论文https://arxiv.org/pdf/1807.04587.pdf（2018年 7 月）报告了一些努力寻找生物学上合理的人工神经网络学习算法。他们主要关注反向传播，但也讨论权重共享。他们回顾了该领域主要研究人员和其他人的大量工作。他们得出结论，运行良好的算法不合理，合理的算法运行不佳。他们的参考资料看起来是进一步阅读的一个很好的起点，而且看起来整个问题又有点升温了。

我认为卷积的含义有些混乱。ConvNets 在 ANN 研究中使用权重共享（也称为权重绑定）。https://www.quora.com/What-exactly-is-meant-by-shared-weights-in-convolutional-neural-network有一个教程。

这里的重点是权重共享，而不是卷积本身。它对于平移不变性至关重要，这是 ConvNets 最重要的主张之一。没有它，他们将无法在合理的时间内学到任何东西。因此，人工神经网络研究人员倾向于假设“卷积”意味着权重共享。

在其他学科中，我认为没有重量共享这样的概念。正如@Carl 所说，卷积结构在大脑中很熟悉，但在大脑中似乎没有什么比形式或功能上的重量共享更重要。

因此，要回答 OP 的原始问题：卷积是非常合理的，但权重共享不是。因此，在视觉或任何其他领域中，对于 ConvNets 没有生物学上合理的模型，对于也使用权重共享的某些其他类型的 ANN 也没有。（人们也可以对所有使用反向传播的人工神经网络说同样的话，其中包括大多数监督学习，无论是否卷积。）

警告：我只看了@Carl 引用的论文。对我来说化学太多了，所以我只是假设它 与权重共享的卷积无关。

与@JWG 链接的论文相关，这里是 Hinton 关于同一主题的讲座，还请务必查看他最近探索的关于胶囊网络的概念

https://www.youtube.com/watch?v=rTawFwUvnLE

更笼统地说，无论何时试图弥合大脑与通过 ANN 建模之间的差距，Hinton 无疑是我最好的首选之一。