Object representation in inferior temporal cortex is organized hierarchically in a mosaic-like structure

一句话定位：这篇文章在猴前部下颞叶（inferior temporal, IT）皮层表面做了大面积的密集多电极记录，把上百个位点的物体响应向量拿去做聚类，发现 IT 皮层在"特征柱"之上还存在跨数毫米的"域"（domain），域内又藏着对类内不同样本调谐各异的位点。它用直接的神经电信号，在 fMRI 的"模块说"与光学成像的"分布式编码说"之间搭起一座桥：IT 皮层像马赛克——整幅拼图共享类别响应，每枚小瓷片却各管一个局部特征。

研究背景

物体识别的皮层基础到底是什么样的组织形式？当时有两派主导模型。模块表征模型（modular representation model）主张识别信息按类别由专门模块串行提取，猴 fMRI 研究发现的面孔特异性斑块（face patches）与躯体专属区是其主要证据，甚至还有证据表明这些斑块之间存在选择性连接。分布式表征模型（distributed representation model）则认为视觉系统提取的是物体识别所需的一般性视觉特征，物体由特征组合来表征；支持它的光学内信号成像（optical intrinsic signal imaging, OISI）研究显示，各类物体（包括面孔）都激活 IT 皮层上多个直径约 0.5 mm 的离散位点，不同物体激活的位点组合不同，而且这些位点被认为对应表征视觉特征的"特征柱"（feature columns）。

两派看似矛盾，而当时的证据来源却很难裁决：fMRI 和 OISI 依赖的都是代谢信号而非直接的神经活动，信号的大小与空间弥散可能受血流动力学过程影响，分辨率限制也让结论弹性很大。也就是说，支持"模块"的一方不能证明模块的内部构造，支持"分布式"的一方也不能排除模块的存在。究竟是 IT 皮层的某些部分构成模块、另一些是分布式表征，还是观察到的模块本身就是由特征柱拼装起来的？这仍是理解物体识别绕不开的悬案。

研究思路

作者的总体策略是绕开代谢信号，用密集的、不带预设类别对比的大范围电生理记录直接测神经活动。具体逻辑链分三步：第一，给每个记录位点生成一个"刺激响应向量"（stimulus response vector，即该位点对全部刺激的平均响应排成的数组），以位点间响应向量的相关系数作为相似度做聚类；第二，把聚类结果映射回皮层表面，看相似位点是否在空间上连成一片——如果是，那就是大于柱尺度的"域"；第三，深入域内做逐位点分析，考察同一域内的位点在类内样本水平（如猴脸 vs 人脸、正常脸 vs 打乱脸）上是否调谐一致，再用 OISI 把电生理位点与已知的特征柱激活斑对应起来。这一设计的关键在于不先验地预设"脸 vs 非脸"之类的对比，聚类是从数据里"长"出来的，因此能同时检验两种模型的证据形态。

方法

实验层面，研究用了三只雄性恒河猴（Macaca mulatta）的三个右半球（H1、H2、H3），全程在深麻醉下进行（记录期间以维库溴铵麻痹并人工呼吸，芬太尼镇痛）。记录腔定位于前部 IT 皮层（大致在上颞沟 STS 下方、颞中沟前段附近，腔中心约在前耳道前方 15–20 mm 处，属 TEad 一带），术后用离体脑确认解剖位置。电生理记录使用三根间距约 150 μm 的钨丝电极捆成的电极束垂直穿刺皮层，在每个穿刺点从发现首个放电的深度（记为 0）起每 300 μm 记录至 1200 μm 共 5 个深度，每次推进后等 30 分钟稳定；多单元活动（multiunit activity, MU）以背景噪声 3.5 倍标准差判峰，每个刺激 12 试次，反应为刺激起始后 80 ms 起 500 ms 的平均放电率减去刺激前 500 ms 基线，最后把 3 电极 × 5 深度的 15 个 MU 平均成该位点的"局部活动"——如此取平均有依据：作者引用其 2009 年的工作表明，同一柱状区域内细胞具有共同响应属性，池化即得柱响应。刺激集 A（H1、H2）含 104 张图像、7 个类别（正常面孔 16、打乱面孔 8、手 16、猴身体 16、非灵长类动物身体 16、食物蔬菜 16、人造物 16）；补注：面孔与手仅含彩色与剪影两版，无单色版。

