在阅读视觉方面的功能非常相似。贝叶斯推理所需的一切都包含在模型中。

一种名为贝叶斯推断的统计技术使用新的证据和先验知识来生成有根据的猜测。例如，如果你知道狗长什么样，并且你看到一只有四条腿的毛茸茸的动物，你可能会认为某个东西是狗。

与机器人不同，人们可以自然而然地以惊人的准确度和速度感知周围环境，而机器人在被要求在一组图像中定位消防栓时，可以被直接的验证码安全措施击败。

该研究的高级研究员、悉尼大学心理学院的鲁宾博士说：“尽管贝叶斯方法具有概念吸引力和解释力，但大脑如何计算概率在很大程度上是神秘的。”

“我们的新研究揭示了这个谜团。我们发现，我们大脑视觉系统的基本结构和连接是为了让它能够对接收到的感官数据进行贝叶斯推理。”

“这一发现之所以意义重大，是因为它证实了我们的大脑有一种固有的设计，可以进行这种先进的处理，使我们能够更有效地解释周围环境。”

这项研究的结果不仅支持了以前关于大脑使用类贝叶斯推理的假设，而且为未来的研究和创新铺平了道路，在未来的研究中，大脑的固有贝叶斯推理能力可以被用于促进社会发展的有用应用。

鲁宾博士说:“我们的研究虽然主要集中在视知觉上，但在神经科学和心理学领域有着更广泛的意义。通过了解大脑用于处理和解释感官数据的基本机制，我们可以为从人工智能到临床神经学等领域的进步铺平道路。在人工智能领域，模仿这样的大脑功能可以彻底改变机器学习，可能为未来的治疗干预提供新的策略。”