脳の視覚処理はAIより単純かもしれない

サルの視覚野にあるニューロンが、ある画像に対してどう反応するか。これを予測するAIモデルには、6000万個のパラメータが必要だとされてきました。

2026年2月、Natureに載った論文がその前提を崩しています。

5000分の1でも精度は落ちない

Cowleyらの研究チームは、マカクザルの視覚領野V4のニューロン応答を予測する巨大DNNモデル（パラメータ数6000万）を構築しました。ResNet50をベースにした25個のモデルの集合体です。

構築の過程が面白い。普通なら画像を見せて反応を記録し、それを訓練データにしておしまいです。この研究では違う。まずデータを取ってモデルを訓練し、そのモデルに「次にどの画像を見せれば最も多くの情報が得られるか」を選ばせる。選ばれた画像をサルに見せ、得られた反応でモデルをさらに訓練する。この閉ループを繰り返して精度を上げていった。能動学習（active learning）と呼ばれる手法で、限られた記録時間の中で効率よくモデルを鍛える工夫です。

こうして作った巨大モデルを、知識蒸留やプルーニングといった圧縮技術で小さくしていった。パラメータ数が約1万、つまり5000分の1になっても、予測精度はほぼ変わらなかった。

6000万個のうち、大半は冗長だったということになります。

圧縮したから開けて見えた

巨大モデルは予測できても中身がわからない。パラメータが多すぎて、何がどう効いているのか追えない。小さくなったことで、ようやくモデルの内部を調べられるようになりました。

わかったのは二段構えの処理です。初期の層（レイヤー1〜3）では、どのニューロン用のモデルも似たフィルターを使っている。共通の下処理がある。そこから先の層（レイヤー4〜5）で、各モデルが独自のやり方で情報を統合し、そのニューロン固有の選択性を作り上げる。論文ではこの後半を「consolidation（統合）」と呼んでいます。

研究チームは「ドット検出器」に似たコンパクトモデルを詳しく調べました。小さい点には強く反応し、大きい点には反応しない。その仕組みは、点のコーナーを拾う興奮性フィルターと、大きなエッジを拾う抑制性フィルターの競合で説明できた。小さい点ならコーナー検出の興奮が勝つ。大きい点だとエッジ検出の抑制と相殺されて、反応が消える。

この圧縮はV4だけの話ではありません。一次視覚野（V1）でも下側頭皮質（IT）でも同様に大幅な圧縮が効きます。V1が最も圧縮しやすく、ITはやや圧縮しにくいが、それでも元のモデルより桁違いに小さくできる。

さらに遡ると、網膜でも似た方向の研究があります。Maheswaranathanらが2023年にNeuron誌で、DNNモデルの内部を解釈して網膜神経節細胞の計算原理を明らかにしました。網膜は皮質より構造がシンプルで、もともと巨大モデルを必要としない。末梢の網膜から皮質のV1、V4、ITまで、「圧縮しても予測できる」という性質が視覚経路全体に貫かれている可能性が出てきます。

なぜ圧縮できるのか