Category selectivity in human visual cortex: beyond visual object recognition

这篇立场性综述（Peelen & Downing）当面质疑了"腹侧颞叶皮层（ventral temporal cortex, VTC）的类别选择组织是视觉物体识别系统产物"这一默认前提，提出类别选择区其实锚定在导航、社会认知、工具使用、阅读等更广的领域特异任务网络之中。文章短小但锋利，其说服力主要来自两类"反直觉"证据——无视觉输入时的类别选择活动、以及与视觉形状加工可解耦的类别反应——因此是理解当代类别选择区之争（视觉特征聚类说 vs 任务驱动的表征需求说）的必读坐标。

研究背景

人类 VTC 呈现清晰的类别选择式组织：面孔、身体、工具、场景、词、数字等类别分别由特定区域强烈偏好（如场景的 PPA、面孔的 FFA、身体的选择区、词形区 VWFA，甚至 2013 年才报告的数字区），这种排布在腹侧颞叶皮层规律而一致。但围绕这个"显然的"组织，基础问题其实仍未解决：它提供什么计算收益？在多大程度上是进化压力的产物？能否被还原成更简单的视觉特征偏好？类别选择区到底表征了偏好类别的什么信息？如何与其他脑区连接、如何贡献于行为、又如何发育？传统回答几乎都套用同一个框架：VTC 是物体识别通路（Goodale & Milner 1992 双流模型中的腹侧流）的后期阶段，任务是把低级视觉输入变换成对视角不变的物体描述子，再与记忆中的表征比对。在此框架内，物体形式拓扑图说（object-form topology）认为类别选择反应反映了类别相关视觉形状表征在 VTC 上的连续映射（Haxby 等 2000），场景区的偏好甚至可以还原到直角与主轴朝向等人造环境特征（Nasr & Tootell 2012，但 Bryan 等 2016 有异议）。

这套"识别中心论"近年因深度前馈神经网络的成功而重新走热：以目标标签训练的 DNN（如 Krizhevsky 等 2012）层次结构与 VTC 由后向前的表征相似性大致对应（Cichy 等 2016），深层表征线性组合后也能浮现类动—类静的类别组织（Khaligh-Razavi & Kriegeskorte 2014）。Leibo 等（2015）据此主张不同类别达成视角不变所需的不同计算算法会催生域特异区域，Grill-Spector 与 Weiner（2014）则主张聚集利于高层对类别信息的高效读出。作者并不否认 DNN 的价值，但认为"以前馈方式把像素变成不变物体身份"的模型不可能完整解释 VTC 的类别组织——缺口在于：识别之外的视觉功能（导航、读情绪、用工具、读文字）需要性质迥异的表征，而这部分需求的解剖后果从未被纳入解释。

研究思路

文章的论证结构是一个递进式反证：先摆出"物体识别框架"及其最强形态（DNN 计算相似性），再引入第三方证据逐条击穿"类别选择=视觉特征聚类"的等式，最后提出替代解释并给出可操作的后续研究纲领。核心概念转换借用 Marr（1982）的"What 与 How 之分"：要理解某区域包含什么表征，必须先问它所在系统的计算目标是什么；而 VTC 区块的目标应从其所属领域网络（如导航系统、工具使用系统、社会认知系统）的目标中读出。由此作者把类别选择区从"视觉层级顶端的一排相似节点"重新定位为"领域特异大网络中负责知觉接口的组成部件"：场景区表征与导航相关的空间布局（Epstein 2008），身体区表征可供动作与社会判断的体态构型（Downing & Peelen 2011），面孔区表征支持个体身份识别的面部件与构型（Freiwald 等 2016），工具区表征与使用动作相连的形状（Beauchamp 等 2002；Bracci & Peelen 2013；Perini 等 2014）——它们共用腹侧流的稳健、容忍无关变化的架构（Taylor & Downing 2011），但彼此编码格式高度特异，甚至不完全"视觉"。

方法

作为理论综述，本文不涉及被试与扫描手段的采集，其"方法"是对多来源证据的编排与筛选。作者调用了四类证据体系：一是训练与知识操纵研究——让被试动手学习把新异物体当工具使用后（Weisberg 等 2007），或仅改变对同一物体的判断类型、即判断工具用途类型 vs 判断常见存放地点（Perini 等 2014），看工具选择区（左枕颞外侧皮层, lateral occipitotemporal cortex, LOTC）在视觉输入不变时是否变化；二是形状—类别匹配设计——用精心配对的"蛇—绳"式刺激（视觉特征匹配、类别身份不同）经 fMRI 与 MEG 解码检验类别效应是否超出形状贡献（Bracci & Op de Beeck 2016；Proklova 等 2016；Kaiser 等 2016）；三是先天盲人研究——让从未有视觉经验的个体在听觉与触觉条件下完成类别任务，检验 VTC 选择性是否出现（Mahon 等 2009；He 等 2013；Peelen 等 2013；Wolbers 等 2011；Kitada 等 2014；Striem-Amit 等 2012）；四是连接组学与神经蓝图方法——用静息态与结构连接"指纹"预测 VTC 的类别偏好（Osher 等 2016；Saygin 等 2011、2016；Wang 等 2015）。每类证据都服务于同一个检验目标：把"视觉特征加工"与"类别归属认知"这两个混在一起的变量拆开。

