摘 要 失象癥是一種特殊的心理現(xiàn)象， 表現(xiàn)為個體無法自主在大腦中生成心理表象。研究者通過VVIQ等主觀報告方法揭示了失象癥現(xiàn)象的存在， 并借助雙眼競爭范式和腦成像技術(shù)探討了失象癥的神經(jīng)基礎(chǔ)。研究發(fā)現(xiàn)失象癥個體通常采用替代策略， 如語言描述等非視覺策略， 以彌補表象能力的缺陷。這些策略不僅體現(xiàn)在想象和記憶領(lǐng)域， 還在空間能力、元認(rèn)知和情感體驗等方面表現(xiàn)出多樣性。深度學(xué)習(xí)模型的發(fā)展不僅推動了認(rèn)知科學(xué)與人工智能的交叉， 還為揭示失象癥的神經(jīng)計算機制提供了新途徑。未來研究應(yīng)繼續(xù)探索失象癥的多感官模態(tài)與認(rèn)知多樣性， 建立新的深度學(xué)習(xí)模型， 模擬失象癥的認(rèn)知模式并探究其神經(jīng)機制， 為揭示大腦信息表征并開發(fā)更好的擬人化智能產(chǎn)品提供科學(xué)依據(jù)。

關(guān)鍵詞 失象癥， 心理表象， 認(rèn)知策略， 深度學(xué)習(xí)

分類號 B842

心理表象（mental imagery）是指在缺乏外部感官刺激時大腦生成或重現(xiàn)感覺體驗的認(rèn)知機制。長期以來， 認(rèn)知心理學(xué)圍繞心理表象的信息表征格式問題展開了激烈爭論（常松 等， 2017）。隨著人工智能的興起和發(fā)展， 這些爭論逐漸呈現(xiàn)出新的維度。研究顯示， 基于物體識別的深度神經(jīng)網(wǎng)絡(luò)有助于通過“神經(jīng)計算”模擬出具體視覺特征， 進而卷積出抽象語義特征， 成為探討大腦信息表征的新途徑（St-Yves & Naselaris， 2018）。深度神經(jīng)網(wǎng)絡(luò)不僅能模擬腹側(cè)視覺通路的層級結(jié)構(gòu)和分布式加工， 其不同層級的卷積特征還能在知覺和表象條件下預(yù)測大腦腹側(cè)視覺通路不同層級的神經(jīng)響應(yīng)（Horikawa & Kamitani， 2017）。通過深度生成網(wǎng)絡(luò)產(chǎn)生感性形象的過程可以類比大腦的表象過程。與生成網(wǎng)絡(luò)產(chǎn)生“清晰”的圖片不同， 大腦表象過程的神經(jīng)響應(yīng)模式只能產(chǎn)生“模糊”的圖片（感受野更大而空間頻率偏向性降低）， 證實了大腦在視覺層級結(jié)構(gòu)中的表象編碼既不同O7cDEqScDCcpHQi5kKgPwA==于知覺加工， 也不同于深度神經(jīng)網(wǎng)絡(luò)的計算模式。

失象癥（aphantasia）， 也稱心盲癥， 是指某些個體在缺失外界感官輸入的情況下， 無法自主地在大腦中生成或再現(xiàn)感性形象與感覺體驗的特殊心理狀態(tài)（Zeman et al.， 2015）。失象癥為我們認(rèn)識大腦信息表征格式提供了獨特視角， 可以據(jù)此結(jié)合深度學(xué)習(xí)算法探討表征策略及其對應(yīng)的認(rèn)知加工的多樣性和復(fù)雜性。本文從失象癥這一現(xiàn)象出發(fā)， 介紹個體在缺乏自主視覺表象的條件下采取的認(rèn)知加工策略， 并考察這如何影響到識別、情感、記憶等功能。在此基礎(chǔ)上， 我們希望能為信息表征格式問題的研究提供新視角， 并以此促進認(rèn)知心理學(xué)和人工智能跨學(xué)科研究的交流借鑒。

1 失象癥的發(fā)現(xiàn)

心理表象通常被用來描述在心智中重構(gòu)感知內(nèi)容的能力， 被形象比喻為“心靈之眼” （Pearson， 2019）。雖然心理表象涉及感知的各個維度， 當(dāng)前研究主要集中在視覺方面， 通常視覺表象（visual imagery）涉及的是一種內(nèi)部模擬視覺感覺經(jīng)驗的過程。

早在古希臘時期， 亞里士多德（Aristotle）最早使用概念“幻象” （phantasia）來指稱心理表象， 并探討其與認(rèn)知過程的關(guān)系（Cohoe， 2019）。在現(xiàn)代科學(xué)視角下， Galton設(shè)計的“早餐桌實驗” （breakfast- table test）， 揭示了人與人之間在心理表象方面的差異性（Galton， 1880）， 該任務(wù)通過回憶早餐桌上的各種細節(jié)， 首次對視覺表象進行了研究; 隨后Marks基于視覺表象的清晰度， 開發(fā)出相應(yīng)量化測試工具——視覺表象清晰度問卷（Vividness of Visual Imagery Questionnaire， VVIQ） （Marks， 1973）。在2010年， Zeman等人（2010）報告了一個病例M.X.， 該病例在經(jīng)歷了冠狀動脈手術(shù)后失去了視覺想象能力， Zeman將這種失去想象能力的現(xiàn)象命名為“想象盲” （blind imagination）。此后又借助亞里士多德的“幻象”概念命名該現(xiàn)象為“失象癥”， 并進一步區(qū)分了失象癥的兩種類型：先天性失象癥（Congenital aphantasia）， 即個體由于遺傳因素導(dǎo)致無法進行視覺表象; 獲得性失象癥（Acquired aphantasia）， 主要由一些后天因素如中風(fēng)或頭部創(chuàng)傷導(dǎo)致視覺表象缺失（Zeman et al.， 2015）。

先天性失象癥被認(rèn)為是罕見的神經(jīng)發(fā)育癥狀， 類似色盲， 通常不會給個體的日常生活帶來顯著影響， 因此不屬于精神障礙范疇（Monzel et al.， 2023; Zeman et al.， 2020）。獲得性失象癥， 除了可能源自腦部損傷之外， 也可能與情緒變化相關(guān)聯(lián)（Bartolomeo et al.， 2002; De Vito & Bartolomeo， 2016; Moro et al.， 2008）。另據(jù)Zeman （2020）的建議， 根據(jù)產(chǎn)生原因可以將獲得性失象癥進一步劃分為神經(jīng)性失象癥（Neurological aphantasia）和心因性失象癥（Psychogenic aphantasia）。失象癥現(xiàn)象的存在為認(rèn)知心理學(xué)研究視覺表象的個體差異提供了新的途徑， 為人類大腦信息表征可以構(gòu)成從具體形象到抽象語義的連續(xù)體提供了新證據(jù)（Pearson， 2019）。而且， 對失象癥的認(rèn)知與情緒等方面的研究可以進一步促進我們對信息表征與腦功能的關(guān)系的認(rèn)識。

