ARTICLE · 1249327
为什么 AI 分不清土豆和梨,人却能一眼看穿?(上篇)
为什么 AI 分不清土豆和梨,人却能一眼看穿?(上篇)上一篇聊AI私人营养师的时候，我上传了自己三餐的照片，结果有个AI把早餐里的土豆认成了柚子。 我一下就来了兴致：既然这台AI认错了，那换其他AI来，会是什么结果？ 于是我把同几张照片喂给了4款主流AI，结局比我预想的还精彩 ——没有一款完全认对。 S品牌AI把土豆看成梨，还把午餐的胡萝卜认成了紫薯，这是它的回答： 
Q品牌AI胡萝卜认对了，但土豆依然被判成了梨。 
Z品牌AI更离谱，直接把土豆当成了香瓜。 
D品牌AI同样把土豆认作梨，甚至把水煮绿叶菜看成了腌空心菜干。 
一盘普普通通的青菜、半块土豆、一根胡萝卜，人类扫一眼就能精准叫出名字，却难倒了各家投入千亿资源训练的大模型。 凑近看照片我发现，那块土豆因为微距拍摄加表面反光，轮廓确实有点像柚子，但要说它是梨、是香瓜，普通人怎么看都觉得牵强。 
这就引出了一个很有意思的问题： 为什么我们习以为常的「认东西」，在AI这里会变成难题？ 要回答这个问题，我们得先搞懂：人类自己，到底是怎么认出一颗土豆的？
一、视网膜：你眼睛里的首轮图像处理器 很多人觉得，眼睛就像一台相机，晶状体是镜头，视网膜是底片，光线拍上去，大脑就看到了画面。 但真相是：视网膜根本不是被动感光的底片，它是一整套自带三层神经网络的图像预处理系统 —— 光线还没传到大脑，眼睛就已经完成了第一轮特征提取和信息压缩。 光线从角膜进入，穿过瞳孔、晶状体、玻璃体，最终落在眼球后壁的视网膜上。 “视网膜”在眼球的后壁上，它长这样： 
光线先从正前方穿过角膜，角膜是眼球最前端的一层透明“保护膜”，类似你的手机的屏幕贴膜，接着通过瞳孔，瞳孔位于角膜后面的虹膜，我们经常看到欧美那边的人的蓝眼睛、绿眼睛其实就是虹膜的颜色。 光线通过瞳孔之后，就到了图中白色的双凸透镜形状的晶状体，它负责聚焦，相当于相机的镜头，可以调焦段，这样就可以看远看近。 光线继续往里走会穿过玻璃体，玻璃体就是上图重要最大的部分，占了眼球内部4/5的空间，填充着透明的胶状物质，光线穿过这一大块 “透明果冻”，继续向眼球的后壁前进。 最后就是视网膜了，视网膜紧贴在眼球的整个后壁内侧，是光线的最后一站。 光线落到视网膜上成像，感光细胞把光信号转换成神经电信号，但这只是第一步。真正的处理，发生在视网膜的三层神经元结构里。 下图介绍了这三层各具特色功能的细胞层： 
1.感光细胞层：视觉的起点 这两圈有两种细胞：「ON 中心型」细胞和「OFF 中心型」细胞。 拿「ON 中心型」细胞举例，如果只有中心小圆被照亮：这个细胞会特别兴奋，疯狂发信号。 如果只有外围圆环被照亮，这个细胞会被压制，几乎不发信号。如果中心和周边一起全亮/全暗：兴奋和抑制抵消了，细胞基本没反应。 
举个例子，神经节细胞衰老死亡了一部分，假如信息压缩的比例超过了100:1，比如达到了1000:1，那么只有最粗大的明暗变化、最大块的轮廓能被保留，大量细节、细小特征被直接丢弃。 比如对面走过来一个人，你只能看出高矮胖瘦，分不清五官和表情；看书只能看到一行行模糊的黑块，认不出具体的字。 反过来，如果神经节细胞功能失调，压缩比例变成了10:1，那么压缩不足时，背景的每一块均匀亮度都在发信号，相当于画面里充满了 “噪点”，亮的地方不突出，暗的地方也不深，整体像蒙了一层薄雾。 比如我们看书上的字时，会觉得白纸发灰、字也不够黑，字和白纸的边界糊在一起。 下图就是压缩不足的示意图： 
下图是LGN的具体位置： 
它外形像微微弯曲的薄饼，内部有6层结构，分工极其明确： （1）第1、2层（大细胞层）：处理和运动、深度、物体大的轮廓特征等信息，反应速度快； （2）第3~6层（小细胞层）：处理和颜色、精细细节相关的信息，分辨率非常高； （3）左右眼的信号分层交替输入，在这一层还完全没有融合，各自独立传输。 1. 调控注意力 你专注看书时，周边的景物会自动 “变模糊”，不是它们真的不清楚了，而是大脑通过LGN抑制了周边视野的信号。 走神时的 “视而不见”，本质也是LGN把视觉信号调弱了。 2. 状态控制与梦境 睡着时LGN会大幅抑制视觉信号输入，让大脑休息。