分析层面，以 1−相关系数为距离做层次聚类（complete linkage），阈值取两两相关显著（单侧 Pearson 检验 p≤0.05）对应的距离（104 个刺激时显著相关为 0.16、阈值距离 0.84），每个半球的位点由此聚成 7–8 组；再用 k-means 与变分贝叶斯高斯混合（variational Bayesian mixture of Gaussians, VB-MoG）两种方法交叉验证。空间聚集性用置换检验（permutation test）定量：把组内成员随机重排到全皮层记录位点位置 1 万次，看真实组内平均空间距离是否落入随机分布的最低 5%。OISI 方面，以 605 nm 波长光照皮层、CCD 相机拍摄 6.4×4.8 mm 区域，25 个刺激加 2 个空白屏随机呈现、每刺激每轮重复 32 次，只保留在两个不同日期一致出现的激活斑点（activity spots）做后续对照。

主要结果

1. IT 皮层存在稳定的"域"结构。层次聚类把位点聚成 H1 七组、H2 八组、H3 七组，且每组成员在皮层表面就近分布：组内位点平均空间距离 H1 为 2.12 mm、H2 为 2.22 mm、H3 为 2.58 mm，均显著小于随机重排的距离（置换检验 10000 次，p<0.05）。这个尺度远大于 0.5 mm 的特征柱（图 2）。聚类结果对方法（k-means、VB-MoG，图 4）与刺激子集（图 3）稳健，H3 用完全不同的刺激集（含彩色、单色、剪影）也得出相似的空间格局，说明"域"是稳定结构而非刺激集选择的产物。

2. 一些域对特定类别敏感。H1 的 Domain I 明显偏好面孔：最佳 5 个刺激里 4 个是猴脸，全部面孔刺激落在调谐曲线前 34%，面孔（16 个）与非脸（80 个）响应差异 t 检验 p=3.2×10⁻¹³；Domain II 也偏好面孔但特异度稍弱（p=1.1×10⁻⁹）；Domain III 偏好猴身体（猴身体图像全落前 41%，p=4.5×10⁻¹⁰）。同时存在面孔诱发最弱响应的"反面孔域"（anti-face domains）：H1 的 Domain IV 最差 4 个刺激全是猴脸，最差 30% 覆盖全部面孔刺激（面孔 vs 非脸，p=2.7×10⁻¹¹），H2 的 Domain V、H3 的 Domain VI 类似（图 5A、B，图 6A）。H3 的方差分析（99 个有彩色/单色/剪影三版的刺激）显示除 Domain I 外各域均不受低层特征（颜色、轮廓）显著调制，而 Domain I 在这 99 个刺激中的最佳响应仅 13.0 spikes/s，远低于其面孔响应（猴脸 46.4、人脸 33.7 spikes/s，面孔刺激未纳入 ANOVA），因此所有域都难以用低层特征解释。

3. 域内调谐并非铁板一块，而是嵌着特征柱。面孔域内全部位点（H1 16 个、H2 19 个）都显著偏向面孔胜过非脸（各自 t 检验 p<0.05），说明域级选择性不是少数强响应位点的产物；但逐位点看，猴脸 vs 人脸、正常脸 vs 打乱脸的偏好在位点之间不一：H1 有 6 个、H2 有 5 个位点显著更爱猴脸，H1 的 Site Q 与 H2 的 3 个位点更爱人脸；正常脸 vs 打乱脸的对比中，大多数位点（H1 12/16、H2 17/19）无显著差异，仅少数位点显著偏好正常脸（可能表征面孔整体构型）。作者由此推断每个域由表征面孔不同局部特征的柱组成（图 7、图 8）。反面孔域内所有位点的面孔响应都显著弱于非脸，但其"弱"的程度也被亚类调制（H1 4/7、H2 2/5 的位点在人脸与猴脸间有显著差异；H1 两位点在正常脸与打乱脸间有显著差异），同样带异质性（图 9）。

4. OISI 激活斑与域内位点对应，斑尺寸与已知特征柱一致。OISI 显示物体诱发的活动斑点集中在域内，斑点直径 0.49±0.07 mm（n=14），与既往报道的 IT 特征柱尺寸（约 0.5 mm，Fujita 等 1992）吻合；H1 有 14 个、H2 有 11 个域内记录位点被鉴定为活动斑。面孔在面孔域内激发斑点，而斑马、瓶子等非脸物体在该域内激活甚弱；更重要的是，同一域内不同面孔激发的斑点图案互不相同（位点 M 对应的斑点只被三张脸中的一张清晰激活），印证域内异质性确由柱级特征所致（图 10）。

