鸽子视觉数量认知遵循韦伯-费希纳定律的神经机制研究

本研究通过设计全自动训练装置，首次证实鸽子作为基础鸟类代表，其视觉数量认知符合韦伯-费希纳定律（Weber-Fechner law）。研究人员训练鸽子完成延迟数量匹配任务，发现其心理数字线呈对数压缩特征，揭示了生物大脑在计算精度与能耗间的进化平衡策略，为仿生算法开发提供新思路。

　　

在动物认知研究领域，数量感知能力是衡量物种智能水平的重要指标。以往研究发现，猴子、乌鸦等高等动物遵循韦伯-费希纳定律——即数量认知呈对数压缩特征，但作为基础鸟类的鸽子是否具有相似机制尚不明确。这一问题的解答不仅关乎物种认知进化理论，更对理解生物大脑如何平衡计算精度与能耗具有启示意义。郑州大学与清华大学的研究团队通过创新性实验设计，在《Animal Cognition》发表重要成果。

研究团队首先攻克了鸟类行为训练的难题，开发出包含主控模块、刺激显示模块、奖励强化模块和动物切换模块的全自动训练系统。该系统能精确控制单次奖励颗粒数（0.037g/次），使两只鸽子（B5和C3）累计完成超6万次试验。核心实验采用延迟数量匹配任务（delayed match-to-numerosity task），通过标准刺激与三组控制刺激（固定密度、固定面积、固定周长）排除非数量特征干扰。数据分析采用高斯拟合函数评估线性尺度与对数尺度的行为曲线对称性，通过R²值和σ值量化拟合优度。

在"行为准确性"部分，研究显示鸽子对1-5个点阵的识别准确率稳定在73%左右，且四类刺激组间无显著差异（p>0.28），证实其确实依赖数量特征而非低阶视觉线索。"行为表现函数"分析发现，在线性尺度上呈现典型数量级效应（magnitude effect）：相同数量距离下，基数越大识别精度越低；而对数转换后该效应消失，不同基数曲线宽度（σ=0.008）趋于一致。"心理数字线尺度"部分通过高斯拟合证明，对数尺度的R²值（0.85±0.01）显著优于线性尺度（0.70±0.01），σ值变异最小，支持对数压缩模型的最优性。

讨论部分指出，尽管鸽子大脑皮层神经元数量（pallial neurons）远少于乌鸦和猴子，但其数量表征策略与高等物种趋同，提示对数压缩可能是生物大脑长期进化的最优解。这种策略在保证小数量精度的同时，通过降低大数量表征精度来减少计算负荷（computational load），对开发低功耗仿生算法具有参考价值。研究还推测鸽子的近似数量系统（approximate number system, ANS）可能不受数量范围限制，这为后续更大数量区间的探索奠定基础。全自动训练装置的创新设计，不仅解决了传统方法导致的动物应激问题，更为鸟类认知研究提供了标准化范式。

该研究首次在基础鸟类中验证了韦伯-费希纳定律的普适性，揭示了跨物种认知进化的保守机制。从应用角度看，生物大脑这种"精度-能耗"权衡策略，为人工智能领域的实时高效算法设计提供了天然优化方案。正如研究者强调的，对数压缩表征可能是生命在亿万年进化中淬炼出的最佳解决方案，这一发现架起了比较认知神经科学与计算科学的新桥梁。