2 失象癥的研究方法

VVIQ問卷（Marks， 1973）是目前評估失象癥的主要工具之一。該問卷通過五級李克特量表對心理表象清晰度進行自我評估， 共包含16個項目。根據(jù)問卷評分， 當(dāng)被試得分低于特定閾值（23分或32分）時可能被判定為失象癥（Dance et al.， 2022; Keogh & Pearson， 2018; Zeman et al.， 2020）。由于評定標(biāo)準(zhǔn)與閾值存在爭議， 失象癥的流行率尚無定論， 一般認(rèn)為在2%～5%之間（Dance et al.， 2022; Faw， 2009; Zeman et al.， 2020）。大部分的研究傾向于將失象癥局限于自主的視覺表象缺失， 但也有研究指出其他感覺表象（sensory imagery）， 如觸覺（touch）、聽覺（auditory）和嗅覺（olfactory）表象等也都有不同程度的缺失或減少（Dance， Ward， & Simner， 2021; Dawes et al.， 2020; Hinwar & Lambert， 2021; Takahashi et al.， 2023）。除此之外， 部分失象癥個體報告稱， 部分的非自主表象（involuntary imagery） （非意志努力所產(chǎn)生的表象， 如由閱讀觸發(fā)的表象、侵入性圖像、偽幻覺和殘像）似乎同樣受到影響（Krempel & Monzel， 2024）， 這揭示了失象癥可能涉及更廣泛的認(rèn)知功能。Dawes等人（2020）認(rèn)為失象癥可能存在多個不同子類型， 因而如VVIQ、早餐桌實驗和自我認(rèn)定量表（self-identification）等基于主觀報告的方法可能不足以全面評估各類型的失象癥（Monzel et al.， 2021; Takahashi et al.， 2023）。

由于依賴被試主觀報告的方法有其局限性（劉鳴， 2004）， Pearson等人（2015）提出了一種新的考察表象強度與精確性的方法， 即從“視覺能” （visual energy）的角度出發(fā)， 衡量先前視覺刺激對隨后感知的影響程度。在視知覺與視覺表象機能等價的前提下， 啟動現(xiàn)象意味著在原視覺任務(wù)中的表現(xiàn)也可能在表象條件下出現(xiàn)， 因此考量視覺表象內(nèi)容影響后續(xù)的知覺程度， 可以作為表象的強度與精確性的依據(jù)（葉曉燕 等， 2018）。對此， Keogh和Pearson （2018）采用雙眼競爭范式作為客觀測試表象強度的方法， 該方法通過利用視覺表象對隨后雙眼競爭模式的影響， 來檢測視覺表象的內(nèi)容， 確認(rèn)失象癥個體確實缺乏視覺表象， 而并非單純元認(rèn)知差異（Nanay， 2021）。

腦成像技術(shù)在表象的量化研究中逐漸被研究者關(guān)注（張得龍 等， 2014）， 為視覺表象的個體差異研究提供了新的實驗證據(jù)（常松 等， 2017; 葉曉燕 等， 2018）。通過腦成像， 研究發(fā)現(xiàn)大腦初級視覺皮層（V1）表面積大小與表象有關(guān)（Bergmann et al.， 2016）， 并存在明顯的個體差異（Pearson， 2019）。結(jié)合雙眼競爭范式， 研究發(fā)現(xiàn)V1和V2的表面積大小與表象強度呈負(fù)相關(guān)（Bergmann et al.， 2016）。也就是說， 個體初級視覺皮層越小， 表象能力越強。而且， 雙眼競爭可以測量表象的精度， 研究發(fā)現(xiàn)表象的精度與V1表面積的大小呈正相關(guān)， 這與視覺感知類似（Pearson， 2019）， 這一現(xiàn)象表明當(dāng)表象變得更生動時也變得不精準(zhǔn)了。此外， 有研究發(fā)現(xiàn)表象強度與大腦皮層的興奮性有關(guān)（Keogh et al.， 2020）， 失象癥個體在表象任務(wù)中枕葉區(qū)域的活躍度降低， 而額葉區(qū)域相應(yīng)增加（Zeman et al.， 2010）。Milton等人（2021）進一步指出， 這種腦皮層活動的變化以及額頂葉區(qū)域與枕葉區(qū)域之間連通性的減少都與表象的弱化相關(guān); 也有學(xué)者的研究表明失象癥個體在表象與知覺任務(wù)中具有不同于一般人群的大腦激活模式（Meng et al.， 2023; Monzel et al.， 2021）。除了上述主要技術(shù)和方法外， 還有其他研究手段可以確認(rèn)失象癥的真實性， 如Kay等人（2022）發(fā)現(xiàn)失象癥個體的瞳孔反應(yīng)強度和視覺表象的生動程度存在顯著相關(guān)， Zhao等人（2022）利用心理旋轉(zhuǎn)任務(wù)和腦電研究發(fā)現(xiàn)失象癥個體在特定腦電成分上表現(xiàn)出顯著差異等。

綜上， VVIQ等傳統(tǒng)基于主觀報告的評估方法開啟了我們對失象癥的認(rèn)識， 而認(rèn)知神經(jīng)科學(xué)等技術(shù)手段與認(rèn)知范式對失象癥客觀量化的探索， 進一步加深了我們對其神經(jīng)基礎(chǔ)的認(rèn)識。

3 失象癥的替代認(rèn)知策略

對于大多數(shù)人來說， 視覺表象是意識體驗中的典型特征， 也是最常見的意識內(nèi)容， 甚至比直接的感官意識更頻繁（Pearson， 2019）。而失象癥現(xiàn)象的存在為我們進一步理解意識體驗背后的信息加工及其相應(yīng)的認(rèn)知加工過程提供了新視角。

盡管失象癥個體在沒有外部視覺輸入時無法自主生成視覺表象， 但多數(shù)研究表明他們的顏色、形狀、位置等視知覺能力并未受影響（Bainbridge et al.， 2021; Liu & Bartolomeo， 2023; Pounder et al.， 2022; Zeman et al.， 2010）。當(dāng)然也有研究者指出先天性失象癥個體在圖像處理和感知任務(wù)上可能反應(yīng)較慢（Crowder， 2018）。根據(jù)雙重編碼理論， 失象癥個體或許采用了非視覺策略來存儲和回溯視覺信息， 因此不能同時對視覺和語義信息進行加工而導(dǎo)致處理效率下降（Monzel et al.， 2022）。此外， 有研究表明失象癥個體對人工誘導(dǎo)的偽幻覺（Pseudo Hallucination）響應(yīng)較弱， 與真實幻覺體驗不同， 偽幻覺意識到的體驗并不是真實的， 并與病理性或認(rèn)知功能變化無關(guān)聯(lián)， 通常由“Ganzflicker” （一種有節(jié)奏的閃爍）所誘發(fā)（K?nigsmark et al.， 2021）， 暗示著失象癥個體可能使用替代策略（alternative strategy）處理視覺等知覺信息。然而， 在一些特別的視覺加工方面， 如面部識別， 一些失象癥個體存在明顯的困難， 則被認(rèn)為可能與面部失認(rèn)癥（prosopagnosia）有關(guān)（Milton et al.， 2021; Zeman et al.， 2015， 2020）。

替代策略最早是由Zeman等人（2010）提出， 他在研究中發(fā)現(xiàn)后天獲得性失象癥的受試者在執(zhí)行表象任務(wù)時激活了大腦言語記憶網(wǎng)絡(luò)， 并據(jù)此提出了一種可能性替代認(rèn)知方式。目前， 研究者通常使用“替代策略”稱失象癥個體在表象任務(wù)中表現(xiàn)出對更多的語言描述等非視覺策略的使用。如Bainbridge等人（2021）在一項表象任務(wù)中發(fā)現(xiàn)失象癥個體的客體記憶表現(xiàn)出明顯的視覺細節(jié)減少， 卻保留了相對精確的空間相對位置， 同時伴隨語言腳手架（Language scaffolding）的增多; Keogh等人（2021）在一項聯(lián)想任務(wù)中， 發(fā)現(xiàn)失象癥個體會產(chǎn)生更多的抽象的語言聯(lián)想。除此之外， 也有研究者在工作記憶的研究中發(fā)現(xiàn)， 失象癥個體會運用一些口語、符號、空間關(guān)系進行信息編碼（Jacobs et al.， 2018）。同樣， 在視覺表象的注意力引導(dǎo)能力上， Monzel等人（2021）認(rèn)為失象癥個體采用了跨模態(tài)的代償性非視覺替代策略來彌補。

