在人工智慧蓬勃發展的今天，科學家們正不斷探索：機器是否能像人類一樣「看見」世界？這場追尋視覺真相的旅程，讓人類的智慧與靈長類大腦的奧秘交會，而其中的關鍵，竟然藏在一種我們日常少見、卻無所不在的技術——卷積神經網路（CNN）。
這不僅僅是科技的發展，更是人類試圖理解自己大腦運作的科學冒險。
一場從靈長類大腦啟發的科技革命
數十年來，神經科學家們不斷試圖解開大腦如何處理視覺訊息的謎團。透過觀察靈長類動物（例如獼猴）的視覺神經活動，他們發現，大腦的視覺皮層（Visual Cortex）以一種分層的方式處理影像資訊——從基本的邊緣、線條識別，一直到更複雜的形狀與物體辨識。這樣的分層機制，與現代 AI 中的卷積神經網路（CNN）竟然有著驚人的相似之處。
這引發了一個令人興奮的問題：如果 CNN 的架構和靈長類大腦如此相似，那麼，是否能直接用 CNN 來模擬人類視覺？甚至，預測大腦對影像的反應？
科學家決定一探究竟。
當機器「看見」——人工智慧預測大腦反應？
研究人員利用 CNN 來預測靈長類大腦（包括人類與獼猴）的神經反應，結果令人震驚：即使不經過訓練，只是隨機設定權重的 CNN，也能準確預測初級視覺皮層1（V1）的活動！ 這代表 CNN 的結構本身，就已經足夠接近大腦的視覺處理機制。
但當研究深入到更高級的視覺區域2，例如負責物體識別的顳下皮質（IT），情況就變得複雜了。這些區域的神經活動，無法單靠隨機權重來模擬，必須透過大量學習與訓練，才能真正達到類似的辨識能力。換句話說，大腦高階視覺區域的運作，遠比初級視覺區更依賴學習與經驗。
機器與大腦的分水嶺——「訓練」的重要性
在這場 AI 與大腦的較勁中，研究人員發現了一個關鍵因素：模型的複雜度。當 CNN 的結構變得更精密，特別是當它使用 ReLU 激活函數 和 最大池化 操作時，它就能更準確地模擬 V1 的神經反應。而這種準確性，與大腦的生物機制不謀而合。
但對於高階視覺區域來說，這樣的架構並不足夠，還需要經過訓練的權重配置，才能真正捕捉到大腦辨識物體的精細特徵。這種現象與人類的學習過程相似——我們從小不斷觀看、辨識、分類物體，最終形成穩定的視覺認知。而 CNN 也必須經歷類似的「學習」過程，才能真正掌握物體識別的能力。
視覺的兩條道路：紋理 vs. 物體識別
那麼，如果 CNN 在沒有訓練的情況下，仍然能模擬 V1，它到底能做些什麼？研究人員進一步測試發現，隨機權重的 CNN 在「紋理識別」方面表現優異，但在「物體識別」上卻遠遠落後。
這似乎印證了大腦的視覺處理也有兩條不同的路徑：
低階視覺（V1）：更傾向於處理 紋理、邊緣與形狀特徵，這些屬性是天生存在於視覺系統的，不需要額外學習。
高階視覺（如 IT）：專注於 物體識別，並且高度依賴學習經驗。這類區域需要透過不斷的影像刺激與神經調整，才能發展出成熟的辨識能力。
這項發現為視覺神經科學提供了新的視角，也讓我們對 AI 的未來發展充滿想像。
模仿大腦，我們還有多遠？
當研究人員用 Gabor 斑塊（常用來測試視覺神經元的方向選擇性）來刺激 CNN 時，他們驚訝地發現：CNN 中的某些神經元展現出了與 V1 神經元相似的方向選擇性。這意味著，即使是一個隨機初始化的 CNN，也能部分再現大腦的視覺特徵選擇性！
然而，這並不代表 CNN 已經完全模仿了人類視覺。雖然它能捕捉 V1 的一些特徵，但在更高級的視覺處理方面，仍然無法與大腦相比。這提醒我們，AI 雖然強大，但與大腦的學習與適應能力仍有巨大差距。
LGN（外側膝狀體，Lateral Geniculate Nucleus）是人類視覺系統的關鍵環節，它不只是視網膜與大腦之間的「訊號中繼站」，更是一個能夠「篩選」與「調節」視覺訊息的處理中心，確保我們的大腦專注於最重要的視覺資訊。這個小小的結構，讓我們能夠高效地感知世界，從動態的車流到色彩繽紛的日落，一切都從這裡開始。
視網膜 → LGN → V1（初級視覺皮層）
LGN 主要負責過濾、整理和加強視覺訊息，確保大腦接收到重要的視覺資訊，而非所有雜亂的輸入。
初級視覺皮層（V1）位於大腦的枕葉（Occipital lobe）。負責接收來自視網膜的視覺資訊，透過視神經傳遞到視丘（LGN），再傳送到 V1。是視覺訊息處理的第一站，負責基本特徵的分析，如邊緣、對比、方向、運動、顏色等。之後，視覺訊息會進一步傳遞到高階視覺區域（如 V2、V4、IT 等）進行更複雜的物體識別與理解。V1 是視覺感知的重要起點，許多神經科學研究都圍繞它進行，因為它能反映視覺系統最基本的計算方式。
高階視覺皮層區域包括：V2（次級視覺皮層）、V4（負責顏色與形狀）、MT/V5（負責運動感知）、IT（顳下皮層，負責物體與面孔辨識）。
V2對V1提供的基本視覺資訊進行更進一步的處理，處理邊緣、輪廓、深度線索等資訊。V4的功能包含顏色感知（Color perception）、形狀辨識（Shape recognition）與物體辨識（Object recognition）。MT/V5的功能包含運動感知（Motion perception）、追蹤移動的物體、深度與速度的計算。
IT位於腹側視覺通路（Ventral Stream）。其功能包含物體辨識（Object recognition）、面部辨識（Face recognition）、高階視覺記憶（與大腦中的長期記憶和認知聯繫）。