AI視覺革命！受人腦啓發的新技術讓機器“看”得更準、更高效

機器視覺的“瓶頸”與人腦的“智慧”

在熙熙攘攘的街頭，人腦能迅速捕捉到重要的細節，比如一個突然衝出的孩子或是一輛疾馳而來的汽車。但傳統的AI，尤其是廣泛應用的卷積神經網絡（CNN），卻有點“笨拙”。它們通常使用固定大小的方形“濾鏡”來掃描圖像，這種方式雖然有效，但在處理碎片化信息、捕捉更廣闊的模式時顯得力不從心。

近年來，雖然出現了像Vision Transformer這樣更強大的模型，它們能一次性分析整張圖片，表現優異，但其巨大的計算量和對海量數據的依賴，使得在許多實際場景中難以普及。

那麼，有沒有一種方法能兼顧效率和性能呢?來自基礎科學研究所（IBS）、延世大學和馬克斯·普朗克研究所的研究團隊將目光投向了我們的大腦。人腦的視覺皮層通過圓形、稀疏的連接來選擇性地處理信息。研究者們思考:能否借鑑這種“腦啓發”的方式，讓CNN變得更智能、更強大?

Lp-Convolution:讓AI擁有“慧眼”

基於這個想法，研究團隊開發出了Lp-Convolution技術。它的核心是利用多元p-廣義正態分佈（MPND）來動態地重塑CNN的“濾鏡”。與傳統CNN固定的方形濾鏡不同，Lp-Convolution允許AI模型根據任務需求，靈活地調整濾鏡的形狀——比如橫向拉伸或縱向壓縮，就像人腦能選擇性地聚焦於相關細節一樣。

這一突破解決了AI研究中一個長期存在的難題——“大核問題”（large kernel problem）。過去，簡單地增大CNN濾鏡的尺寸(例如使用7x7或更大的卷積核)通常無法提升性能，反而可能因爲參數過多而效果變差。Lp-Convolution通過引入這種靈活的、受生物啓發的連接模式，成功克服了這一限制。

研究表明，Lp-Convolution的設計模仿了大腦視覺皮層的信息處理結構。大腦神經元連接廣泛而平滑，連接強度隨距離逐漸變化（呈高斯分佈），能整合中心及周邊視覺信息。而傳統CNN的固定矩形區域處理方式限制了其捕捉遠處視覺元素關係的能力。Lp-Convolution通過模擬大腦的連接模式，讓神經元的輸入範圍和敏感度呈類高斯分佈，能在訓練中自適應調整，更強調重要信息，忽略次要細節，實現更靈活、更符合生物學的圖像處理。

實測表現:更強、更智能、更魯棒

在標準的圖像分類數據集（如CIFAR-100， TinyImageNet）上進行的測試顯示，Lp-Convolution顯著提升了經典模型(如AlexNet)和現代架構(如RepLKNet)的準確性。

更重要的是，該方法在處理損壞數據時表現出了極高的魯棒性（抗干擾能力），這對於現實世界的AI應用至關重要。研究人員還發現，當Lp-Convolution中使用的Lp-mask(一種權重分佈模式)接近高斯分佈時，AI的內部處理模式與生物神經活動(通過與小鼠大腦數據比較確認)高度吻合。

基礎科學研究所認知與社會性中心主任C. Justin Lee博士表示:“我們人類能迅速發現擁擠場景中的關鍵點。我們的Lp-Convolution模仿了這種能力，讓AI能像大腦一樣，靈活地聚焦於圖像中最相關的部分。”

影響與未來應用:開啓智能視覺新篇章

與以往依賴小型剛性濾鏡或需要大量資源的Transformer模型不同，Lp-Convolution提供了一種實用、高效的替代方案。這項創新有望在多個領域掀起革命:

自動駕駛: 幫助AI實時、快速地檢測障礙物。

醫療影像: 通過突出細微細節，提高AI輔助診斷的準確性。

機器人技術: 使機器能在不斷變化的環境下擁有更智能、適應性更強的視覺能力。

“這項工作對人工智能和神經科學都是一個強大的貢獻，”Lee主任補充道，“通過使AI更接近大腦的運作方式，我們釋放了CNN的新潛力，使其更智能、適應性更強，也更符合生物學原理。”

展望未來，該團隊計劃進一步完善這項技術，探索其在更復雜的推理任務（如數獨解謎）和實時圖像處理中的應用。

這項研究成果將在國際學習表徵會議（ICLR2025）上展示，相關的代碼和模型已在GitHub和OpenReview.net上公開。