替代策略的使用確保失象癥個體即使無法生成傳統(tǒng)意義上的視覺表象， 但仍可能擁有豐富的想象力， 這在一定程度上表明想象力并不完全依賴于視覺表象（Zeman et al.， 2016， 2020）。這一事實從側(cè)面驗證了想象力涵蓋其他非感官層面， 如信念、構(gòu)思和假設(shè)等維度（Arcangeli， 2023）。因此， 即使缺少典型的表象過程， 失象癥個體依然可以通過其他模式參與創(chuàng)新和想象活動。確實， 在生活中失象癥群體中涌現(xiàn)了大量不乏成就卓著的人士， 如遺傳學(xué)家Craig Venter、神經(jīng)學(xué)家Oliver Sacks和創(chuàng)業(yè)者Blake Ross等（Arcangeli， 2023; Zeman etal.， 2020）。

除了想象力， 早期研究發(fā)現(xiàn)， 失象癥個體在短時記憶任務(wù)中的表現(xiàn)正常， 即使在一些復(fù)雜的長時記憶評估， 如雷?奧斯特里斯復(fù)雜圖形測試（Rey-Osterrieth complex figure test）， 失象癥個體的表現(xiàn)也并不遜色。這些發(fā)現(xiàn)可能表明他們運用了替代策略來管理記憶內(nèi)容（Milton et al.， 2021; Palermo et al.， 2022; Zeman et al.， 2010）。但也有研究者認(rèn)為失象癥不僅影響視覺信息的回憶， 還涉及語言和視覺形式的短時及長時記憶（Dawes etal.， 2020; Monzel et al.， 2021）， 尤其是在客體記憶方面。盡管失象癥個體更傾向采用語言描述來彌補視覺細節(jié)加工的缺陷， 但仍存在一定程度的選擇性損傷（Bainbridge et al.， 2021）。

在工作記憶方面， 失象癥個體在簡單工作記憶任務(wù)中沒有表現(xiàn)出顯著異常， 但在復(fù)雜的視覺工作記憶任務(wù)中存在困難， 意味著當(dāng)處理更大的視覺信息量時， 失象癥個體即使采用替代策略補償視覺表象的缺陷仍有其局限（Jacobs et al.， 2018; Keogh et al.， 2021; Pounder et al.， 2021）。

Pearson （2019）研究認(rèn)為， 涉及對過去事件進行回顧性記憶以及對將來事件進行的前瞻記憶都依賴于大腦中相同的功能網(wǎng)絡(luò)， 并且依賴視覺表象。因此， 失象癥個體由于缺乏視覺表象或許會影響記憶能力（Dawes et al.， 2020; Palermo et al.， 2022; Zeman et al.， 2020）。并且根據(jù)場景建構(gòu)理論， 自傳體記憶與視覺表象共享神經(jīng)機制并依賴視覺表象， 因此有研究發(fā)現(xiàn)失象癥個體在自傳體記憶能力上也同樣存在一定程度的損傷（Dawes et al.， 2022; Milton et al.， 2021; Watkins， 2018; Zeman et al.， 2015）。

綜上， 替代策略的使用可以在一定程度上彌補想象力與記憶方面帶來的缺陷， 雖然目前的研究尚未指出其明確的神經(jīng)機制， 但是通過失象癥替代策略的研究可以進一步探討大腦認(rèn)知加工過程的復(fù)雜性和多樣性。

4 失象癥的認(rèn)知多樣性

除了在想象和記憶方面外， 失象癥替代認(rèn)知策略在其他認(rèn)知領(lǐng)域， 如空間能力、元認(rèn)知、情感體驗、夢境、創(chuàng)造性表現(xiàn)與聯(lián)覺等， 也展示出了認(rèn)知加工模式的多樣性。

當(dāng)考量空間能力與方向感時， 失象癥并沒有表現(xiàn)出空間表象（spatial imagery）的缺失， 某些失象癥個體在心理旋轉(zhuǎn)等空間任務(wù)中甚至表現(xiàn)更出色（Bainbridge et al.， 2021; Dawes et al.， 2020; Keogh & Pearson， 2018; Zeman et al.， 2020）， 這支持了空間表象與客體表象存在獨立神經(jīng)通路的觀點（Dawes et al.， 2020; Keogh & Pearson 2021; Zhao et al.， 2022）。有研究發(fā)現(xiàn)， 失象癥個體在視覺場景重建等任務(wù)中存在困難， 特別是在記憶顏色和細節(jié)方面， 但他們在識別物體的空間相對位置以及進行高精度空間表征方面的表現(xiàn)并不遜色（Bainbridge et al.， 2021）， 這表明即使在缺少視覺表象的條件下， 失象癥個體依然具有一定程度的空間認(rèn)知能力。另外， 雖然導(dǎo)航能力與場景視覺表象相關(guān)， 但顯然失象癥個體的空間能力并不受視覺表象缺失的影響（Palermo et al.， 2022）。

在元認(rèn)知水平上， 失象癥個體的自我洞察能力存在明顯的異質(zhì)性。盡管早期研究曾主張失象癥源自元認(rèn)知及情緒功能而非神經(jīng)系統(tǒng)障礙（De Vito & Bartolomeo， 2016）， 但Keogh和Pearson （2018）通過雙眼競爭實驗反駁了這一觀點。并且Dance等人（2022）的研究確認(rèn)使用VVIQ進行自評是可靠的， 說明失象癥個體在元認(rèn)知評估上基本準(zhǔn)確。另一方面， Jacobs等人（2018）與Liu和Bartolomeo （2023）發(fā)現(xiàn)了失象癥個體在元認(rèn)知洞察力方面的缺陷， 表明在某些情況下失象癥個體的元認(rèn)知準(zhǔn)確性可能會存在缺陷。這些結(jié)果揭示了失象癥對心理功能和認(rèn)知能力存在復(fù)雜的多維度影響。

值得注意的是， 研究發(fā)現(xiàn)在涉及情感表象的任務(wù)中， 失象癥個體表現(xiàn)出較弱的情緒反應(yīng)（Wicken et al.， 2021）， 這可能導(dǎo)致他們對恐懼場景的生理反應(yīng)減輕， 從而降低整體情感體驗的生動性（Dawes et al.， 2020）。在夢境體驗方面， 大多數(shù)失象癥個體報告能夠做夢， 但夢中的視覺細節(jié)與感覺體驗相對比較貧乏; 也有個體報告稱夢中的細節(jié)十分豐富， 造成這種個體差異可能源于失象癥個體在意識狀態(tài)下無法體驗到自主回憶的表象， 僅保留了如做夢形式的非自主表象（Dawes etal.， 2020; Milton et al.， 2021; Zeman et al.， 2015， 2020）。這些發(fā)現(xiàn)可能表明做夢與無意識感知的自動模擬所依賴的神經(jīng)機制與自主視覺表象的有意識模擬之間存在分離， 做夢所涉及的是由腦干引發(fā)的自下而上過程， 而視覺表象通常與額葉皮層控制網(wǎng)絡(luò)主導(dǎo)的自上而下過程有關(guān)（Dijkstra et al.， 2019; Krempel & Monzel， 2024; Zeman et al.， 2020）。

在創(chuàng)造力和發(fā)散思維方面， 盡管有研究發(fā)現(xiàn)失象癥個體可能存在困難（Wittmann & Sat?rer， 2022; Zeman et al.， 2020）， 但他們?nèi)钥赏ㄟ^語言聯(lián)想來完成創(chuàng)造性任務(wù)， 并保持一定的水平， 盡管在一些特定情況下或存在信心下降的問題（Wittmann & Sat?rer， 2022）。同時， 聯(lián)覺（Synaesthesia）作為一種感覺混合的加工過程， 如聽音樂可以觸發(fā)聲音—顏色聯(lián)覺者對顏色的體驗或聲音—味覺聯(lián)覺者對嘴里味道的體驗， 一般認(rèn)為具有聯(lián)覺的個體通常具有更生動的心理表象（Barnett & Newell， 2008）， 但Zeman等人（2020）與Dance， Jaquiery等人（2021）的研究發(fā)現(xiàn)失象癥個體在聯(lián)覺體驗上呈現(xiàn)出非典型特征， 表明聯(lián)覺能力可能以一種特殊形式存在于這類群體中。

