人脑认“4”不认“5”！四大天王F4都是“4”有科学依据了（doge）｜Nature
计数“0-9”用的是两个系统
西风 发自 凹非寺
量子位 | 公众号 QbitAI
请在半秒内回答，下图分别有几个苹果：
是不是一眼就知道左边是四个，至于右边……好多个？为什么不能瞬间确定右边是几个？
不止是这个现象。还有像是“四”大天王、F“4”、“四”小花旦……为什么都是“4”？[旺柴]
Nature最新报道给出了解释这种现象的直接依据——大脑认“4”不认“5”。
最近，德国波恩大学医学中心的研究人员通过观测单个神经元的活动，发现大脑认数量“1-4”和认“5-9”所用系统不同，边界就是“4”。
具体来说，神经元处理数量1-4时，用的是特定神经元；而处理5-9，反应不特定，会受相邻数字干扰。
举个栗子：偏好3的神经元只会对3反应，而喜欢8的神经元会对8做出反应，但也会对7和9做出反应。
有学者认为这一发现对于理解人类思维本质具有重要意义，约翰斯·霍普金斯大学心理学家Lisa Feigenson就表示：
从根本上讲，这个问题涉及到心智结构：是什么构建了人类思维的基础？
人类大脑认“4”不认“5”
1871年，同样是刊登在Nature上的一篇文章，经济学&逻辑学家William Stanley Jevons在调查了人类的计数能力后发现：
对某些人来说，数字“5”完全超出了判别极限。
之后，有的研究人员分析这是由于大脑使用单一的计数系统，对于较大的数字，系统的精确性较低。
还有人假设差异源于有两个独立的神经系统来计数，然后使用脑电图、功能性磁共振成像等技术进一步研究，但得出的结果不一致，无法确定哪个模式是正确的。
直到最近，德国波恩大学的研究团队利用新技术记录了人脑单个神经元的活动，终于发现了小数和大数在神经编码上的区别。
具体来说，这些数据来自于17名癫痫患者。为了帮助医生找到癫痫发病源头，这些患者接受了侵入性的内科学监测（在大脑植入微电极）。
在患者们进行监测手术时，微电极记录下了801个单个神经元的活动。这些神经元来自大脑的四个区域：杏仁核、海马体、腹内侧颞叶和腹外侧颞叶。
记录过程中，患者需要做数量判断任务：
屏幕会显现0-9范围内的非符号化“点阵”图像，每个图像持续半秒，参与者需要通过按左右键表示点数为偶数还是奇数。
点阵以标准格式和对照格式呈现，以下是三种点阵排列方式：
△（左）标准布局，点的大小和位置可变；（中间）控制布局，均衡点总面积和密度；（右）点呈现线性排列
在行为测试中，患者对小数量的判断明显更准确，且反应时间更短，呈现出“子化”特征。
（子化，心理学和认知科学领域的术语，指的是人类对小数量物品的一种快速估计的能力。）
当数量大于4后，判断变慢且错误率增加，反映了“数量估计”过程。
研究人员分别对错误率和反应时间进行计算，最后确定子化范围的上限平均为3.7(错误率)和3.6(反应时间)。
而对神经元响应的分析，进一步确定了行为结果的准确性。
小数子化系统&大数估算系统
在单个神经元层面，研究者也观察到类似的编码模式。
他们在四个记录脑区都找到了对非符号化数量有选择性响应的神经元，这些选择性神经元覆盖了0-9完整数量范围。
不同脑区选择性神经元的比例在15.1%左右，显著高于随机水平。
分析了神经元调谐曲线特征和相关性后，研究人员发现：
对于小数量1-4，神经元对首选数量有高度选择性，并抑制对非首选数量的反应，从而提高了识别效果。
（对于一个对数量变化敏感的神经元来说，它会对某一个特定的数量产生最大的反应，这个引起最大反应的数量就是这个神经元的“首选数量”。）
但当数量大于4后，神经元的调谐曲线变宽，选择性降低，并随数量增加而恢复基线水平，这符合数量估计的特征。
而后研究人员进一步使用SVM对选择性神经元进行解码，进行状态空间分析和聚类分析，并针对神经元群体进行统计检验，同样找到数量判断存在分类边界，最显著的差异在数量4和5之间。
这一边界与人类的直觉判断非常吻合。
该研究为小数“子化”系统和大数“估算”系统并存提供了直接证据。
“子化”系统可能与注意力和工作记忆有关，这解释了我们对少量信息的敏锐判断，而大脑对超过容量的输入则需要依靠更缓慢系统化的信息处理。
但研究人员也提到，其中更为复杂的网络机制有待进一步探究，比如其它脑区是否也存在类似的编码差异、更复杂的认知任务是否也能观察到此现象、抑制环路的时间效应等。
论文链接：https://www.nature.com/articles/d41586-023-03136-w
- 微软开源视频Tokenizer新SOTA！显著优于Cosmos Tokenizer和Open-Sora2024-12-26
- 英伟达年终核弹！全新B300为o1推理大模型打造，RTX5090也曝光了2024-12-26
- 时隔6年BERT升级！仅编码器架构没被杀死，更快更准确更长上下文2024-12-24
- 李飞飞谢赛宁新作「空间推理」：多模态大模型性能突破关键所在2024-12-23
相关阅读