主要结果

1. 类别选择反应可以与视觉特征加工解耦。同一批新异物体在训练前被动观看时不激活工具选择区，经动手训练成为"工具"后才激活左 LOTC 及顶叶、运动前区的工具使用网络（Weisberg 等 2007；图 2a）；等任务难度下，判断工具的动作类型（拧、捏）比判断物体常见位置更大地放大 LOTC 反应（Perini 等 2014）；简单几何图形若被解读为社会主体（如动画三角/方块的互动），同样唤起右梭状回的类社会反应（Castelli 等 2000；Martin & Weisberg 2003）。用蛇—绳式视觉匹配对已直接证实：扣除形状成分后 VTC 的类别选择性仍存（Proklova 等 2016；Bracci & Op de Beeck 2016；图 2b）。
2. 视觉输入与视觉经验并非多数类别选择反应的必要条件。先天盲人听到地表路标物与工具的词语时，VTC 出现与明眼人相似的选择性激活（He 等 2013；Mahon 等 2009；Peelen 等 2013；图 3a）；盲人以触觉探索微缩场景激活 PPA（Wolbers 等 2011），触觉身体知觉激活 EBA（Kitada 等 2014），用盲文或感官替代装置（sensory-substitution device, SSD，把图像转成"声音风景"）阅读激活 VWFA（Reich 等 2011；Striem-Amit 等 2012；图 3b）。
3. 这种"经验无关性"是分区块、分层次的，不是"皮层万能改道"。He 等（2013）在同一批盲人身上发现 PPA 的路标物选择性存在、而后部梭状回的动物选择性缺失；Wang 等（2015）比较盲/明眼人的功能与连接"指纹"发现：工具、身体、场景选择区在两组间几乎无法区分，而后部梭状回的类动选择区则随视觉经验显著分化。这提示后部梭状回可能表征主要"只能靠视觉获取"的属性，而其他区块编码的是跨模态可得的对象属性（如空间布局、体态、形状的非视觉编码；Peelen 等 2014）。作者更倾向后者——因为盲人的选择性区域与明眼人保持相似的全脑连接——否定了纯粹的"再利用/多模态接管"解释（Pascual-Leone & Hamilton 2001）。
4. 类别选择区与领域网络的连接结构先于并预测其选择性。VTC 类别区与其他脑区之间存在选择性连接（朝向表征、工具使用区、心理状态区等），且连接模式能准确预测类别选择（Saygin 等 2011、2016；Osher 等 2016）；换言之，"连接指纹"是类别选择发育的先行变量，位置是结果不是原因。
5. 各类别需要根本不同的表征维度，识别之外的功能才是组织原则。数字与字母需跨字体识别、导航需要边界与边缘而不在乎纹理颜色、个体身份对姿势不变而姿势对动作理解至关重要、工具表征必须区分近端与效应器端——"数字没有效应器；锤子没有字体；场景不摆姿势"。把这些自然类别的神经表征直接互比、且默认它们是同一视觉层级顶端的一排相似节点，在作者看来是"拿苹果比橘子"。

图注解读

图 1 · 视觉不止于物体识别：同一场景的四条加工路径

原文图注：Figure 1. Vision beyond object recognition. This figure illustrates several important functions that are supported by visual perception. These different functions (object recognition, object use, social cognition, navigation) each require a specific way of processing the contents of a scene. For example, perceiving objects with the goal to use these as tools ("object use") may require representing those objects in terms of their associated hand postures. In general, carrying out these diverse functions demands idiosyncratic representations of the kinds of visual stimuli that they typically involve. We argue that the need for these diverse kinds of representation -- that go beyond the need to encode object form in a view-, size- and location-invariant fashion -- offers an account of the presence and properties of numerous category-selective regions in the ventral temporal cortex.