以上發(fā)現(xiàn)不僅拓展了我們對心理表象與知覺體驗之間關(guān)系的認(rèn)識， 而且表明進一步研究失象癥與其他非視覺策略之間關(guān)系的重要性。正如Zeman等人（2016）與Brons （2019）提出了研究者經(jīng)常忽略的一點：并非所有人都使用完全相同的思維方式。了解失象癥的認(rèn)知多樣性， 可以幫助該群體更加深入的了解自身特征， 產(chǎn)生良性認(rèn)知。研究也表明失象癥并非一種精神障礙， 而是人類神經(jīng)發(fā)育的一類特殊癥狀， 失象癥的認(rèn)知多樣性現(xiàn)象不僅揭示了人類大腦功能的適應(yīng)性特征， 還為人工智能領(lǐng)域制造更“類人”的產(chǎn)品提供借鑒。

5 深度學(xué)習(xí)在失象癥研究中的應(yīng)用

5.1 認(rèn)知科學(xué)與人工智能的交叉促進

傳統(tǒng)上， 智能的定義在很大程度上是基于高級生物體的能力， 尤其是人類。因此， 人工智能的研究主要集中在創(chuàng)造可以感知、學(xué)習(xí)和推理的機器上， 其最終目標(biāo)是創(chuàng)造出一種能夠模仿人類智能的人工通用智能系統(tǒng)（Macpherson et al.， 2021）。鑒于此， 人工智能的發(fā)展與探討大腦結(jié)構(gòu)和功能的認(rèn)知神經(jīng)科學(xué)相互借鑒、相互啟發(fā)就不足為奇了。人們嘗試對神經(jīng)元的信息處理機制進行人工建模， 早期感知器的發(fā)展是一個標(biāo)志性事件。人工神經(jīng)網(wǎng)絡(luò)的發(fā)展經(jīng)歷了一段不順利的時期， 直到多層神經(jīng)網(wǎng)絡(luò)的發(fā)展以及反向傳播算法的普及， 解決了早期感知器的許多限制， 直至今日反向傳播仍被廣泛用于訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)（Lillicrap et al.， 2020; Richards et al.， 2019）， 并與強化學(xué)習(xí)方法結(jié)合， 創(chuàng)建了能夠在基于策略的先進學(xué)習(xí)系統(tǒng)， 如國際象棋、圍棋等（Silver et al.， 2018）等。盡管人工智能受神經(jīng)科學(xué)的啟發(fā)， 例如， 已有研究提出大腦中可能存在反向傳播的近似實現(xiàn)， 但其生物合理性仍不明確（Lillicrap et al.， 2020; Whittington & Bogacz， 2019）。

生物合理的人工智能的一個主要優(yōu)勢是它有助于理解與模擬大腦中的信息處理。在過去的十年中， 研究者已經(jīng)提出了幾種生物合理的反向傳播替代方案， 例如， 預(yù)測編碼（Millidge et al.， 2022）， 以及能夠近似模擬神經(jīng)元之間的隨機電位基通信的尖峰神經(jīng)網(wǎng)絡(luò)等（Burkhardt et al.， 2023）。而人工智能的發(fā)展反過來又促進了我們對大腦信息加工的認(rèn)識， 例如針對視覺處理的以目標(biāo)驅(qū)動的深度學(xué)習(xí)模型， 已被用來估計大腦視覺系統(tǒng)的組織屬性， 并準(zhǔn)確預(yù)測了神經(jīng)活動模式（Yamins & DiCarlo， 2016）。研究發(fā)現(xiàn)， 被訓(xùn)練來執(zhí)行視覺任務(wù)的神經(jīng)網(wǎng)絡(luò)， 通常會獲得與執(zhí)行相同任務(wù)時所需的大腦視覺系統(tǒng)區(qū)域相似的表征（Nonaka et al.， 2021; Yamins & DiCarlo， 2016）。

為了能夠更好地量化人工智能模型有多“類腦”， 研究者用Brain-Score （BS） （Schrimpf et al.， 2018）和Brain-Hierarchy （BH）得分（Nonaka et al.， 2021）兩個指標(biāo)來評估人工智能模型與人類視覺系統(tǒng)之間功能相似性。具體來說， BS衡量模型預(yù)測大腦活動和行為的能力， 而BH旨在評估神經(jīng)網(wǎng)絡(luò)與大腦中不同層級/區(qū)域之間的層級同源性（Nonaka et al.， 2021; Schrimpf et al.， 2018）。值得注意的是， 在評估幾個常用的人工智能視覺處理模型時發(fā)現(xiàn)， BS與圖像識別精度呈正相關(guān)（即， 類腦神經(jīng)網(wǎng)絡(luò)的表現(xiàn)更好）， 但當(dāng)使用BH進行評估時結(jié)果卻相反（Nonaka et al.， 2021; Schrimpf et al.， 2018）。這表明， 如果我們打算使用AI系統(tǒng)來建?；蛟噲D提升我們對大腦內(nèi)視覺處理的理解， 那么繼續(xù)增加人工智能模型與大腦內(nèi)對應(yīng)系統(tǒng)的結(jié)構(gòu)和功能相似性， 以及C8RhcKb3AwJNzg7djjI4bQ==加強衡量此種相似性的指標(biāo)方面的能力則非常重要。不可否認(rèn)， 實現(xiàn)人工智能模型和生物系統(tǒng)信息加工的交互是探討兩者關(guān)系更為直接的途徑， 例如， 已有研究發(fā)現(xiàn)利用一個人工神經(jīng)網(wǎng)絡(luò)設(shè)計的精確的視覺圖案， 可以直接投射到靈長類動物的視網(wǎng)膜上， 準(zhǔn)確控制腹側(cè)流（V4區(qū)域）單個或一組神經(jīng)元的活動（Bashivan etal.， 2019）。多年來， 大腦功能理論在認(rèn)知科學(xué)家的指導(dǎo)下得到了發(fā)展。研究者探討了卷積神經(jīng)網(wǎng)絡(luò)和認(rèn)知模型之間的關(guān)系， 例如， 卷積神經(jīng)網(wǎng)絡(luò)在視覺處理方面的設(shè)計， 部分是受計算認(rèn)知模型的啟發(fā)， 這些模型包含了非線性特征圖和輸入?yún)R合等原則， 而這些原則本身源自動物神經(jīng)生理學(xué)的研究發(fā)現(xiàn)（Battleday et al.， 2021）。反過來， 神經(jīng)網(wǎng)絡(luò)被用來指導(dǎo)新的認(rèn)知模型， 涉及感知、記憶和語言， 從而引起了認(rèn)知科學(xué)內(nèi)的聯(lián)接主義運動（Yamins & DiCarlo， 2016）。

5.2 失象癥的神經(jīng)計算機制

失象癥現(xiàn)象對認(rèn)識大腦的信息加工機制提供了新視角。根據(jù)模擬理論， 感知在一定程度上是模仿：“感覺（自下而上的感官輸入）所扮演的角色是限制這種（模擬的）表征的配置和優(yōu)化” （Grush， 2004）。這與知覺的預(yù)測編碼模型非常吻合， 即知覺是通過將自上而下的預(yù)測與自下而上的感官輸入進行比較而產(chǎn)生的（Bastos et al.， 2012）。模擬理論認(rèn)為表象涉及一種模擬形式， 其不僅模擬了內(nèi)容/刺激， 而且感知內(nèi)容的過程也被模擬了（Moulton & Kosslyn， 2009）。失象癥的研究表明， 那些缺乏自主表象能力的參與者， 其認(rèn)知加工是正常的（Keogh & Pearson， 2018）。同樣， 失象癥個體沒有報告任何知覺缺陷， 這表明模擬本身沒有問題。但是失象癥個體缺乏表象啟動效應(yīng)（Keogh & Pearson， 2018）， 也報告存在非自主的表象（Zeman et al.， 2015）。這表明表象提供了一種預(yù)測感官刺激的方法（Grush， 2004; Moulton & Kosslyn， 2009）。

