类行爲的研讨。这意味着我们不只可以理解大脑运用了什麼算法，还能理解大脑中的回路是如何完成这些算法的。”科研人员临时以来以为大脑必需发生对面部和其他对象的“波动”表征，这种表征与空间中对象的方向、它们与观看者的间隔或在视野中所处的地位有关。对人脑和猴脑的磁共振扫描材料支持了这一观念。但在2010年，科研人员宣布了一项研讨后果，详细地描绘了猕猴面部辨认机制的神经解剖学特征。研讨人员表示，来自猴子视神经的信息会经过一系列大脑部位传递，每个大脑部位对面部朝向的敏理性都比前一个大脑部位差。第一区域中的神经元仅对特定的面部朝向做出放电反响；最初一个区域中的神经元能否放电与面部朝向有关，而是一种恒定的表征。但两头区域中的神经元似乎是“镜像对称的”，即它们对面部旋转的角度敏感，而对方向不敏感。在第一区域中，假如面部向左旋转45度，则将有一簇神经元被激起，而假如向右旋转45度，则将有另外的簇被激起。在最初一个区域，无论面部旋转30度、45度、90度还是其间的任何角度，相反的神经元群都会被激起。但是在两头区域，假如面部向某一方向旋转45度，则特定的神经元簇将被激起。假如旋转30度，则另外的神经元簇将被激起。这正是研讨者开发的机器学习零碎所再现的景象，研讨人员表示：“这一模型的目的并非解释镜面对称性而是恒定性，而研讨进程中发现了另一个属性。”科研人员创立的机器学习零碎是一个神经网络，缘由在于它粗略地模拟了人类大脑的构造。神经网络由分层布置的十分复杂的处置单元组成，这些处置单元密集地衔接到下层和上层的各个处置单元或节点。数据被传递到网络的最底层，并在这里以某种方式被处置，然后传递到下一层，如此重复。在训练时期，顶层的输入后果与某些分类规范相关，如要求正确判别给定的图像描画的是不是特定的人。在晚期的打工中，该团队次要是经过训练神经网络记忆一系列有代表性的人脸特征来发生恒定表征，这些人脸特征被研讨人员称爲“模板”。当神经网络辨认新人脸时，它将测量该人脸与模板的差别。假如新人脸的特征与模板中人脸的特征相反，其差别将是最小的，则与这些模板相关联的节点的输入将在抵达顶层时成爲主导性的信息信号。假如新人脸与模板有差别，则会发生关于新人脸的一个辨认性特征。在实验中，这种办法发生了恒定表征：无论面部朝向如何，其辨认性特征都大致相反。但是，记忆模板的机制在生物学上是找不到依据的。因而，新开发的网络运用了基于Hebb规则发生的误差，这在神经学文献中常常被描绘爲“连在一同的神经元会同时放电”。这意味着在训练时期，假如爲了发生更准确的输入而调整节点之间的衔接权重，相比那些独立做出反响（或基本不反响）的节点，对特定安慰做出分歧反响的节点对最终输入后果的影响更大。这种办法最终也发生了恒定表征，但网络的两头层也复制了灵长类植物大脑两头视觉处