标准化的人类测试表明，大多数视觉模型都存在“脸盲”现象

人类的面孔识别能力存在极大的个体差异。面孔失认症（prosopagnosia）患者甚至难以识别亲近的家庭成员，而超级识别者则能够以极高的准确率辨认陌生人。那么，人工神经网络（ANNs）在这一人类面孔识别能力谱系中处于什么位置？在本研究中，我们将用于表征人类面孔识别能力的标准化测试施用于一组具有多样性的模型，从而能够将模型的表现置于人类行为分布的背景下进行理解。我们发现，55%的模型可被归类为面孔失认型；即使是接受了最佳面孔训练的模型，其表现也未达到人类所设定的超级识别者阈值。对这些模型内部表征的分析表明，在标准化面孔识别任务中表现良好的模型具有更强的身份选择性，并且对视角变化更加不变。我们还发现，表现较差的模型仍然在相互独立的表征子空间中包含一定的身份信息。去除依赖视角的子空间后，在所测试的53个模型中，有49个模型的面孔识别能力得到提升。针对性的单元消融分析进一步揭示了相互对立的贡献：依赖视角的单元会干扰身份编码，而具有视角容忍性的单元则有助于身份编码。总体而言，我们的结果表明，大多数人工智能模型都属于面孔失认型，其面孔识别能力低于人类；同时，模型之间的差异还可用于提出关于人类面孔识别计算基础的、可检验的假设，并可在未来研究中对这些假设进行探究。

人类之间的面孔识别能力存在巨大差异。患有面孔失认症（脸盲症）的人甚至难以识别自己的近亲，而超级识别者则能够以非凡的准确率识别陌生人。人工神经网络（ANN）在人类面孔识别能力谱系中处于什么位置？在本研究中，我们向一组具有多样性的模型施测了用于刻画人类面孔识别能力的标准化测试，从而能够将模型的表现置于人类行为分布的背景下进行解读。我们发现，55%的模型可被归类为脸盲；即使是经过面孔训练的最佳模型，其表现也未达到被视为超级识别者的人类阈值。对这些模型内部表征的考察表明，在标准化面孔识别任务中表现良好的模型具有更强的身份选择性，并且对视角变化更加不变。我们还发现，表现较差的模型在彼此独立的表征子空间中仍然包含一定的身份信息。在所测试的53个模型中，去除依赖视角的子空间后，有49个模型的面孔识别能力得到提升。进一步的定向单元消融实验确定了方向相反的作用：依赖视角的单元会干扰身份编码，而具有视角容忍性的单元则支持身份编码。总体而言，我们的结果表明，大多数人工智能模型都属于脸盲，其面孔识别能力弱于人类；同时，人工智能模型之间的差异还可用于提出关于人类面孔识别计算基础的可检验假设，并可在未来的研究中加以探究。

感谢您有兴趣传播 bioRxiv 的相关信息。

注意：系统要求提供您的电子邮箱地址，仅用于确认您是本文的发送者。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.18.750666v1?rss=1

🏷️ 面孔识别 人工神经网络 面孔失认症 身份表征 视角不变性 单元消融