🎯 情报来源：量子位
Meta旗下FAIR实验室与巴黎高等师范学院合作的最新研究表明，自监督视觉Transformer模型DINOv3在17亿张自然图像训练后，其表征层级与人类大脑视觉处理机制呈现显著对齐。研究通过fMRI和MEG技术评估发现，模型大小、训练数据量和图像类型是影响脑-模型相似性的三大关键因素，其中使用人类中心图像训练的最大规模模型（8个变体之一）在脑相似性评分中表现最优。
实验数据显示，模型对低级视觉皮层的表征在训练早期即可获得（编码半达时间较短），而前额叶等高级皮层表征需更多训练数据支持。特别值得注意的是，模型表征发展轨迹与人类皮层四种特性（扩展性、厚度、动力学、髓鞘浓度）呈现高度统计学相关性（p<0.001）。
💡 核心要点
- 规模效应：参数量最大的DINOv3变体在高级脑区相似性评分提升42%
- 数据门槛：前额叶表征需要至少1000万张人类中心图像训练才能显现
- 时序规律：低级视觉区表征半达时间比高级皮层快3.7倍
- 图像类型差异：人类中心图像训练模型比卫星/细胞图像模型编码效果高28%
- 皮层关联：表征出现速度与皮层髓鞘浓度呈负相关（r=-0.82）
📌 情报分析
技术价值：极高
首次系统量化视觉模型与脑科学的多维度对齐机制，fMRI+MEG多模态验证为类脑AI提供新基准
商业价值：高
17亿训练规模验证的规律可直接指导医疗影像、神经形态计算等领域的模型优化，降低试错成本
趋势预测：高
基于皮层发育规律的发现，未来3-5年可能出现专门针对不同脑区特性设计的分层训练框架