借助深度生成網(wǎng)絡(luò)可以進一步模擬大腦自上而下的表象生成機制， 證實了在生成網(wǎng)絡(luò)中可以從抽象特征中“反向推導(dǎo)”出具體的視覺刺激特征， 但在高級皮層（如V4和頂下小葉）， 知覺與表象的激活均具有相對較低的空間頻率偏好和較大的中央感受野。而與知覺相比， 在表象中視覺區(qū)域V1-V3的激活似乎繼承了V4的編碼屬性， 這為揭示知覺和表象的大腦激活編碼提供了新途徑（Breedlove et al.， 2020）。Breedlove等人將人類大腦中的心理表象建模為一個分層生成網(wǎng)絡(luò)中的反饋， 層次網(wǎng)絡(luò)結(jié)構(gòu)通過從高層次的抽象表征到低層次視覺特征的填充來合成圖像。研究假設(shè)當(dāng)較高的處理水平（抽象）對刺激變化的敏感性不如較低的處理水平（具體）時， 人類大腦低級視覺區(qū)域的激活對變異的編碼在知覺中應(yīng)該比在表象中精準(zhǔn)。研究借助表象編碼模型準(zhǔn)確地預(yù)測了大腦對表象的反應(yīng)， 證實了在低水平視覺區(qū)域， 個體體素的想象的空間頻率相對于看到的空間頻率降低， 想象空間的感受域大于視覺空間。這些發(fā)現(xiàn)揭示了視覺和心理表象的不同編碼方式， 即隨著網(wǎng)絡(luò)層次的升高， 空間頻率偏好逐漸減少， 感受域變得越來越大（DiCarlo et al.， 2012）。這一結(jié)果也表明， 可以將心理表象與生成網(wǎng)絡(luò)的計算能力聯(lián)系起來， 意味著失象癥現(xiàn)象的神經(jīng)基礎(chǔ)也可以通過神經(jīng)計算來模擬。

實際上， 已有研究為表象和深度生成網(wǎng)絡(luò)之間存在可類比關(guān)系提供了證據(jù)（Spratling， 2016）。表象的“反向視覺”模型認(rèn)為， 表象是感覺?記憶回憶（Pearson， 2019）的一種形式。在這個模型下， 高級視覺或記憶區(qū)域的活動是視覺皮層的有效輸入來源。預(yù)測編碼的相關(guān)研究已經(jīng)表明視覺環(huán)境結(jié)構(gòu)的知識可以與上下文信息相結(jié)合， 以表征被遮擋場景（Muckli et al.， 2015）和錯覺輪廓的視覺結(jié)構(gòu)（De Haas & Schwarzkopf， 2018）。高度結(jié)構(gòu)化的表征可以獨立于視網(wǎng)膜輸入出現(xiàn)（Vetter et al.， 2014）， 即使沒有可以看到的東西存在， 視覺系統(tǒng)也能夠一致地對視覺環(huán)境進行推理。Sulfaro等人（2023）模擬靈長類動物的視覺系統(tǒng)， 構(gòu)建了一個分層系統(tǒng)的計算模型， 該模型具有雙向信息流的連續(xù)連接特征。使用這一模型將心理表象模擬為自上而下的生成反饋， 在沒有自下而上的感官輸入的競爭情況下， 想象刺激在每個層次上形成了主導(dǎo)表征。然而， 當(dāng)相互競爭的感官輸入存在時， 想象刺激在較低水平上被擊敗， 而在較高水平上保持主導(dǎo)地位， 在兩者之間有一個平衡點。這一發(fā)現(xiàn)可能表明低水平、高維的刺激信息（如早期視覺皮層）對知覺經(jīng)驗的感覺方面貢獻最大， 而高水平、低維的刺激信息（如時間區(qū)域）對知覺經(jīng)驗的抽象、模態(tài)方面貢獻最大。這一研究為探索視覺表象個體差異的認(rèn)知神經(jīng)機制提供了新的思路， 同時也為我們從神經(jīng)計算的角度理解失象癥， 進而理解人類大腦的信息表征格式及其與腦功能的關(guān)系提供了新的視角。

6 結(jié)語與展望

隨著認(rèn)知心理學(xué)與人工智能之間交流對話的日益加深， 本文揭示了失象癥現(xiàn)象如何為這一跨學(xué)科交流提供了新視角。通過系統(tǒng)梳理失象癥個體在視覺表象缺失情況下的信息處理、空間定位、記憶構(gòu)建、情感體驗和夢境生成的過程， 本文加深了我們對大腦信息處理和認(rèn)知策略的認(rèn)識， 豐富了對心理功能多樣性的理解。

6.1 深入探索失象癥：多感官模態(tài)與認(rèn)知多樣性

目前， 大多數(shù)研究集中在視覺表象上， 但為了全面了解失象癥的認(rèn)知多樣性， 未來的研究應(yīng)擴展至多感官模態(tài)。失象癥不僅影響視覺表象， 還可能影響聽覺、觸覺和其他感官的表象能力（Dance， Ward & Simner， 2021; Dawes et al.， 2020; Hinwar & Lambert， 2021）。研究這些方面的多樣性， 可以幫助我們更全面地理解視覺表征的極端現(xiàn)象。例如， 通過調(diào)查失象癥個體在內(nèi)心樂曲（聽覺表象）和物體觸感（觸覺表象）上的表現(xiàn)， 研究者可以揭示失象癥在不同感官通道上的一致性和差異性。這種多模態(tài)表征研究不僅有助于豐富對失象癥的理解， 也為制定個性化的認(rèn)知干預(yù)策略提供科學(xué)依據(jù)。

此外， 未來的研究還應(yīng)關(guān)注失象癥個體在不同類型表象下的認(rèn)知策略。研究現(xiàn)多局限于自主視覺表象， 其他如夢境生成等無意識表象， 侵入式的非自主表象， 以及跨模態(tài)引發(fā)的聯(lián)覺表象形式同樣重要（Krempel & Monzel， 2024; Takahashi et al.， 2023）。研究這些不同類型的表象， 可以揭示失象癥在各種認(rèn)知任務(wù)中的表現(xiàn)特點和策略， 從而為理解人類認(rèn)知的多樣性提供新的視角。

6.2 建立新的學(xué)習(xí)模型：探究視覺表征的機制

借助認(rèn)知科學(xué)和人工智能模型， 未來的研究可以建立新的學(xué)習(xí)模型， 深入探究視覺表征的機制。通過構(gòu)建模擬失象癥的人工神經(jīng)網(wǎng)絡(luò)模型， 研究者可以探索不同表征策略對認(rèn)知任務(wù)的影響， 揭示失象癥個體在信息處理和記憶構(gòu)建上的獨特策略。例如， 借鑒Sulfaro等人（2023）利用所構(gòu)建的分層系統(tǒng)的計算模型， 模擬了視覺表征與感知之間的神經(jīng)計算關(guān)系， 研究者可以利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）在不同卷積層中分配的權(quán)重生成可行的新模型， 模擬失象癥個體在視覺表象生成上的困難， 從而揭示他們在信息處理上的獨特策略。

這種結(jié)合不僅能加深對失象癥的理解， 還能為人工智能系統(tǒng)的設(shè)計提供啟示， 幫助構(gòu)建更具適應(yīng)性和靈活性的智能系統(tǒng)。通過模擬和分析失象癥個體的認(rèn)知策略， 研究者可以開發(fā)出更多類型的AI模型， 從而提高人工智能系統(tǒng)在復(fù)雜環(huán)境下的表現(xiàn)和用戶體驗。