5. 响应相似度按"点内-域内-域间"单调衰减。把距离 ≤1 mm 的 MU 对按三种来源分类后发现：同一位点内部 MU 对的相关系数最高，同域不同位点次之，跨域最低——两两差异都显著（Wilcoxon rank-sum 检验，p<1.0×10⁻¹⁶，H1 与 H2 均如此）。排除了"物理距离"这一混淆后，这一梯度意味着皮层从单细胞 → 柱 → 域的层级组织中，调谐相似性在越小尺度上越高（图 11）。

图注解读

图 1 · 记录区解剖定位与物体刺激集

原文图注：Figure 1. Recording area and object stimulus sets. A, The coordinates of the major sulci in lateral view of the brain (H1) reconstructed from the coronal sections obtained by MRI. The circle in broken line gives the location of the recording chamber. B, The representative MRI section at anterior–posterior (AP) 17.8 mm (red line in A) relative to ear canal. C, The lateral views of the postmortem brains (H1, H2, and H3) where the location of chamber (circle in broken line) and MU recording area within the chamber (shaded area; see also Fig. 2B,D,F) were indicated. In A–C, LF, Lateral fissure; IOS, inferior occipital sulcus; PMTS, posterior middle temporal sulcus; STS, superior temporal sulcus; AMTS, anterior middle temporal sulcus; DV, dorsoventral location relative to ear canal. D, E, The stimulus sets for H1 and H2 (D), and for H3 (E). Red circle, blue triangle, and green square represent face, monkey body, and animal body categories, respectively. ……（下略）

这张图前半（A–C）交代解剖：靠 MRI 重建把主要脑沟标在半球外侧面，画出示记录腔的位置，再用三只猴的离体脑核对腔位与多单元记录覆盖区，说明记录确实落在前部 IT（TEad 一带）而非别处。后半（D–G）交代刺激：D、E 分别是给 H1/H2 与 H3 用的两大套图像，红圈、蓝三角、绿方块三种符号分别标记面孔、猴身体、动物身体三类并在后文沿用；F、G 是 OISI 实验用的各 25 个刺激子集。读图时先记住这几套刺激的类别构成，后面所有调谐曲线和聚类图都以它们为横轴。此图是"战场地图"，为后续所有空间结论提供解剖底座。

图 2 · 域结构的发现：层次聚类与皮层映射

原文图注：Figure 2. Hierarchical clustering and cortical mapping for three hemispheres. A, C, E, Dendrograms obtained by the hierarchical clustering of recording sites based on similarity in stimulus response vectors for H1 (A), H2 (C), and H3 (E). The vertical axis, similarity distances [1 − correlation coefficient (r)]. Horizontal axis, recording sites sorted by the similarity distances. IDs of recording sites are given in Roman letters (A–mm) and used consistently throughout the paper. The broken horizontal red lines represent the threshold for statistically significant correlations between two sites (p ≤ 0.05). We used this threshold to define groups of sites with similar stimulus response vectors: the branches below the threshold indicate grouped sites. ……（下略）

这篇文章的核心图。左边（A、C、E）是三个半球的层次聚类树：横轴是记录位点、纵轴是 1−相关系数（越往下越相似），红色虚线截在"两两相关显著对应的距离"处，低于线的枝上位点算一组。右边（B、D、F）把同一组的位点画回皮层表面（每三个相邻黑点代表一个记录位点），结果分布不是散落而是各自聚拢成片。两条信息合起来即是"域"：响应向量相似且空间连续。统计保证来自置换检验，组内平均距离 2.12、2.22、2.58 mm 都显著小于随机（p<0.05）。本文"柱之上还有更大尺度结构"的全部叙述以这张图为基准。

图 3 · 换刺激子集聚出同样的格局

原文图注：Figure 3. Hierarchical clustering with stimulus subsets in H1. A, Subsets (I and II) of the stimulus set in Figure 1D. B, C, the results of the hierarchical clustering with the Subsets I (B) and II (C). The color for each site indicates the group assigned to the site by the hierarchical clustering with each stimulus subset. D, The same figure as Figure 2B for comparison.

