迷幻是几何的、帕金森是逼真的：把「幻觉」拆成三个旋钮
同叫「幻觉」，长得却完全不一样。
在迷幻剂作用下，人看到的是万花筒似的几何花纹：放射、螺旋、重复的格纹——抽象、结构化，一眼就知道「不真实」。帕金森病和路易体痴呆患者看到的，却是逼真的人或动物，常常要过一会儿才意识到「那不是真的」。精神分裂症患者更多是「听到」：有声音在说话，像是从外面来的，可声音其实来自自己的大脑。
三种体验，一个名字。如果解释只是「大脑出错了」，等于什么都没说——错在哪里、怎么错的、为什么错出来的东西长得完全不同，才是真正的问题。
2026 年，Suzuki 在 Frontiers in Psychology 发表了一篇理论论文（《Beyond the reducing valve》），给出的答案可以概括成一句话：幻觉不是一种故障，而是三个「旋钮」各自拧错的结果。这篇文章把这个框架讲清楚。
一、先看一台不用药的「幻觉机器」
理解这套框架，得先回到 2017 年的一个实验。
研究人员做了一个系统：把 DeepDream 系列算法和 VR 头显接在一起。DeepDream 的原理并不复杂——图像分类神经网络逐层提取特征，如果反过来「调输入」，让某一层某个神经元激活最大化，网络内部的图案就会被「印」到画面上。这种操作叫激活最大化。
于是参与者戴上头显，看到的是被算法改造过的 360 度全景画面：纹理里浮出眼睛、狗脸、塔楼——它们不是设计师画出来的，而是从网络内部「长」出来的。因为有头部运动与画面的实时耦合，体验相当沉浸。参与者的主观报告是：与迷幻体验在性质上接近。
这个实验在 2021 年被独立复制：观看这类视频时，参与者的脑活动熵增加、功能连接网络发生调节——神经生理层面确实与迷幻状态有接近之处。
这里有一个关键认知：网络学的不是「世界的复制品」，而是「对分类任务有效的特征」。这些特征平时被压在画面背后，你正常看图时感觉不到；一旦被放大、投射出来，就成了「幻觉」。
二、三个旋钮：C、G、D
2026 年的论文借用了深度网络里常见的三种角色，把「幻觉是怎么造出来的」拆成三步。它们本是生成对抗网络（GAN）里的三个组件，论文把它们看作三种可独立调节的「功能旋钮」：
- 分类器（C）：负责从输入里提特征。「什么对判断有用，它就抓什么」。
- 生成器（G）：负责从内部表征合成画面，并用「自然图像先验」把结果往逼真里修——真实照片该有的统计规律，它都学过。
- 判别器（D）：负责判断一个表征是「来自外部输入」还是「内部生成」。这个判断决定它能不能被「采纳为真实」。
用三句白话总结：C 管「看到什么特征」，G 管「像不像真的」，D 管「算不算真的」。
三、三种幻觉 = 三个旋钮各自的错法
把三种幻觉对号入座：
迷幻型（C 型）：G 的约束松开，C 的抽象特征被过度放大、投射到画面上 → 看到几何花纹，非逼真，伴随强烈的「意义感」——一切都显得意味深长。
神经退行型（G 型）：外部输入变得不稳定（感官精度下降），大脑对内部模型的依赖加强，G 用强先验生成了错误类别的逼真图像 → 看到逼真的人、动物。2024 年的一步验证：用「分类网络 + 生成网络」架构生成的假幻觉图像，与帕金森病/路易体痴呆患者实际报告的主观评分高度相似。
精神分裂型（D 型）：问题不在画面生成，而在判断环节——D 的阈值降低了，把内部生成的内容（比如自己的言语）误判成外部来源 → 听到「别人的声音」。这与听幻觉的「副本放电」受损模型（自我产生的信号没有被正确标记）在结构上平行。
同一套机器，三个旋钮，拧错哪一个，出来的就是哪一种幻觉。 论文也承认三者不互斥——临床中可以组合出现。
四、赫胥黎的「减压阀」，换一个读法
这个框架最有趣的地方，是它顺便重写了一个七十年前的旧比喻。
1954 年，赫胥黎在《知觉之门》里提出「减压阀」：大脑像一道阀门，把「大心灵」过滤掉，只让生存必需的信息流进来。迷幻剂的作用，是让阀门松开。这个说法背后有一个形而上学主张——阀门后面存在一个更大的真实世界。
新框架的看法是：阀门打开时涌进来的，不是神秘的「更大的世界」，而是分类器 C 学到的「有效原因」——那些平时被逼真性约束压住的抽象特征。