但它会留一小部分 “值班”：外界突然出现强光、亮度剧烈变化时，信号能突破抑制唤醒大脑 —— 这是演化出来的生存预警机制。 如果LGN完全停止工作，你不仅不会被光线叫醒，连彩色的梦都做不出来了。 3. 信息增强与降噪 LGN会进一步过滤背景噪声，强化关键的边缘、运动信号，让后续皮层处理更高效。 三、视皮层 V1~V4：从线条到形状的特征工厂 经过LGN分拣后的信号，最终抵达大脑枕叶的视皮层。这里是视觉信息的深度加工区，按层级分为 V1 到 V4 等区域，越往后，处理的特征越复杂，细胞专属感受工作区范围也越大。 1.V1（初级视皮层）：拆线条的车间 这是视觉信号进入大脑皮层的第一站，一层仅 2~3 毫米厚的神经组织，沿着大脑内侧的沟回折叠分布。 下图是它的形状和它在大脑中的位置： 
神经科学家Hubel和Wiesel正是在这里发现了特征检测细胞，拿下了 1981 年的诺贝尔奖。 V1里有三类核心细胞： 简单说，到了V1层，画面被彻底拆解成了不同朝向、不同长度的线条和边缘。 2.V2：拼轮廓的车间 V2紧挨着V1，它的任务是把零散的线条拼接成连续的轮廓和纹理边界。 比如一条虚线，在V1里是零散的线段，到V2就会被整合成一条完整的 “主观轮廓”。同时它还会处理颜色关系、深度线索，把局部特征归为同一物体。 3.V3：动态形状加工区 物体运动、旋转时，V3会整合不同位置、不同朝向的线条，让我们始终能识别出完整的形状，而不是碎片化的线条。 4.V4：颜色与复杂形状中心
四、颞下皮层（IT）：物体识别的终点站 信号从V4出发，进入颞叶下部的颞下皮层（Inferior Temporal Cortex，IT），这里就是视觉 “认出物体” 的最终环节。 下图是它的位置和形状： 
IT按加工深度分为后IT、中IT、前IT 三段，信号从后往前流动，就像一条拼图鉴定流水线： V4送来了一堆拼图碎块（曲线、尖角、色块），IT分三步把它拼成完整物体并定名。 第一步：后IT —— 碎块拼部件 只做局部拼接：把纹理、颜色匹配的形状碎片组合成部件。比如 “黄褐色、带细小凹坑的块面”“光滑的红色弧面”，到这一步只有零件，没有整体。 第二步：中IT —— 部件拼全图 把所有部件组装成完整、稳定的物体轮廓。 它最厉害的是恒常性表征：不管物体正放倒放、放大缩小、光照变化，它都能认出是同一个东西。土豆转半圈、离远一点，我们依然知道它是土豆，靠的就是这一层。 到这里，大脑已经得到了完整的物体外形，但还没给它贴上名字标签。 第三步：前IT —— 全图对图鉴 前IT里存储着我们从小到大见过的所有物体的「概念原型」—— 不是某一张具体的照片，而是抽象的特征集合。 它把拼好的完整形状和图鉴里的原型一一比对，匹配度最高的就是答案： “不规则团块 + 芽眼凹坑 + 黄褐色表皮” → 这是土豆。 没有哪个神经元单独负责 “认土豆”，而是一大群神经元各自检测一组特征，它们组合起来的激活模式，就对应一个物体。这套模式只用几十万神经元，就能识别我们见过的万事万物。 如果遇到从没见过的东西怎么办？大脑会立刻调动海马体和前额叶，快速学习。比如第一次见牛油果，你会觉得 “像个绿色的梨”；见过两三次后，IT 里就会建立起 “牛油果” 的独立原型，下次就能一眼认出。
多说一句：关于儿童大脑发育的误区 讲到这里，很多家长可能会想：既然原型建立这么快，那多给孩子报班、多旅游、多塞新东西，大脑不就发育得更快吗？ 这恰恰是最大的误区。大脑发育有自己的规律，过度刺激反而有害： 1.稳定的原型需要深度加工，走马观花没用 1-2次就能建立原型，指的是有注意力、有互动、有意义的接触。摸一摸、观察细节、动手画出来，才能有效强化神经连接；赶场式的打卡，看过就忘。 2.过度刺激会造成注意力过载 儿童前额叶尚未成熟，注意力容量有限。短时间塞太多新事物，大脑只会疲于应付，不仅无法深度加工，还会破坏专注力。 3.情绪安全是学习的前提 压力状态下释放的皮质醇，长期升高会损伤海马神经元，抑制前额叶发育。逼着学、赶场式上课，看似 “输入多”，实则在伤害大脑。比如逼着孩子学不喜欢的外语、赶场式上不感兴趣的兴趣班等，孩子累的无精打采，实则大脑皮层在不断地受到伤害刺激。 4.大脑需要留白：睡眠比不停学更重要 新突触生长、记忆巩固、原型整理，大多在睡眠中完成。白天接收到的信息，需要夜里大脑来 “归档”。日程排太满、睡眠不足，学再多也留不住。