这是一张稳健性检验图。作者把 104 个刺激拆成两个不同侧重的子集分别重新聚类，得到 B、C 两幅皮层映射，再与使用全部刺激的 D 对照。三幅彩色地图的格局基本一致，说明域结构不是被某个具体刺激刻意"挑"出来的，响应向量聚类描出的就是皮层的空间组织。读图时不必细究分组归属，看到三幅图彼此一致即为该图目的。它支撑上文第 1 条结论：域是稳定且可重复的结构。

图 4 · k-means 与 VB-MoG 复核

原文图注：Figure 4. The results of different clustering analyses. A–F, Resulting grouping of sites is indicated on the cortical surface using the same color for sites belonging to each group in H1 (A, B), H2 (C, D), and H3 (E, F). The analyses were k-means clustering (A, C, E) and clustering using the VB-MoG (B, D, F). Other conventions are the same as in Figure 2, B, D, and F.

这是另一张稳健性检验图。层次聚类有对距离度量与停止阈值的任意性，为排除这一点，作者改用 k-means（A、C、E，组数沿用层次聚类的结果）与 VB-MoG（B、D、F，自动估计组数与组边界）两种替代方法再聚类，把结果画回皮层。与图 2 的 B、D、F 对照，组边界大体一致。读图时直接对照图 2B/D/F 与本图同位置的色块即可，看不出大出入就是这张图要说的全部。它与图 3 一起守护第 1 条结论"域结构对方法稳健"。

图 5 · H1 与 H2 各域的物体调谐曲线

原文图注：Figure 5. Object tuning curves of domains in H1 (A) and H2 (B). Domains are in accordance with the hierarchical clustering in Figure 2A,C. Horizontal axes give object stimuli in ranked order (n = 104) and vertical axes give responses evoked by the stimuli. In each panel, red circles, blue triangles, and green squares, represent face, monkey body, and animal body categories, respectively (see Fig. 1D). Other object categories (scrambled face, monkey hand, food and vegetable, and man-made object) are indicated by small black dots. Shaded area in each panel represents estimated trial-by-trial SD calculated according to a previous study (Sato et al., 2009). The rectangular boxes below the horizontal axis give the best five (the box with solid line) and the worst five (the box with broken line) stimuli. ……（下略）

读法：每个小面板是一个域，横轴为 104 个刺激按响应强度排序、纵轴为平均响应；红圈=面孔、蓝三角=猴身体、绿方块=动物身体、黑点=其余类别，阴影是试次估计的标准差，实线框标最佳 5 个刺激、虚线框标最差 5 个。调谐曲线的形状一眼就能看出该域"偏爱什么"。例如 H1 Domain I 面板里红圈集中在响应最强的一端，最佳 5 个刺激里 4 个是猴脸；而 H1 Domain IV 中红圈全部落在响应最弱的一端——面孔是它最不敏感的刺激。这张图支撑第 2 条结论，即面孔域、猴身体域、反面孔域的类别化行为，也给出"前 34%/前 41%/后 30%"这类定量描述的图形来源。

图 6 · H3 各域的调谐曲线与低层特征检查

原文图注：Figure 6. Stimulus tuning curves for domains in H3. A, Object tuning curves, where conventions of colored symbols are the same as those in Figure 5, namely, face, monkey body, and animal body categories. Domains are in accordance with the hierarchical clustering in Figure 2E. B, The same tuning curves in A except for the conventions of colored symbols. In B, magenta circles, cyan triangles, and black squares indicate colored, monochrome, and silhouette versions of stimuli, respectively (see Fig. 1E). Horizontal axes give stimuli in ranked order (n = 112) and vertical axes give responses evoked by the stimuli. Other conventions in A and B are the same as in Figure 5.

H3 用了另一套 112 刺激集，这张图做两件事。A 是与图 5 相同符号的类别版调谐曲线，承载 H3 的主要结论——Domain I 与 II 偏好面孔、Domain VI 是反面孔域、Domain III 可能偏好猴身体。B 换一套符号专门检验低层特征：同一物体以彩色（品红圈）、单色（青三角）、剪影（黑方块）三版出现，如果某域的调谐主要由颜色或轮廓驱动，三种符号在曲线内应系统性分离；结果除 Domain I 外未见显著主效应，且 Domain I 在这 99 个三版本刺激中的最佳响应仅 13.0 spikes/s，远低于面孔响应。这就是对"域只是反映颜色/形状维度"这一替代解释的否证，支撑第 2 条结论的后半部分。

图 7 · 域内逐位点的响应全景图

原文图注：Figure 7. Common and heterogeneous object selectivity within domains. A, B, Evoked responses of individual recording sites to different objects ordered in categories for H1 (A) and H2 (B). Color indicates site-by-site evoked responses that were normalized with the maximum response across the objects within individual sites. The vertical axis represents the site IDs defined in Figure 2. The horizontal axis shows 104 stimuli arranged category by category (see Fig. 1D). The domains are in accordance with the hierarchical clustering in Figure 2A,C.

