视觉皮层的奥秘：大脑如何区分“固体”与“流体”
我们日常生活中的视觉体验纷繁复杂，从坚硬的石块到潺潺的流水，大脑无时无刻不在处理着各种物质形态的信息。一项开创性的新研究揭示，我们大脑的视觉皮层并非一视同仁地处理所有物质，而是进化出了专门的区域，用于分析“固体物”（things）和“流动物质”（stuff），如水或沙子。这一发现不仅为我们理解大脑如何构建物质世界提供了新视角，也为人工智能在物理交互领域的进展提供了深刻启示。
长期以来，神经科学界对大脑如何处理三维物体形状已有所了解，例如腹侧视觉通路中的“外侧枕叶复合体”（Lateral Occipital Complex, LOC）在物体识别中扮演着关键角色。同时，背侧视觉通路中的“额顶叶物理网络”（Frontoparietal Physics Network, FPN）则负责分析物质的物理属性，如质量和稳定性。然而，这些研究大多集中在刚性或可变形的固体对象上，对于液体、颗粒状物质等“流动体”的感知机制，大脑的运作方式却鲜为人知。麻省理工学院（MIT）的神经科学家们正是填补了这一空白，他们的研究成果在《当代生物学》（Current Biology）期刊上发表，为我们揭示了大脑对“流体”认知的独特之处。
实验设计与核心发现
为了深入探究大脑对不同物质的反应，研究团队采用了创新性的实验方法。他们利用专门为视觉特效艺术家设计的软件，创建了100多个视频片段，展示了不同类型的“固体物”和“流动物质”在物理环境中与各种场景的互动。这些视频包括物质在透明盒子中晃动或翻滚、从高处坠落到另一物体上，或者沿着楼梯弹跳或流淌。通过功能性磁共振成像（fMRI）技术扫描受试者观看这些视频时的大脑活动，研究人员得以精确定位大脑中活跃的区域。
实验结果令人惊叹：尽管LOC和FPN这两个关键视觉通路都对“固体物”和“流动物质”产生反应，但每个通路内部都存在独特的子区域，对其中一类物质的响应更为强烈。具体来说，大脑的腹侧和背侧视觉通路似乎都存在这种精细的分区，一部分对“固体物”更敏感，而另一部分则对“流动物质”表现出更强的激活。此前，由于研究重心多在固体物体上，这种内部的精细区分从未被发现。这一发现不仅深化了我们对视觉皮层功能分化的理解，也预示着大脑在处理物理世界信息时，其复杂性和专业性远超我们想象。
功能意义：为何大脑需要这种区分？
大脑为何要如此精细地划分“固体物”和“流动物质”的感知区域呢？研究人员提出，这种区分可能与大脑规划如何与不同类型的物理材料进行交互的能力密切相关。例如，当我们面对一个坚硬的物体时，大脑可能会激活抓取或拾取的动作规划；而面对液体或粘稠物质时，则可能需要借助工具（如勺子）来处理。这种基于物质属性的交互策略差异，恰恰需要大脑能够快速、准确地识别物质类型，并调动相应的处理机制。这种前瞻性的交互规划，正是大脑在生存和适应环境中不可或缺的能力。
麻省理工学院认知神经科学教授南希·坎维舍（Nancy Kanwisher）指出，对液体或粘稠物质的处理方式与对刚性物体的处理方式截然不同。这种区分使得大脑能够预判并选择最有效的交互方式。这不仅仅是识别，更是一种为未来动作做准备的预处理过程。从进化的角度看，能够高效地与环境中的各种物质互动，无疑对生物体的生存至关重要。例如，识别哪些是可食用的坚果（固体），哪些是可饮用的水（流体），并知道如何获取它们，都是基于这种物质区分能力。
计算类比与未来展望
这项研究的另一项重要启示在于，它为理解大脑如何模拟物理世界提供了新的视角。研究人员认为，大脑可能采用类似于视频游戏图形中使用的“人工物理引擎”的方式来表示这两类物质。在游戏引擎中，三维物体通常被表示为网格结构，而流体则被表示为可以重新排列的粒子集合。如果大脑也以这种分离的方式进行计算，那么未来可以进一步探索这种“大脑物理引擎”的具体机制和其计算效率。
这种计算上的类比极具吸引力，因为它暗示了大脑可能在多个层面上并行处理信息，以应对不同类型的物理挑战。未来的研究可以深入探究这些区域是否与特定物质特征的处理相关，例如液体的粘度或物体的弹性。此外，在LOC中，研究人员计划研究大脑如何表示流体和可变形物质的形状变化。这包括当水在容器中晃动时其形态的动态变化，以及黏土被塑形时的柔性形变。理解这些动态过程如何在大脑中编码，将进一步揭示大脑对复杂物理现象的建模能力。
这项研究不仅为神经科学领域带来了突破，也为人工智能和机器人技术的发展提供了宝贵思路。如果AI系统能够借鉴大脑区分“固体物”和“流动物质”的机制，或许能开发出更智能、更适应复杂环境的机器人。例如，在处理食品、化学品或进行复杂外科手术时，机器人需要精确地识别并操作不同状态的物质。通过模仿大脑的这一机制，未来的机器人有望实现更精细、更灵活的物理交互能力，从而在自动化、医疗健康等领域发挥更大作用。这项研究由德国研究基金会、美国国家卫生研究院和国家科学基金会资助，其深远意义将持续影响认知科学和相关技术领域的发展。