6.3 建立更好的擬人化智能產(chǎn)品：提升人工智能用戶體驗

未來的研究還應(yīng)關(guān)注失象癥研究成果在人工智能產(chǎn)品中的應(yīng)用， 通過結(jié)合失象癥個體的認(rèn)知策略， 開發(fā)更好的擬人化智能產(chǎn)品。例如， 基于失象癥個體在信息處理和記憶構(gòu)建上的獨特策略， 設(shè)計個性化的學(xué)習(xí)輔助工具和認(rèn)知訓(xùn)練應(yīng)用。這些工具可以幫助用戶更好地理解和記憶學(xué)習(xí)內(nèi)容， 提高學(xué)習(xí)效率和效果。在產(chǎn)品設(shè)計和開發(fā)中充分考慮個體差異， 確保產(chǎn)品具有可訪問性和包容性。這包括了解用戶群體的認(rèn)知差異， 以更好地滿足其需求。理解認(rèn)知差異并在產(chǎn)品設(shè)計中綜合考慮這些差異， 有助于使AI產(chǎn)品更貼合用戶的個體需求， 提高用戶體驗和產(chǎn)品的可用性（Kunda， 2018）。

總之， 通過深入探索失象癥的多感官模態(tài)、建立新的學(xué)習(xí)模型和開發(fā)更好的擬人化智能產(chǎn)品， 未來的研究將進一步揭示大腦信息表征的奧秘， 為認(rèn)知科學(xué)、神經(jīng)科學(xué)和人工智能的交叉研究提供新的思路和方法。這些研究不僅有助于深化對失象癥與視覺表象的理解， 還將為人類的自我認(rèn)識提供科學(xué)參考。

參考文獻

常松， 張得龍， 潘京花， 梁碧珊， 黃瑞旺， 劉鳴. （2017）. 初級視覺皮層在表象表征方式研究中的作用. 心理科學(xué)， 40（2）， 335?340. https：//doi.org/10.16719/j.cnki.1671-6981. 20170213

劉鳴. （2004）. 表象研究方法論. 心理科學(xué)， 27（2）， 258?260. https：//doi.org/10.16719/j.cnki.1671-6981.2004.02.001

葉曉燕， 張得龍， 常松， 劉鳴. （2018）. 視覺表象個體差異及其神經(jīng)基礎(chǔ). 心理科學(xué)進展， 26（7）， 1186?1192. https：//doi.org/10.3724/SP.J.1042.2018.01186

張得龍， 梁碧珊， 文學(xué)， 黃瑞旺， 劉鳴. （2014）. 視覺表象可視化——視覺表象研究的新途徑. 心理科學(xué)， 37（3）， 573? 580. https：//doi.org/10.16719/j.cnki.1671-6981.2014.03.014

Arcangeli， M. （2023）. Aphantasia demystified. Synthese， 201（2）， 31. https：//doi.org/10.1007/s11229-022-04027-9

Bainbridge， W. A.， Pounder， Z.， Eardley， A. F.， & Baker， C. I. （2021）. Quantifying aphantasia through drawing： Those without visual imagery show deficits in object but not spatial memory. Cortex， 135， 159?172. https：//doi.org/ 10.1016/j.cortex.2020.11.014

Barnett， K. J.， & Newell， F. N. （2008）. Synaesthesia is associated with enhanced， self-rated visual imagery. Consciousness and Cognition， 17（3）， 1032?1039. https：//doi.org/10.1016/ j.concog.2007.05.011

Bartolomeo， P.， Bachoud-Lévi， A. C.， Chokron， S.， & Degos， J. D. （2002）. Visually- and motor-based knowledge of letters： Evidence from a pure alexic patient. Neuropsychologia， 40（8）， 1363?1371. https：//doi.org/10.1016/S0028-3932（01）00209-3

Bashivan， P.， Kar， K.， & DiCarlo， J. J. （2019）. Neural population control via deep image synthesis. Science， 364（6439）， eaav9436. https：//doi.org/10.1126/science.aav9436

Bastos， A. M.， Usrey， W. M.， Adams， R. A.， Mangun， G. R.， Fries， P.， & Friston， K. J. （2012）. Canonical microcircuits for predictive coding. Neuron， 76（4）， 695?711. https：// doi.org/10.1016/j.neuron.2012.10.038

Battleday， R. M.， Peterson， J. C.， & Griffiths， T. L. （2021）. From convolutional neural networks to models of higher- level cognition （and back again）. Annals of the New York Academy of Sciences， 1505（1）， 55?78. https：//doi.org/ 10.1111/nyas.14593

Bergmann， J.， Gen?， E.， Kohler， A.， Singer， W.， & Pearson， J. （2016）. Smaller primary visual cortex is associated with stronger， but less precise mental imagery. Cerebral Cortex， 26（9）， 3838?3850. https：//doi.org/10.1093/cercor/bhv186

Breedlove， J. L.， St-Yves， G.， Olman， C. A.， & Naselaris， T. （2020）. Generative feedback explains distinct brain activity codes for seen and mental images. Current Biology， 30（12）， 2211?2224. https：//doi.org/10.1016/j.cub.2020.04.014

Brons， L. （2019）. Aphantasia， SDAM， and episodic memory. Annals of the Japan Association for Philosophy of Science， 28（0）， 9?32. https：//doi.org/10.4288/jafpos.28.0_9

Burkhardt， M.， Bergelt， J.， G?nner， L.， Dinkelbach， H. ü.， Beuth， F.， Schwarz， A.， … Hamker， F. H. （2023）. A large-scale neurocomputational model of spatial cognition integrating memory with vision. Neural Networks， 167， 473?488. https：//doi.org/10.1016/j.neunet.2023.08.034

Cohoe， C. （2019）. Aristotle， de anima： Translation， introduction， and commentary. The Philosophical Quarterly， 69（274）， 192?193. https：//doi.org/10.1093/pq/pqy001

Crowder， A. （2018）. Differences in spatial visualization ability and vividness of spatial imagery between people with and without aphantasia （Unpublished doctorial dissertation）. Virginia Commonwealth University.

Dance， C. J.， Ipser， A.， & Simner， J. （2022）. The prevalence of aphantasia （imagery weakness） in the general population. Consciousness and Cognition， 97， 103243. https：//doi.org/10.1016/j.concog.2021.103243

Dance， C. J.， Jaquiery， M.， Eagleman， D. M.， Porteous， D.， Zeman， A.， & Simner， J. （2021）. What is the relationship between aphantasia， synaesthesia and autism？ Consciousness and Cognition， 89， 103087. https：//doi.org/10.1016/ j.concog.2021.103087

Dance， C. J.， Ward， J.， & Simner， J. （2021）. What is the link between mental imagery and sensory sensitivity？ Insights from aphantasia. Perception， 50（9）， 757?782. https：//doi.org/ 10.1177/03010066211042186

Dawes， A. J.， Keogh， R.， Andrillon， T.， & Pearson， J. （2020）. A cognitive profile of multi-sensory imagery， memory and dreaming in aphantasia. Scientific Reports， 10（1）， 10022. https：//doi.org/10.1038/s41598-020-65705-7

Dawes， A. J.， Keogh， R.， Robuck， S.， & Pearson， J. （2022）. Memories with a blind mind： Remembering the past and imagining the future with aphantasia. Cognition， 227， 105192. https：//doi.org/10.1016/j.cognition.2022.105192

De Haas， B.， & Schwarzkopf， D. S. （2018）. Spatially selective responses to Kanizsa and occlusion stimuli in human visual cortex. Scientific Reports， 8（1）， 611. https：//doi.org/10.1038/s41598-017-19121-z

De Vito， S.， & Bartolomeo， P. （2016）. Refusing to imagine？ On the possibility of psychogenic aphantasia. A commentary on Zeman et al. （2015）. Cortex， 74， 334?335. https：//doi.org/10.1016/j.cortex.2015.06.013

DiCarlo， J. J.， Zoccolan， D.， & Rust， N. C. （2012）. How does the brain solve visual object recognition？ Neuron， 73（3）， 415?434. https：//doi.org/10.1016/j.neuron.2012.01.010

Dijkstra， N.， Bosch， S. E.， & Van Gerven， M. A. J. （2019）. Shared neural mechanisms of visual perception and imagery. Trends in Cognitive Sciences， 23（5）， 423?434. https：//doi.org/10.1016/j.tics.2019.02.004

Faw， B. （2009）. Conflicting intuitions may be based on differing abilities： Evidence from mental imaging research. Journal of Consciousness Studies， 16（4）， 45?68.

