《TRENDS IN Cognitive Sciences》：The Umwelt Representation Hypothesis: rethinking Universality
编辑推荐：
近期研究揭示了人工神经网络（artificial neural networks, ANNs）与生物大脑之间显著的表征对齐（representational alignment），由此引发了一种主张：所有能力足够强的系统都汇聚于对现实的普遍表征（univers
近期研究揭示了人工神经网络（artificial neural networks, ANNs）与生物大脑之间显著的表征对齐（representational alignment），由此引发了一种主张：所有能力足够强的系统都汇聚于对现实的普遍表征（universal representations）。研究人员认为，这一普遍性（Universality）主张为时过早。研究人员提出Umwelt表征假说（Umwelt Representation Hypothesis），该假说认为，对齐并非源于向单一全局最优的收敛，而是源于系统在发展中面临的生态约束（ecological constraints）的重叠。研究人员回顾了经验证据，显示物种间、个体间及ANNs之间的表征差异是系统性的且具有适应性，这难以与普遍性观点相调和。最后，研究人员将ANN模型比较重新定义为一种在生态约束空间中绘制对齐簇（clusters of alignment）的方法，而非对单一最优世界模型的探寻。
**研究背景与存在问题**
人工神经网络（artificial neural networks, ANNs）已成为神经科学研究的重要工具，研究者通过比较不同架构、训练目标、数据集和学习规则的模型与神经及行为数据的对齐程度来理解大脑功能，这一方法被称为神经连接主义（neuroconnectionism）。然而近期研究显示，架构和训练机制迥异的模型均能以相似精度匹配神经数据，且多种ANNs与人类大脑之间存在显著表征对齐（representational alignment），即使模态不同（如语言与视觉）。这些发现被解释为表征普遍性（Universality）的证据：所有能力充分的系统都收敛于同一共享世界表征。若此成立，模型比较将不再能产生新的神经科学洞见。作者认为这一推论过于强断，遂提出Umwelt表征假说（Umwelt Representation Hypothesis, URH）。
**研究内容与意义**
作者剖析了普遍性所预设的全局最优性及其形而上学实在论基础——即存在独立于观察者的唯一世界结构，并引入源于生态学的Umwelt概念提出替代框架：表征对齐源于生态约束（ecological constraints）的重叠，而非对单一最优世界模型的收敛。作者综合跨物种、个体间及人类与ANNs的系统性差异证据，论证普遍性主张与经验事实不符。该论文发表于《Trends in Cognitive Sciences》，为神经连接主义提供了新的理论方向。
**主要技术方法**
该文为观点性综述，未开展新实验，主要依赖对现有实证研究的整合分析：包括跨物种功能连接模式比较、个体差异神经影像研究（如Natural Scenes Dataset 7T fMRI（功能性磁共振成像）数据集）、人类与ANNs视觉行为的对抗刺激（controversial stimuli）与模型元变体（model metamers）范式，以及对齐度量方法学评估（编码模型参数灵活性、几何度量敏感性等）。同时分析了ImageNet、COCO等人类中心数据集对普遍性结论的制约。
**研究结果**
*普遍性预设全局最优性*
作者指出，普遍性观点依赖规范性神经编码理论，其代表为柏拉图表征假说（Platonic Representation Hypothesis），认为模型"恢复洞穴之外真实世界的日益更好的表征"。该立场隐含"安娜·卡列尼娜情景"：非共享的表征维度均被视为特质性噪声，而非对局部约束的适应。
*Umwelt表征假说*
作者提出，系统的Umwelt（由感觉器官、效应能力、内在目标、代谢资源等共同确定的主体世界）决定其表征内容。表征对齐源于生态约束重叠，URH预测部分对齐：共享表征反映共享选择压力，非共享表征可能是针对不同约束的局部最优解，而非噪声。
*缩放并非万能*
普遍性预测扩展容量、数据或任务将增加对齐程度；URH则预测系统不必然收敛于唯一全局最优。在保持生态位不变的情况下扩展蜜蜂大脑的数据或容量，不太可能产生类人表征；基础模型虽可与多种系统部分对齐，但只会与其中任何一个部分对齐。
*生态约束导致表征相似性*
输入输出界面、目标及数据统计的相似性导致对齐。趋同进化（如光感受器系统多次独立演化）表明深层结构约束重叠可产生相似解，但不必然涉及全局最优。
*表征差异是系统性的*
跨物种层面，螳螂虾的16种光感受器、鸟类磁感受等差异是系统性的适应结果，进化层级可预测功能连接模式的重叠程度。个体层面，文化影响、面孔熟悉度、阅读习得、交叉语言差异均导致系统性表征差异。人类与ANNs之间，视觉模型普遍存在纹理偏向而人类依赖整体形状线索，模型性能提升不必然改善脑对齐，且对齐很少达到噪声上限（noise ceiling）。
*模型比较作为探测约束空间的方法*
作者主张将模型比较重新定位为在生态约束空间中绘制对齐簇的方法。当前模型与人类对齐是因为共享以人类为中心的Umwelt：训练图像由人类拍摄、类别由人类命名、架构含有人类启发的归纳偏置。未来需扩展架构（循环、拓扑、预测编码等）、数据集及训练目标（能量效率、布线约束等），以发现新的对齐簇。
**讨论与结论**
作者总结指出，现有的结构化、系统性且具有适应性的表征差异无法用单一世界模型收敛来解释，弱普遍性版本同样无法解释"既不同又系统"的表征。URH主张认知系统并非追求忠实的世界模型，而是在身体与环境约束下发展"局部最优"、服务于行动需要的表征。这一重新框架凸显了模型比较的核心价值：识别模型与大脑之间的表征对齐簇，并以生态约束解释其结构与边界。未来需提高对齐度量灵敏度、扩展模型与数据空间、探索基础模型中的多Umwelt子空间，并区分适应性特化与噪声导致的表征差异。