图 1 是全文的立论示意图：用同一个含人、椅、杯、烛、餐巾、叉、桌的场景说明四种任务各取所需——物体识别要视角/尺寸/位置不变的形状描述，工具使用要抓握手势与效应器关系，社会认知要读人的动作与意图，导航要空间的边界与布局。图片元素（如全景中反复出现的 glass 一词）提示同一物体被不同任务以不同维度编码。它不是数据图，支撑的是"研究思路"一节的前提：多样化的任务性表征需求是类别选择区存在与性质的首位解释候选。

图 2 · 类别选择与视觉特征加工的两条解耦证据

原文图注：Figure 2. Category selectivity can be dissociated from visual feature processing. a. Response in tool-selective LOTC increased for objects that were perceived as tools after hands-on training to use these objects to perform tool-like tasks (Weisberg et al., 2007). T = Trained objects, NT = Not-trained objects. b. Selectivity for animals in ventral temporal cortex was preserved for visually matched object pairs, indicating that this selectivity is not fully driven by shape features (Proklova et al., 2016).

a 面板是 Weisberg 等（2007）的柱状对比：纵轴为工具选择 LOTC 的 fMRI 信号（0–0.5 区间），两两一组为训练前/后对已训练物体（T）与未训练物体（NT）的反应；读法是看"训练×物体"的交互——训练后 T 的柱显著高于 NT 与训练前，而视觉上 T 与 NT 本无差别，被动观看条件也排除了任务需求混淆。b 面板根据 Proklova 等（2016）画"偏好 vs 非偏好"类别在视觉匹配对刺激下的反应：若选择性纯由形状驱动，两柱应等高，实测偏好类更高，说明扣除了形状贡献后类别效应仍在。两个面板共同支撑结果第 1 条"解耦"。

图 3 · 先天盲人的类别选择活动

原文图注：Figure 3. Category-selective activity in congenitally blind individuals. a. Tool-selective LOTC-tool (defined in sighted participants using a standard visual localizer) responds more strongly to aurally presented names of tools (T) than to names of animals (A) and objects (O) (Peelen et al., 2013). b. Letter-selective VWFA (defined in sighted participants using a standard visual localizer) responds selectively when blind participants read letters using a sensory-substitution device that converts images to soundscapes (Striem-Amit et al., 2012).

a 面板报告盲人听词实验：局部化用的 LOTC-tool 区本身是用明眼人标准视觉定位器定义的，随后让盲人（与明眼人对照）听工具名（T，如 "spoon"）、动物名（A，如 "snail"）、一般物件名（O，如 "stool"）。读法是明眼人与盲人两组都呈现同样的"T > A、O"阶梯，盲人组中工具柱独高、动作幅度与明眼人相当——听觉词语让"从未看过工具"的皮层呈现出与视觉经验关联的选择性。b 面板报告 SSD 实验纵轴 0–1 的信号：盲人用把图像转成声音景观的装置"读"字母时，VWFA（同样以明眼人的视觉定位器界定）对字母选择性反应。两图共同支撑结果第 2 条：至少对这些类别，视觉输入与视觉经验不是类别选择的先决条件。

讨论

作者把讨论的重心放在"如何重新提问"上。既然类别选择区的表征格式高度特异——导航编码布局、社会认知编码表情与动作、阅读编码笔画与正字法——那么继续把所有区块塞进同一个"视角不变物体身份"的框架既浪费了差异信息，也误导计算建模：以物体识别为目标训练的 DNN 即便在表示相似性上与腹侧流相关，其深层表征也不必也未必对应各区块的实际编码格式。作者援引 Marr 的层次说，主张解释类别选择必须从所在系统的计算目标出发，而这为目标驱动的计算模型指了另一条路：训练 DNN 去做导航、阅读、社会推理而非逐像素的物体标签。局限方面文中着墨有限但可推断：其一，文中的解耦证据（工具训练、蛇—绳配对）主要覆盖工具与动物类，面孔、词、数字等类别在同精度下的形状—类别解耦仍待直接检验；其二，先天盲人的证据虽排除了"视觉必需"，但用何种跨模态机制获得这些表征（纯功能重组还是非模态编码先天存在）文中承认仍属开放，作者自己也在"非视觉表征究竟是什么"处标注"需要更多研究"；其三，观点是选择就伴随之解释——文中对"物体识别框架内部的其他变体"（如 Leibo 等的不变性假说推论）未做逐一的形式化反驳。整篇文章的对话对象包括 Mahon & Caramazza（2011）的领域知识组织说、Martin（2007）的分布式语义网络说、Price & Devlin（2011）的交互阅读假说等，作者明确把自己定位为这条"网络驱动"路线的整合者。

一句话总结

这篇综述在我看来最有力的一点，是把"盲人脑中为何有 PPA/VWFA 选择性"从奇闻轶事升格为对整个物体识别框架的反例式证据；它没有否定视觉特征的作用，而是逼你回答一个不同的问题——特征聚合是为谁的服务而聚合。若要挑剔，它给出的替代解释仍停留在纲领阶段：哪些区块按哪种格式编码、能否用来预测新的选择性边界，文中未详述，留给了后续任务驱动建模去做。