Galton， F. （1880）. Visualised numerals. Nature， 21（533）， 252?256. https：//doi.org/10.1038/021252a0

Grush， R. （2004）. The emulation theory of representation： Motor control， imagery， and perception. Behavioral and Brain Sciences， 27（3）， 377?396. https：//doi.org/10.1017/ S0140525X04000093

Hinwar， R. P.， & Lambert， A. J. （2021）. Anauralia： The silent mind and its association with aphantasia. Frontiers in Psychology， 12， 744213. https：//doi.org/10.3389/fpsyg. 2021.744213

Horikawa， T.， & Kamitani， Y. （2017）. Generic decoding of seen and imagined objects using hierarchical visual features. Nature Communications， 8（1）， 15037. https：//doi.org/ 10.1038/ncomms15037

Jacobs， C.， Schwarzkopf， D. S.， & Silvanto， J. （2018）. Visual working memory performance in aphantasia. Cortex， 105， 61?73. https：//doi.org/10.1016/j.cortex.2017.10.014

Kay， L.， Keogh， R.， Andrillon， T.， & Pearson， J. （2022）. The pupillary light response as a physiological index of aphantasia， sensory and phenomenological imagery strength. eLife， 11， e72484. https：//doi.org/10.7554/eLife.72484

Keogh， R.， Bergmann， J.， & Pearson， J. （2020）. Cortical excitability controls the strength of mental imagery. eLife， 9， e50232. https：//doi.org/10.7554/eLife.50232

Keogh， R.， & Pearson， J. （2018）. The blind mind： No sensory visual imagery in aphantasia. Cortex， 105， 53?60. https：// doi.org/10.1016/j.cortex.2017.10.012

Keogh， R.， & Pearson， J. （2021）. Attention driven phantom vision： Measuring the sensory strength of attentional templates and their relation to visual mental imagery and aphantasia. Philosophical Transactions of the Royal Society B： Biological Sciences， 376（1817）， 20190688. https：//doi.org/10.1098/rstb.2019.0688

Keogh， R.， Wicken， M.， & Pearson， J. （2021）. Visual working memory in aphantasia： Retained accuracy and capacity with a different strategy. Cortex， 143， 237?253. https：//doi.org/10.1016/j.cortex.2021.07.012

K?nigsmark， V. T.， Bergmann， J.， & Reeder， R. R. （2021）. The Ganzflicker experience： High probability of seeing vivid and complex pseudo-hallucinations with imagery but not aphantasia. Cortex， 141， 522?534. https：//doi.org/ 10.1016/j.cortex.2021.05.007

Krempel， R.， & Monzel， M. （2024）. Aphantasia and involuntary imagery. Consciousness and Cognition， 120， 103679. https：//doi.org/10.1016/j.concog.2024.103679

Kunda， M. （2018）. Visual mental imagery： A view from artificial intelligence. Cortex， 105， 155?172. https：//doi.org/ 10.1016/j.cortex.2018.01.022

Lillicrap， T. P.， Santoro， A.， Marris， L.， Akerman， C. J.， & Hinton， G. （2020）. Backpropagation and the brain. Nature Reviews Neuroscience， 21（6）， 335?346. https：//doi.org/ 10.1038/s41583-020-0277-3

Liu， J.， & Bartolomeo， P. （2023）. Probing the unimaginable： The impact of aphantasia on distinct domains of visual mental imagery and visual perception. Cortex， 166， 338?347. https：//doi.org/10.1016/j.cortex.2023.06.003

Macpherson， T.， Churchland， A.， Sejnowski， T.， DiCarlo， J.， Kamitani， Y.， Takahashi， H.， & Hikida， T. （2021）. Natural and Artificial Intelligence： A brief introduction to the interplay between AI and neuroscience research. Neural Networks， 144， 603?613. https：//doi.org/10.1016/j.neunet. 2021.09.018

Marks， D. F. （1973）. Visual imagery differences in the recall of pictures. British Journal of Psychology， 64（1）， 17?24. https：//doi.org/10.1111/j.2044-8295.1973.tb01322.x

Meng， M.， Chang， S.， Zhang， X.， & Pearson， J. （2023）. Imageless imagery in aphantasia： Decoding non-sensory imagery in aphantasia. Research Square. Advance online publication. https：//doi.org/10.21203/rs.3.rs-3162223/v1

Millidge， B.， Tschantz， A.， & Buckley， C. L. （2022）. Predictive coding approximates backprop along arbitrary computation graphs. Neural Computation， 34（6）， 1329?1368. https：//doi.org/ 10.1162/neco_a_01497

Milton， F.， Fulford， J.， Dance， C.， Gaddum， J.， Heuerman- Williamson， B.， Jones， K.， ... Zeman， A. （2021）. Behavioral and neural signatures of visual imagery vividness extremes： Aphantasia versus hyperphantasia. Cerebral Cortex Communications， 2（2）， tgab035. https：//doi.org/ 10.1093/texcom/tgab035

Monzel， M.， Keidel， K.， & Reuter， M. （2021）. Imagine， and you will find – Lack of attentional guidance through visual imagery in aphantasics. Attention， Perception， & Psychophysics， 83（6）， 2486?2497. https：//doi.org/10.3758/ s13414-021-02307-z

Monzel， M.， Vetterlein， A.， & Reuter， M. （2022）. Memory deficits in aphantasics are not restricted to autobiographical memory – Perspectives from the Dual Coding Approach. Journal of Neuropsychology， 16（2）， 444?461. https：//doi.org/ 10.1111/jnp.12265

Monzel， M.， Vetterlein， A.， & Reuter， M. （2023）. No general pathological significance of aphantasia： An evaluation based on criteria for mental disorders. Scandinavian Journal of Psychology， 64（3）， 314?324. https：//doi.org/ 10.1111/sjop.12887

Moro， V.， Berlucchi， G.， Lerch， J.， Tomaiuolo， F.， & Aglioti， S. M. （2008）. Selective deficit of mental visual imagery with intact primary visual cortex and visual perception. Cortex， 44（2）， 109?118. https：//doi.org/10.1016/j.cortex. 2006.06.004

Moulton， S. T.， & Kosslyn， S. M. （2009）. Imagining predictions： Mental imagery as mental emulation. Philosophical Transactions of the Royal Society B： Biological Sciences， 364（1521）， 1273?1280. https：//doi.org/ 10.1098/rstb.2008.0314

Muckli， L.， De Martino， F.， Vizioli， L.， Petro， L. S.， Smith， F. W.， Ugurbil， K.， ... Yacoub， E. （2015）. Contextual Feedback to Superficial Layers of V1. Current Biology， 25（20）， 2690?2695. https：//doi.org/10.1016/j.cub.2015.08.057

Nanay， B. （2021）. Unconscious mental imagery. Philosophical Transactions of the Royal Society B： Biological Sciences， 376（1817）， 20190689. https：//doi.org/10.1098/rstb.2019.0689

Nonaka， S.， Majima， K.， Aoki， S. C.， & Kamitani， Y. （2021）. Brain hierarchy score： Which deep neural networks are hierarchically brain-like？ iScience， 24（9）， 103013. https：//doi.org/10.1016/j.isci.2021.103013

