让机器和人类的视觉认知在不同抽象层次上保持一致

尽管深度学习推动了人工智能（如自然语言处理和计算机视觉）的快速发展，但即使最先进的系统也常出现人类不会犯的错误，例如在数据分布偏移时性能显著下降，或预测错误时仍过度自信，引发关于其是否缺乏人类智能核心要素的争论。研究指出，视觉模型与人类之间存在关键错位：人类概念知识具有从细粒度到粗粒度的层级结构（如以“有生命性”等全局特征组织，同时包含细微语义关系的精细尺度），而模型表征难以系统捕捉这种多层级抽象关系。

为解决这一问题，研究团队提出了一套方法：首先，利用少量人类判断数据（如THINGS数据集）训练代理教师模型——通过仿射变换和不确定性蒸馏，使模型的表征空间与人类相似性判断对齐，能模拟人类对三元组“找不同”任务的选择及不确定性。接着，基于教师模型对ImageNet图像的表征进行聚类，生成大量具有人类对齐相似性结构的合成数据（AligNet数据集）。最后，使用该数据集通过KL散度损失函数微调多种视觉基础模型（如ViT、DINOv2等）。

实验结果表明，对齐后的模型在认知科学任务上与人类判断的一致性显著提升：在新构建的Levels数据集（涵盖全局粗粒度、局部细粒度及类别边界三个抽象层级）中，全局粗粒度任务准确率从基础模型的36.09%-57.38%提升至65.70%-68.56%，超过人类间一致性水平（61.92%）；模型不确定性（三元组相似度熵）与人类反应时间的相关性在粗粒度层级从-0.014-0.184提升至0.479-0.506。此外，对齐模型在机器学习任务中表现更优：单样本分类（仅一个标签示例）在多数数据集（32/40）性能提升，如DINOv2在Pets数据集上提升2.7倍；面对分布偏移（BREEDS基准）和对抗样本（ImageNet-A）时鲁棒性增强，部分任务相对提升达123%。

研究证实，向神经网络注入人类知识可实现“两全其美”的表征——既贴合人类认知判断，又具备实用价值，为构建更稳健、可解释的类人人工智能系统奠定了基础。同时指出，当前模型未考虑上下文和个体认知差异，未来可探索如何学习人类知识而不模仿其局限性。