这是一张热图：行是逐个记录位点（对齐图 2 的域编号），列是按类别排序的 104 个刺激，颜色为每个位点归一化后的响应强弱。读图要点是先纵向看面孔那一列的色带——面孔域内每位点在面孔列都亮（共同性）；再横向扫 16 张脸，会发现亮度的图案并不相同（异质性）。这张图是第 3 条结论的直观底版：域内既有共性（都爱面孔）也藏着由位点间差异组成的细纹理，并预演了图 8 的逐对比较。

图 8 · 面孔域内的亚类选择性异质性

原文图注：Figure 8. Heterogeneous selectivity within face domains. A, B, Spatial patterns of sites with differential responses to monkey and human face subcategories for H1 (A) and H2 (B). Sites within face domains (Domain I in both H1 and H2) determined by the hierarchical clustering are plotted (Fig.2B,D). Circles represent the sites showing significantly stronger evoked responses to monkey faces than human faces (t test, p ≤ 0.05). Squares indicate stronger sites to human faces than monkey faces (t test, p ≤ 0.05). Triangles indicate no significant difference between monkey and human faces. C, D, Spatial patterns of sites with differential responses to normal face and scrambled face subcategories in face domains for H1 (C) and H2 (D). Circles represent the sites showing significantly stronger evoked responses to normal faces than to scrambled faces (t test, p ≤ 0.05). ……（下略）

这张图把第 3 条结论落到实处。前四个面板（A–D）画的是面孔域内的皮层地图：圆圈=显著更爱猴脸（或正常脸）的位点，方块=显著更爱人脸（或打乱脸）的位点，三角=无显著差异。读图时看到三种符号混在同一个面孔域里、"猴脸偏好者"在 H1 里略偏向域的前部而在 H2 里杂乱无章，即可确认亚类调谐在域内确有差异但不规则成簇。下半 E、F 两栏给出代表性位点的分类别响应条形图，样本为两半球面孔域内共 35 个位点，括号里的百分数是各选择类型位点的占比——"大多数位点对正常脸与打乱脸无差异"这一关键数字就出自 F。作者据此说：面孔域是"面孔相关特征的集市"，而不是一整块一模一样的面孔探测器。

图 9 · 反面孔域内同样存在异质性

原文图注：Figure 9. Heterogeneous selectivity within anti-face domains. A, B, Spatial patterns of sites with differential responses to monkey and human faces in anti-face domains for H1 (A) and H2 (B). C, D, Spatial patterns of responses to normal faces and to scrambled faces in anti-face domains for H1 (C) and H2 (D). Conventions are the same as in Figure 8A–D. E, F, Representative sites in anti-face domains showing differential selectivity for human and monkey faces (E) and for normal and scrambled faces (F). Conventions are the same as in Figure 8E,F.

反面孔域是本文故事的另一面。这里所有位点对脸的响应都显著弱于非脸——但"弱"的程度不均：A、B 显示人脸 vs 猴脸在域内个别位点上仍有显著差异（H1 4/7、H2 2/5），C、D 显示正常脸 vs 打乱脸在 H1 有两位点差异显著。符号约定与图 8 完全一致，只是方向换成"对哪类脸最不敏感"。读法与图 8 相同：看符号是否混排、看 E、F 示例曲线里脸的响应是否压在底部。这张图支撑第 3 条结论中"域内异质性不是面孔域专属"的一半，也让反面孔域不至于被理解成"一小撮对抗面孔的细胞"，而更像由若干共享"面孔最弱响应"属性的特征柱组成。

图 10 · 域与特征柱的关系：OISI 对位证据

原文图注：Figure 10. Relationship of domains to feature columns. A–D, Spatial patterns of intrinsic signals elicited by objects (lower right insets) in H1 (A, B) and H2 (C, D). B and D represent magnified views of representative sites in A and C, respectively. Color indicates p value representing statistically significant difference between trials with stimulus and trials without stimulus (blank screens; t test, p ≤ 0.01). The shaded regions represent an anti-face domain in green and face domain in pink determined by the hierarchical clustering (Fig. 2B,D). Electrophysiological recording sites are indicated by black dots as in Figure 2B,D.