Palermo， L.， Boccia， M.， Piccardi， L.， & Nori， R. （2022）. Congenital lack and extraordinary ability in object and spatial imagery： An investigation on sub-types of aphantasia and hyperphantasia. Consciousness and Cognition， 103， 103360. https：//doi.org/10.1016/j.concog.2022.103360

Pearson， J. （2019）. The human imagination： The cognitive neuroscience of visual mental imagery. Nature Reviews Neuroscience， 20（10）， 624?634. https：//doi.org/10.1038/ s41583-019-0202-9

Pearson， J.， Naselaris， T.， Holmes， E. A.， & Kosslyn， S. M. （2015）. Mental imagery： Functional mechanisms and clinical applications. Trends in Cognitive Sciences， 19（10）， 590?602. https：//doi.org/10.1016/j.tics.2015.08.003

Pounder， Z.， Jacob， J.， Eardley， A. F.， Evans， S.， Loveday， C.， & Silvanto， J. （2021）. Exploring individual differences in neuropsychological and visuospatial working memory task performance in aphantasia. Journal of Vision， 21（9）， 2655. https：//doi.org/10.1167/jov.21.9.2655

Pounder， Z.， Jacob， J.， Evans， S.， Loveday， C.， Eardley， A. F.， & Silvanto， J. （2022）. Only minimal differences between individuals with congenital aphantasia and those with typical imagery on neuropsychological tasks that involve imagery. Cortex， 148， 180?192. https：//doi.org/10.1016/ j.cortex.2021.12.010

Richards， B. A.， Lillicrap， T. P.， Beaudoin， P.， Bengio， Y.， Bogacz， R.， Christensen， A.， … Kording， K. P. （2019）. A deep learning framework for neuroscience. Nature Neuroscience， 22（11）， 1761?1770. https：//doi.org/10.1038/ s41593-019-0520-2

Schrimpf， M.， Kubilius， J.， Hong， H.， Majaj， N. J.， Rajalingham， R.， Issa， E. B.， ... DiCarlo， J. J. （2018）. Brain-Score： Which Artificial Neural Network for Object Recognition is most Brain-Like？ bioRxiv preprint. Advance online publication. https：//doi.org/10.1101/407007

Silver， D.， Hubert， T.， Schrittwieser， J.， Antonoglou， I.， Lai， M.， Guez， A.， ... Hassabis， D. （2018）. A general reinforcement learning algorithm that masters chess， shogi， and Go through self-play. Science， 362（6419）， 1140?1144. https：//doi.org/10.1126/science.aar6404

Spratling， M. W. （2016）. Predictive coding as a model of cognition. Cognitive Processing， 17（3）， 279?305. https：// doi.org/10.1007/s10339-016-0765-6

St-Yves， G.， & Naselaris， T. （2018）. The feature-weighted receptive field： An interpretable encoding model for complex feature spaces. NeuroImage， 180， 188?202. https：// doi.org/10.1016/j.neuroimage.2017.06.035

Sulfaro， A. A.， Robinson， A. K.， & Carlson， T. A. （2023）. Modelling perception as a hierarchical competition differentiates imagined， veridical， and hallucinated percepts. Neuroscience of Consciousness， 2023（1）， niad018. https：// doi.org/10.1093/nc/niad018

Takahashi， J.， Saito， G.， Omura， K.， Yasunaga， D.， Sugimura， S.， Sakamoto， S.， ... Gyoba， J. （2023）. Diversity of aphantasia revealed by multiple assessments of visual imagery， multisensory imagery， and cognitive style. Frontiers in Psychology， 14， 1174873. https：//doi.org/ 10.3389/fpsyg.2023.1174873

Vetter， P.， Smith， F. W.， & Muckli， L. （2014）. Decoding sound and imagery content in early visual cortex. Current Biology， 24（11）， 1256?1262. https：//doi.org/10.1016/ j.cub.2014.04.020

Watkins， N. W. （2018）. （A）phantasia and severely deficient autobiographical memory： Scientific and personal perspectives. Cortex， 105， 41?52. https：//doi.org/10.1016/ j.cortex.2017.10.010

Whittington， J. C. R.， & Bogacz， R. （2019）. Theories of error back-propagation in the brain. Trends in Cognitive Sciences， 23（3）， 235?250. https：//doi.org/10.1016/ j.tics.2018.12.005

Wicken， M.， Keogh， R.， & Pearson， J. （2021）. The critical role of mental imagery in human emotion： Insights from fear-based imagery and aphantasia. Proceedings of the Royal Society B： Biological Sciences， 288（1946）， 20210267. https：//doi.org/10.1098/rspb.2021.0267

Wittmann， B. C.， & ?at?rer， Y. （2022）. Decreased associative processing and memory confidence in aphantasia. Learning & Memory， 29（11）， 412?420. https：//doi.org/ 10.1101/lm.053610.122

Yamins， D. L. K.， & DiCarlo， J. J. （2016）. Using goal-driven deep learning models to understand sensory cortex. Nature Neuroscience， 19（3）， 356?365. https：//doi.org/10.1038/ nn.4244

Zeman， A. （2020）. Aphantasia. In A. Abraham （Ed.）， The Cambridge handbook of the imagination （pp. 692?710）. chapter， Cambridge： Cambridge University Press.

Zeman， A.， Dewar， M.， & Della Sala， S. （2015）. Lives without imagery – Congenital aphantasia. Cortex， 73， 378?380. https：//doi.org/10.1016/j.cortex.2015.05.019

Zeman， A.， Dewar， M.， & Della Sala， S. （2016）. Reflections on aphantasia. Cortex， 74， 336?337. https：//doi.org/ 10.1016/j.cortex.2015.08.015

Zeman， A.， Milton， F.， Della Sala， S.， Dewar， M.， Frayling， T.， Gaddum， J.， ... Winlove， C. （2020）. Phantasia–The psychological significance of lifelong visual imagery vividness extremes. Cortex， 130， 426?440. https：//doi.org/ 10.1016/j.cortex.2020.04.003

Zeman， A. Z. J.， Della Sala， S.， Torrens， L. A.， Gountouna， V. E.， McGonigle， D. J.， & Logie， R. H. （2010）. Loss of imagery phenomenology with intact visuo-spatial task performance： A case of 'blind imagination'. Neuropsychologia， 48（1）， 145?155. https：//doi.org/10.1016/j.neuropsychologia. 2009.08.024

Zhao， B.， Della Sala， S.， Zeman， A.， & Gherri， E. （2022）. Spatial transformation in mental rotation tasks in aphantasia. Psychonomic Bulletin & Review， 29（6）， 2096?2107. https：//doi.org/10.3758/s13423-022-02126-9

Beyond visual constraints： Interdisciplinary exploration of aphantasia

QI Denghui， ZHANG Delong

（School of Psychology， South China Normal University， Guangzhou 510631， China）

Abstract： Aphantasia is a unique psychological phenomenon characterized by an individual's inability to voluntarily generate mental imagery in the brain. Researchers have revealed the existence of aphantasia through subjective assessment methods such as the VVIQ， and explored its neural basis using binocular rivalry paradigms and brain imaging techniques. The study found that individuals with aphantasia often employ alternative strategies， such as verbal descriptions and non-visual approaches， to compensate for deficits in imagery tasks. These strategies are diverse and manifest not only in imagination and memory but also in spatial abilities， metacognition， and emotional experiences. The application of deep learning models has not only advanced the intersection of cognitive science and artificial intelligence but also provided new avenues for uncovering the neural computational mechanisms of aphantasia. Future research could continue to explore the multisensory modalities and cognitive diversity in aphantasia， develop new deep learning models to simulate its cognitive patterns， and reveal its neural mechanisms， offering new pathways for understanding brain information representation and developing more human-like intelligent systems.

Keywords： aphantasia， mental imagery， cognition strategy， deep learning