[AI]《Toward a mechanistic understanding of inference in visual cortex and diffusion models》Z Yun, A Belsten, D Bi, Z Kadkhodaie… [UC Berkeley] (2026)

在视觉神经科学与生成式 AI 领域，大脑如何通过神经元连接实现“轮廓补全”以及扩散模型如何生成从未见过的图像，其底层机制一直被视为黑盒。过去的方法受困于标准稀疏编码的独立性假设，本质原因是它忽略了自然图像中特征间（如位置、方向）的强统计依赖，无法还原大脑中横向连接（Horizontal Connections）的动态推理过程。

本文的核心洞见是：把视觉皮层的神经推理重新看作一个具有可学习交互矩阵的最小化扩散模型。由此，引入一个不受限的成对交互矩阵来模拟神经元间的横向耦合，并利用“去噪分数匹配”与“隐式函数定理”进行训练，使模型在迭代推理中通过神经活动在活跃神经元间的“上下文感知扩散”操作，自动涌现出类似生物视觉的共线促进机制，从而解开了视觉歧义。

这项工作真正留下的遗产是证明了生物视觉系统与深度扩散模型在数学逻辑上的收敛性。它为后来者打开的新门是提供了一种可解释的路径，通过分解雅可比矩阵来机械化地拆解 AI 的泛化能力（如语义变形），但尚未跨过的门槛是如何在不牺牲解释性的前提下，将这种单层循环机制扩展到具有更复杂抽象能力的深层分级架构中。

arxiv.org/abs/2607.15693 机器学习 人工智能 论文 AI创造营