摘 要 失象症是一种特殊的心理现象， 表现为个体无法自主在大脑中生成心理表象。研究者通过VVIQ等主观报告方法揭示了失象症现象的存在， 并借助双眼竞争范式和脑成像技术探讨了失象症的神经基础。研究发现失象症个体通常采用替代策略， 如语言描述等非视觉策略， 以弥补表象能力的缺陷。这些策略不仅体现在想象和记忆领域， 还在空间能力、元认知和情感体验等方面表现出多样性。深度学习模型的发展不仅推动了认知科学与人工智能的交叉， 还为揭示失象症的神经计算机制提供了新途径。未来研究应继续探索失象症的多感官模态与认知多样性， 建立新的深度学习模型， 模拟失象症的认知模式并探究其神经机制， 为揭示大脑信息表征并开发更好的拟人化智能产品提供科学依据。

    关键词 失象症， 心理表象， 认知策略， 深度学习

    分类号 B842

    心理表象(mental imagery)是指在缺乏外部感官刺激时大脑生成或重现感觉体验的认知机制。长期以来， 认知心理学围绕心理表象的信息表征格式问题展开了激烈争论(常松 等， 2017)。随着人工智能的兴起和发展， 这些争论逐渐呈现出新的维度。研究显示， 基于物体识别的深度神经网络有助于通过“神经计算”模拟出具体视觉特征， 进而卷积出抽象语义特征， 成为探讨大脑信息表征的新途径(St-Yves & Naselaris， 2018)。深度神经网络不仅能模拟腹侧视觉通路的层级结构和分布式加工， 其不同层级的卷积特征还能在知觉和表象条件下预测大脑腹侧视觉通路不同层级的神经响应(Horikawa & Kamitani， 2017)。通过深度生成网络产生感性形象的过程可以类比大脑的表象过程。与生成网络产生“清晰”的图片不同， 大脑表象过程的神经响应模式只能产生“模糊”的图片(感受野更大而空间频率偏向性降低)， 证实了大脑在视觉层级结构中的表象编码既不同O7cDEqScDCcpHQi5kKgPwA==于知觉加工， 也不同于深度神经网络的计算模式。

    失象症(aphantasia)， 也称心盲症， 是指某些个体在缺失外界感官输入的情况下， 无法自主地在大脑中生成或再现感性形象与感觉体验的特殊心理状态(Zeman et al.， 2015)。失象症为我们认识大脑信息表征格式提供了独特视角， 可以据此结合深度学习算法探讨表征策略及其对应的认知加工的多样性和复杂性。本文从失象症这一现象出发， 介绍个体在缺乏自主视觉表象的条件下采取的认知加工策略， 并考察这如何影响到识别、情感、记忆等功能。在此基础上， 我们希望能为信息表征格式问题的研究提供新视角 ......