《PLOS Computational Biology》：Can neural networks model the human perception of geometric shapes?
编辑推荐：
人工神经网络在许多视觉任务中取得了令人瞩目的成功。然而，先前的研究表明，其对几何形状的表征仅部分捕捉了人类所具有的表征，人类还需要一种符号性的“几何语言”。在本研究中，研究人员通过系统比较人类在三项几何形状感知测试中的表现，与近期卷积神经网络(CNN)和视觉T
人工神经网络在许多视觉任务中取得了令人瞩目的成功。然而，先前的研究表明，其对几何形状的表征仅部分捕捉了人类所具有的表征，人类还需要一种符号性的“几何语言”。在本研究中，研究人员通过系统比较人类在三项几何形状感知测试中的表现，与近期卷积神经网络(CNN)和视觉Transformer(ViT)（其在规模、训练数据集及训练方法上各不相同）识别和处理几何形状的预测结果进行比较，并将这些表征与人类表征进行对比，以此评估该领域的进展。在两项探测四边形和几何形状感知的任务（由Sable-Meyer等人于2022年和2026年提出）中，近期的神经网络表现出与人类相似的表征，并且在预测人类表现方面优于符号模型。在第三项涉及几何绘图的任务中，网络的表现仍未达到人类水平。在三项实验中，驱动神经网络表征与人类表征相似性的主要因素是训练数据集的规模，而非特定架构或模型的参数数量。综上所述，研究结果表明，大规模扩展训练数据有助于神经网络逼近类人的几何形状表征，但仍未能完全捕捉人类对几何形状的人类表征。
研究背景与问题提出
理解人类如何感知与推理几何形状是认知科学的核心问题之一。传统观点认为人类依赖一种符号性的“思维语言(LoT)”来处理几何规则，如平行性与直角，而早期的卷积神经网络(CNN)被认为更接近非人灵长类的视觉处理，难以复现人类对几何规则性的敏感。然而，随着大规模预训练模型的发展，这一论断受到挑战。为明确现代神经网络在几何形状感知上与人类表现的差距及驱动因素，研究人员系统比较了人类行为与不同架构、规模及训练范式下视觉模型的对齐程度，该研究发表于《PLOS Computational Biology》。
主要关键技术方法
研究人员利用既往发表的人类行为数据开展三项任务分析：任务一为四边形异常值检测，基于330名在线参与者数据推导表征不相似性矩阵(RDM)；任务二为几何形状的自定步调延迟匹配样本任务，基于125名成人数据评估试次难度；任务三为跨模态（照片、线条画、几何构图）匹配任务，使用含24个实体的72张图像。技术核心包括表征相似性分析(RSA)以对比人机内部表征，累积干扰度(cumulative distraction)量化网络试次难度，以及基于岭回归(Ridge regression)与排列特征重要性分析的解构因子（数据集规模、参数量、架构、训练方法）贡献度评估，并在网络各层提取嵌入表征进行计算。
研究结果
2.1 Experiment 1. Can neural networks capture the geometric regularities of quadrilaterals?
研究人员通过比较人类行为RDM与网络RDM的皮尔逊相关性发现，在LAION-2B等超大规模数据集上训练的模型（如CLIP、Dinov3）与人类的相关系数接近0.9，显著优于符号模型（0.68）。特征重要性分析表明训练数据集规模是主导因素（平均性能下降显著），Vision Transformer(ViT)略有优势但现代CNN（ConvNeXt）无显著差异，参数量与训练方法无显著影响。层间分析显示CNN最佳对齐常在末层，而图文配对的ViT常在中间层。
2.2 Experiment 2. Can neural networks capture the Language of Thought for various geometric shapes?
针对68种多样几何形状，研究人员以选择反应时残差（剔除亮度干扰）为基准，对比网络累积干扰度。结果显示大规模数据集训练的网络再次超越符号模型，数据集规模仍为核心预测因子。然而，将网络预测与符号模型的最小描述长度(MDL)结合可进一步提升对人机行为的解释力（R从0.54升至0.71），表明网络虽捕捉了部分人类行为，但仍缺乏符号模型具备的显式组合规则理解。最佳对齐层分布与前一实验部分一致（58%为末层）。
2.3 Experiment 3. Can neural networks recognize abstract geometric drawings?
在跨渲染格式（照片至极简几何绘图）匹配任务中，无一网络达到人类恒为1的排名表现，最佳模型Dinov3 base平均排名为2.2。与前两实验不同，此处训练方法成为最重要预测因子，其中DINO优于CLIP及分类监督，数据集规模次之。这表明在面对高度抽象的符号化绘图时，自监督的对比学习与蒸馏机制对形成跨格式泛化能力尤为关键，且最佳层出现在末层的比例降至49%。
讨论与结论总结
研究人员总结指出，深度神经网络(DNN)在前两项任务中能比符号模型更好地解释人类对四边形及多样几何形状的感知，且大规模训练数据是趋近人类表征的关键，这与深度学习缩放定律一致。但在涉及几何绘图的第三任务中，网络仍未能完全复现人类特有的几何抽象与跨格式识别能力，残余方差可能源于人类具备而网络缺失的主动生成或心理模拟绘制过程。尽管存在训练数据含几何刺激的可能混淆，研究显示不同架构在网络规模扩大下趋于收敛至共享的几何结构编码（柏拉图式表征假说）。研究人员认为符号理论并非与连接主义对立，神经网络可能以分布式隐式方式实例化了符号理论的形式逻辑。未来需提升模型可解释性以映射认知操作。最终结论为：通过大规模扩展训练数据集，人工神经网络接近逼近人类对几何形状的类人表征，但仍未完全捕捉人类几何形状表征。
