在人脑中，每个常见模式都被大量模式识别器（无论是神经元还是微柱）识别。这很明显，因为神经元一直在死亡，但我们不会醒来并且忘记如何识别字母“A”。事实上，我们必须取出相当大的新皮质，直到功能退化，这就是为什么阿尔茨海默病患者只有在大脑已经明显混乱时才会出现症状。

必须学习层次结构级别内的平移不变性。基本上，您需要在整个 V1 中使用相同边缘的过滤器。在您的视野中移动的对象只会在更高级别的表示中变得不变。不幸的是，我们并没有神奇地学习可以轻松转动和扭曲的表示，我们从不寻常的角度识别物体的能力随着角度的不寻常程度而降低。

一个很好的思想实验来说明这一点：想象一个立方体坐在你面前。现在向上拉立方体的一个角，直到立方体悬在你面前，一个角直接指向天花板，另一个角指向地面。现在用手指指出角的其余部分在哪里。

如果你和我一样，这真的很难。我想我第一次甚至没有意识到我必须指出六个角！

当然这是 3D，我们可能仍然具有内置的 2D 不变性，但事实证明，颠倒的面孔必须在皮质中进行更高的处理才能被识别为面孔等等......

关于跨视野学习许多不同的特征向量：这可能是由于新皮质通过预测（通过去极化）下一个模式来学习输入序列的事实而阻止的。因此，您可能会遇到这样的情况，即较高级别告诉较低级别有一个物体从左向右移动，而较低级别会预测它在 y 点检测到的边缘将在 y+x 点再次出现。

这种设置在两个方面与 NN 的训练不同：数据已经是平移的，并且可以预测平移，这有助于学习相同的特征。基本上，只要某物沿某个方向移动并且预测第二次出现，则彼此靠近的两个模式识别器一个接一个地获得几乎相同的模式，这意味着它更有可能被检测到，这意味着它将被学习。（我不想发表关于皮层的讲座，但这个预测很重要，因为它允许神经元更快地发射，这意味着它们在被横向抑制之前击败其他神经元，只有当它们真正发射时，它们才会学习。 )

作为免责声明，我想补充一点，这只是我目前对这个问题的理解，我很确定实际的解释更复杂。例如，我读过皮层的其中一层对于平移不变性很重要，而这一层只存在于接近感觉输入的水平。推测这一层（L4）不做序列预测的东西，所以也许有相同类型的输入就足够了，或者学习不同的特征向量实际上不是问题。还有一个复杂的问题是，皮质的不同层和不同层次之间的相互作用知之甚少。我建议问问神经科学家，但我认为他们还没有弄清楚这一点。