有一个细节支持这个读法：迷幻视觉是结构化的，不是混乱的。如果是「未经过滤的感官数据」，画面应该是噪点；但人们看到的是规律的几何图案——更像是「特征被放大后打在了屏幕上」。论文还把这个过程与两套已有模型对接：REBUS（迷幻剂下高阶先验的精度放松）和熵脑假说（大脑活动熵升高对应主观体验的丰富化）。神经层面的一条佐证是：后扣带皮层的 alpha 波功率下降与「自我消解」体验相关。
五、顺手解释一下「自我消解」
迷幻体验里很常见的一个现象是「自我消解」——「我」的边界融化了。框架也给了它一个工位：
日常状态里，统一的「自我」更像 G 维持的一个「透明整体」：你觉得它天经地义，感觉不到它是被「生成」出来的。G 的约束消退 = 透明度崩溃——自我被拆回部件（身体感、内感受、叙事）；D 的阈值降低 = 「我真实存在」的感觉变弱。
论文还预测了两种程度：G 松开但 D 没跟上（不完全消解）→ 体验为焦虑；两者都大幅松开（完全消解）→ 连「这是不是我」的判断本身都停止了。对应的可检验预测是：自我消解量表的「边界融化」条目应该跟 G 轴相关，「万物一体」条目应该跟 D 轴相关。
六、怎么检验？三个假设
理论框架最怕「怎么解释都行」。这篇论文提了一个可以被推翻的实验设计：
给参与者看一系列生成图像——同样是从神经网络里「拉」出来的图案，但迭代次数不同（从「不太像」到「非常像真实照片」）。然后测三个东西：你觉得它是真的还是生成的？有多确定？它来自哪里？
三个自变量对应三个旋钮：C 轴换目标层（低级 vs 高级），G 轴有或没有生成器，D 轴用任务和个体差异（比如视觉意象生动程度，VVIQ 问卷）来操作。
三个假设：
- 有 G 时，曲线左移——生成器让图像更快被「采纳为真实」。
- 目标层越高级，曲线斜率越平缓——语义越复杂，越难与真知觉分辨。
- 视觉意象越生动的人（VVIQ 高），曲线的「上界」越高——更容易把内部生成的东西当成真的。
如果三条全被拒绝，框架的预测效用就被证伪。一个框架自己写出「怎么算我错」，是它值得被认真对待的原因。
七、边界：什么时候不该用这套说法
论文自己给了一个重要的阅读提示：这类「AI ≈ 大脑」的框架有三个解读层级——结构类比（描述层的对应）、有用的隐喻（修辞）、可检验假设（实验层的预测）。前两层不需要实验，也永远「说得通」；只有第三层能真正被检验。看这类研究时，先问一句：它停在哪一层？
其他边界也写得很直白：这套框架目前只管知觉层面，不能直接解释妄想（妄想涉及更高层的信念评估）；以视觉为中心，其他感官的扩展还没做；「到底是三个模块，还是同一个网络的不同计算阶段」仍是开放问题。
八、为什么值得关注
对神经科学，它把「幻觉之间的定性差异」变成了「参数差异」——可以被测量、被操纵、被证伪。
对 AI 领域，有两个顺手的好处：其一，GAN 的判别器从工程组件变成了「现实监控」的模型——对抗训练的框架获得了认知科学解释；其二，「幻觉」这个词在 AI 里另有含义（模型胡说事实），而这项研究提醒我们：「幻觉」的机制可能远不止一种——搞清楚人类幻觉的「三个旋钮」，也许能给 AI 幻觉的分类与治理提供一面镜子。
对普通人，它提供的是一种提问方式。下次看到「大脑出错了」这种解释，可以追问一句：错在哪一步——该看到什么特征，像不像真的，算不算真的？
相关阅读
来源与说明
- 论文：Keisuke Suzuki, Beyond the reducing valve: towards a computational neurophenomenology of altered states via deep neural networks, Frontiers in Psychology, 2026（doi: 10.3389/fpsyg.2026.1819038）
- 前序工作：幻觉机器（Suzuki 等，2017）、DGN-AM 幻觉建模（Suzuki 等，2024）、生成对抗大脑（Gershman，2019）；REBUS 与熵脑假说见论文引文
- 文中配图由 HTML + Playwright 生成；本文为论文框架的转述与解读，细节以原文为准
- 本文不构成医学建议；涉及幻觉症状请遵循专业医生的诊断与治疗