Złudzenie optyczne pokazało ograniczenie testowanych modeli AI

Badacze York University sprawdzili, jak widzenie komputerowe odwzorowuje złudzenie optyczne. Testowane modele AI nie odtworzyły wpływu wcześniejszego ruchu na ocenę położenia obiektu.

.Zespół kanadyjskiego York University porównał reakcje ludzi, aktywność neuronów makaków i wyniki modeli sztucznej inteligencji. Pracę opublikowano 2 października 2026 r. w „Current Biology”. Pierwszą autorką jest Elizaveta Yakubovskaya, a współautorem Kohitij Kar, badacz neuronauki wzrokowej.

Widzenie komputerowe potrafi precyzyjnie lokalizować obiekty. Analiza obrazów znajduje zastosowanie choćby w tworzeniu wirtualnych modeli miast. Zespół z York sprawdzał jednak, czy reprezentacja położenia uwzględnia wcześniejsze doświadczenie wzrokowe podobnie jak w biologicznym układzie widzenia.

Nieruchomy obiekt może wydawać się przesunięty

.Badacze wykorzystali efekt następczy ruchu. Po przyglądaniu się bodźcowi poruszającemu się stale w jednym kierunku nieruchomy obiekt może wydawać się lekko przesunięty w stronę przeciwną. Obraz pozostaje ten sam, zmienia się jego odbiór.

W eksperymencie uczestnicy zgłaszali takie złudzenie. Pozwoliło to oddzielić fizyczną pozycję obiektu od pozycji postrzeganej i sprawdzić, która z nich znajduje odzwierciedlenie w aktywności neuronalnej. Wcześniejsza obserwacja ruchu stała się więc narzędziem badania sposobu kodowania informacji przestrzennej.

Podobny efekt w korze makaków

.Zapisy z kory dolnoskroniowej (IT) makaków wykazały zmianę neuronalnej reprezentacji położenia. Po adaptacji do ruchu przesuwała się ona w kierunku zgodnym z ocenami ludzi, mimo że sam obraz obiektu się nie zmieniał.

Autorzy odczytują ten wynik jako wskazówkę, że neuronalna reprezentacja położenia uwzględnia niedawne doświadczenie wzrokowe. W testowanych modelach AI podobne przesunięcie nie wystąpiło, choć sieci poprawnie kodowały fizyczną pozycję obiektów.

Porównywanie reprezentacji biologicznych i sztucznych pojawia się także w odrębnych badaniach nad wykorzystaniem danych fMRI w modelach językowych. Tutaj podstawą były zapisy aktywności neuronów makaków i doświadczenia percepcyjne ludzi.

Trafna odpowiedź nie opisuje całego mechanizmu

.Badanie wpisuje się w NeuroAI, nurt łączący neuronaukę ze sztuczną inteligencją. Podejmuje pytanie o relacje między pracą mózgu a rozwojem AI. Kar postuluje ocenianie zarówno trafności odpowiedzi, jak i obliczeń prowadzących do ludzkiej percepcji.

Złudzenie może służyć jako sprawdzian dynamicznych modeli widzenia. To problem ważny również dla cyfrowego modelowania mózgu. Wynik dotyczy konkretnego efektu adaptacji oraz analizowanych sieci. Nie jest ogólnym rankingiem zdolności wzrokowych ludzi i wszystkich systemów AI ani dowodem świadomości modeli.

Zdaniem Kara zrozumienie tych mechanizmów może pomóc tworzyć systemy lepiej współpracujące z ludźmi.

Szymon Ślubowski