神经科学与认知科学
突破级
有讲解视频
收录解读
这篇论文关注一个直接关系到神经科学建模和类脑 AI 的问题：要想逼近灵长类视觉皮层反应，是否必须依赖越来越大、越来越黑箱的深度网络。作者先用闭环实验和猕猴视觉数据训练大模型，再系统压缩模型规模，检验哪些计算成分是真正必需的。
论文的核心新意在于证明视觉皮层预测并不必然要求庞大网络。作者把一个约六千万参数的深层模型压缩到数量级小得多的紧凑模型，同时保持接近的神经预测精度，从而把“性能来自规模”与“性能来自合适计算结构”区分开了。
这篇论文适合放在仓库的认知科学 / 视觉神经科学主线上。它不是传统 AI 方法论文，但它对类脑建模、低功耗视觉模型以及“如何从脑数据中约束 AI 架构”都有直接外溢价值。
它仍然不是范式级条目，因为主要贡献是对视觉皮层建模路线的强约束和压缩验证，而不是提出一个已广泛迁移到 AI 主流系统的新训练范式。