写在最后 讲完这套从眼球到大脑的完整视觉链路，你大概就能理解： 我们随口一句 “这是土豆”，背后是演化百万年形成的、从边缘提取到形状组装再到概念匹配的精密系统。它有注意力调控、有恒常性补偿、有海量的生活常识做支撑，远不是简单的 “像素比对”。 那AI又是怎么识别图片的？它为什么会把土豆认成梨、把青菜看成腌菜干？它的视觉系统和人类到底差在哪？ 下一篇，我们就钻进AI的 “大脑”，把图像识别的底层逻辑讲透。 这是本公众号第6篇原创文章，后续会继续拆解AI技术的底层逻辑与跨界玩法～ 觉得有收获，欢迎点赞 + 在看，分享给同样对AI原理感兴趣的朋友。 关注我，下篇我们接着聊：AI到底是怎么 “看” 世界的。
这一层包含 1.2 亿个视杆细胞和 600-700 万个视锥细胞，分工完全不同：
- 视杆细胞：对弱光极其敏感，负责昏暗环境下的暗视觉。进电影院几秒就能适应黑暗，靠的就是它；
- 视锥细胞：只对强光起反应，负责明视觉、色彩分辨和细节识别。我们能看清小字、分辨五彩斑斓的世界，全靠视锥细胞。它的分辨率是视杆细胞的几十倍，先天性色盲，本质就是某类视锥细胞缺失。
2. 双极细胞层：信号中继与增强
这一层夹在感光细胞和输出层之间，负责初步整合信号，增强明暗对比、锐化物体边界，相当于给画面做了一次基础的 “清晰度优化”。
3. 神经节细胞层：视网膜的输出总站
这是视觉信号离开眼睛前的最后一站，也是最核心的处理环节，它主要做四件事：
① 提取边缘：只对明暗交界线敏感
每个神经节细胞都有自己的「感受野」—— 也就是它负责的一小块圆形视野，说白了就是它自己的工作范围。这个圆又分成中心小圆和外围圆环，两部分对光的反应完全相反，这就是著名的中心 - 周边拮抗感受野。
「OFF 中心型」中心暗、周边亮时最兴奋。与ON细胞反过来。如果全亮或全暗，兴奋和抑制相互抵消，它也不发信号。
下图是这两个细胞的工作原理介绍：
换句话说，均匀的亮和暗都会被视网膜直接过滤掉，只有物体的边缘、线条、明暗交界，才会被保留并传向大脑。
我们能看清文字，靠的就是黑色笔画和白色背景的边界不断触发细胞兴奋；如果整张纸全黑或全白，反而什么都 “看不见”—— 因为没有边缘，细胞不工作了。
② 100:1 超高倍率信息压缩
1 亿多个感光细胞的输入，最终只通过 120 万个神经节细胞输出，相当于直接完成了 100:1 的信息压缩。
大脑不需要原始像素，它只需要最关键的轮廓、边界、运动信息。压缩过度会模糊、细节丢失；压缩不足则画面充满噪点、畏光、识别疲劳。
③ 信息分流：两条通路并行传输
信号被打包成两路并行发送：M通路负责运动、轮廓、空间位置，反应快；P通路负责颜色、精细细节，分辨率高。
④ 调控瞳孔反射与昼夜节律
这部分属于视觉的附属功能，就不展开了。
到这里，一张完整的 “照片” 已经被视网膜拆解成了「边缘、线条、明暗、运动、颜色」的特征包，通过视神经发往大脑深处。
二、外侧膝状体（LGN）：被低估的视觉调度中心
视神经的信号，并不会直接抵达视觉皮层。它的第一站，是大脑深处两个豌豆大小的结构 ——外侧膝状体（Lateral Geniculate Nucleus, LGN），左右各一个，刚好卡在视觉通路的中段。
它非常有趣。它接收的信号里，只有约10%来自视网膜，剩下90%都来自大脑皮层的反向反馈。
换句话说，不是眼睛看到什么大脑就接收什么，而是大脑会主动告诉 LGN：什么该放大、什么该忽略。
它的核心功能远不止传信号：
- 简单细胞：只对特定朝向的直线 / 边缘起反应，比如有的只认竖线，有的只认 45° 斜线；
- 复杂细胞：细胞感受工作区更大，只要特定朝向的线条落在范围内，无论在哪个位置都能兴奋，还能检测运动方向；
- 超复杂细胞：对线条长度敏感，太长就会抑制反应，专门识别角、端点、拐点。
V4 有两个核心能力：
- 颜色恒常性：阳光下、阴影里、冷光暖光下，我们都能认出物体的 “本色”，靠的就是V4；
- 复杂形状加工：它能处理曲线、拐角、圆形、三角形等更复杂的二维形状，把基础线条组合成有意义的形状碎片，为最终的物体识别做好准备。
