Contravariance 理论:任务足够难时,神经网络与大脑趋同进化不可避免
aran_nayebi · x · 2026-10-06
MIT 研究者 Aran Nayebi 与 Dan Yamins 发布论文《Contravariance Theory: Strong Alignment for Minimal Solutions to Hard Tasks》（arXiv:2607.08561），回应 NeuroAI 领域十五年来的核心问题：如何比较 DNN 与大脑，以及人工网络与真实脑网络会有多少趋同进化。
核心结论：
- 对解决同一足够难任务的任意两个极简 DNN 解：基于仿射映射的「弱」表征对齐即可保证特权轴（privileged axes）层面的「强」对齐。
- 对齐会沿网络层级向上「拉链式」扩展，使特权轴从端到端任务优化中自然涌现。
- 推论：任务足够强时，网络间比较所用度量并不那么敏感，趋同进化很可能不可避免。
- 作者还指出该理论的实践含义：神经科学实验应让动物执行更具挑战性的任务（呼应其 NeurIPS '21 MEC 异质性工作）。
「研究」频道最新
- Uni-LaDiR 用潜空间扩散统一图文 3D 推理，让思维脱离具体模态 — Lianhuiq · 2026-10-06
- 「研究品味每 3 个月翻倍」论文遭质疑：测的其实是指标优化 — dhadfieldmenell · 2026-10-06
- 学者建议狠治论文灌水：每位作者每会限投 1–3 篇 — moarbugs · 2026-10-06
- MoSE3 从单目视频估计像素级 SE(3) 变换，入选 NeurIPS Spotlight — du_yilun · 2026-10-06
- SimEX:让编码智能体借仿真环境自学真实机器人操作技能 — yifengzhu_ut · 2026-10-06
- TabPFN 特征做表格异常检测,ZEN 无微调刷新 ADBench 纪录 — Maximilian Bershtman · 2026-10-06