这是"柱与域合体"的关键图。四张内源信号图以 p 值着色，叠上两类标注：粉色阴影是被层次聚类判定的面孔域、绿色是反面孔域，黑点是电生理记录位点，右下角插图显示当时呈现的刺激。读图时先看是哪个刺激，再看皮层上哪些位置显著变暗：面孔刺激在粉色面孔域内点亮几个斑点（平均直径 0.49±0.07 mm，n=14），且不同面孔点亮的斑位置不同——位点 M 对应的斑只被三张脸中的一张清晰激活；而斑马、瓶子这类非脸物体在面孔域内几乎不产生显著激活。这些证据把第 3、4 条结果连起来：域由多个特征柱构成，每个柱只对类别内的部分样本敏感；H1 有 14 个、H2 有 11 个记录位点被鉴定为活动斑。

图 11 · 单细胞-柱-域三层级的相关系数分布

原文图注：Figure 11. Relationship among MUs within site, within domain, and across domains. A, B, The distribution of MU pairs against correlation coefficient between their stimulus response vectors in H1 (A) and H2 (B). Only the MU pairs with the distance ≤ 1 mm are counted to ensure that the response similarity was due to local (presumably columnar) structure rather than simply proximity. We plotted MU pairs taken from within a site (blue), different sites but in the same domain (green), and different domains (red) separately. Vertical axis, frequency of MU pairs with the correlation coefficient indicated in horizontal axis.

这张图用分布直方图呈现层级组织。横轴是两支 MU 响应向量的相关系数，纵轴是配对频数，三种来源分色：同一位点内（蓝）、同域不同位点（绿）、跨域（红）。读图要点：蓝峰最右（相关最高），绿峰居中，红峰最左，两两比较均为 Wilcoxon rank-sum 检验显著（p<1.0×10⁻¹⁶，H1 与 H2 皆然）。注意"只取距离 ≤1 mm 的配对"这一过滤——它排除了"距离近所以相似"的物理邻近解释，使绿与红的差异只能归因于组织结构。这张图一并支撑第 5 条结论：同一柱内相似度最高、同域内次之、跨域更低，层级结构从小尺度到大尺度逐步"松开"。

讨论

作者把全部结果解读为一种马赛克式的层级组织：域是整幅大图，特征柱是其中一枚枚局部不同的瓷片；既往 fMRI 所说的"斑块"（patch）与本文的"域"其实是同一事物在不同空间分辨率下的样子。这也解释了此前文献的一处谜案——Kriegeskorte 等（2008）发现人下颞叶 BOLD 信号的不相似度结构与猴 IT 单单元记录的惊人相似，原因可能是随机在域内取样（电生理的常态）与把整域平均（单个体素 BOLD 的常态）都会得到相同的类别选择性画面。与 Tsao 等的面孔斑块对话也很直接：本研究面孔域的空间范围与 fMRI 面孔斑块（约 16 mm²）在同一量级，位置上可能对应其命名的 AL 斑块；值得注意的是，或许可以解释或'作者推测可能源于'，与原文推测语气对齐。作者也坦承局限：某域"偏爱什么类别"的描述依赖刺激集，反面孔域真正偏好的类别可能不在其 104 个刺激之内（虽然"面孔一致诱发最弱响应"这一点说明其偏好类别肯定不含面孔特征）；每位点具体表征什么特征有待未来鉴定；H2 与 H3 的猴身体域也只是部分成立的候选。

作者还把这类结构提升为可能的一般原则：既然柱可视为皮层的通用功能单元，马赛克式的大区域或许也是 IT 皮层乃至更广皮层的通行组织方式——Harada 等（2009）的 fMRI 显示色敏感区在 IT 内也呈聚集分布（位置比本文记录区更腹侧），Pinsk 等（2005）报道的身体部位激活区可能与本文的猴身体域对应。这些讨论与作者团队自己的特征柱系列工作（Wang 等 1996/1998、Tsunoda 等 2001、Sato 等 2009）一脉相承，把"分布式编码"的精细共识装进了类别化的大格子里。

一句话总结

在我的理解里，这篇文章的精髓不是又一次证认了"面孔区"，而是给"模块 vs 分布式"这个多年二选一提供了第三种答案：二者在 IT 皮层上是嵌套关系——域级模块由特征级分布式编码拼成。这种嵌套还自带解释力，从"为什么 fMRI 与 0.5 mm 尺度的光学成像看到的东西不矛盾"到"为什么 BOLD 与单细胞记录的表征几何相似"，都可用同一张马赛克说明。读它时要记得其局限：域"偏好什么"完全由刺激集勾画，104 张图像之外的类别是看不见的；但这并不影响它把两派证据整合进一个自洽框架的价值。