A sorozat 566. részében már volt szó a székről. Így tudod, hogy mielőtt megtennéd, a szemed már elvégezte a munka nehezét (feltéve, hogy képes vagy ülni, pl. nem csípte meg egy darázs a seggedet): felismerte, hogy amit lát, az szék. Pedig a retinánkra vetülő kép szinte sohasem ugyanaz. Szemből nézve az ülőlap trapéz, felülről téglalap, oldalról egy vékony vonal. Félhomályban szürke folt, a kabátod alatt viszont csak egy darab láb és egy támla sarka látszik belőle. A konyhaszék, a hintaszék, a bárszék és a babzsákfotel alig hasonlít egymásra. Mégis egyetlen pillantás elég egy hároméves gyereknek is.

A bevezető részben két mesterséges intelligenciát, a ChatGPT-t és a Claude-t kérdeztem meg erről, és mindkettő elismerte, hogy egészen másképp „tudja”, mi a szék, mint az ember. Most azt nézzük meg, mit derített ki erről a látáskutatás az elmúlt bő száz évben. Előre szólok: nincs egyetlen válasz. A kutatók nem mindig ugyanarra a kérdésre kerestek választ. Volt, aki azt vizsgálta, hogyan áll össze az alak, volt, aki azt, mire használjuk a tárgyat, és volt, aki azt, hogyan nevezzük meg. Ahol viszont ugyanarra kérdeztek rá, ott nem mindenkinek lett igaza: van olyan feltevés, amelyet a kísérletek megcáfoltak, gólyamese lett belőle, és van, amelyik csak kiegészítésre szorult. Érdemes úgy olvasni őket, mintha kívülről egy szobát járnál körül, és minden ablakon át ugyanarra a székre néznél rá. Közben azt is számon kell tartanod, melyik ablak üvege torzít.

Mielőtt belevágnánk, van egy praktikus javaslatom. Rengeteg rövid, néma videóval tömködtem tele ezt a részt a mesterséges intelligenciák jóvoltából. Mivel szöveges magyarázat is van bennük, ajánlom, hogy teljes méretben nézd meg őket a YouTube-on, s ha valami nem egyből világos, állj meg, tekintsd meg újból!

1890-ben egy fiatal breslaui orvos, Heinrich Lissauer különös esetet írt le.

Egy nyolcvanéves férfi egy ájulásos rohama után a saját szobájában nem találta a legmegszokottabb tárgyait sem. Nem volt vak: látott, a színeket pontosan megkülönböztette. Ha azonban csak a szemére hagyatkozhatott, nem tudta, mit lát. Amint megfoghatta, meghallhatta vagy megszagolhatta a tárgyat, azonnal megnevezte. A jelenséget a korabeli német orvosok lelki vakságnak nevezték. Egy évvel később Sigmund Freud adta neki a ma is használt nevet: agnózia, vagyis „nem-tudás”.

Lissauer arra jött rá, hogy a felismerés két külön lépésből áll. Először a látott elemekből össze kell állnia egy egységes képnek. Aztán ezt a képet össze kell kötni mindazzal, amit a tárgyról tudunk. Bármelyik lépés elromolhat. Hogy melyik, azt Lissauer úgy próbálta eldönteni, hogy lerajzoltatta a beteggel, amit lát. Ez a próba azonban sántít: sokan egészséges szemmel sem tudnak rajzolni, mégis pontosan el tudják mondani, mit látnak. A rajz a kéz ügyességét és a gyakorlatot is méri, nem csak a látást. Sőt. Amikor a művészek lerajzolnak, megfestenek, lefényképeznek valamit, szobrot mintáznak, nem egyszerűen lemásolják a valóságot, hanem értelmezik is azt, közölnek valamit. Amedeo Modigliani bizonyára tökéletesen látott, az alábbi festménye mégsem csupán egy elnyújtott és vázlatosan odakent arc és test.

Hanem olyan kiszolgáltatottság, magány, elhagyatottság, nem erotikus, hanem fájdalmas, ami szavakkal ki sem fejezhető. De figyelj csak!

„A semmi ágán ül szivem,
kis teste hangtalan vacog,
köréje gyűlnek szeliden
s nézik, nézik a csillagok.”
(József Attila: Reménytelenül, részlet)

Az emberi kommunikáció legalább kétféle: az egyik megmutat, a másik elmesél. S ez nem csupán attól függ, hogy mit választasz, hanem attól is, hogy honnan, milyen világból, környezetből jöttél. A rajz tehát nem a látás tiszta lenyomata.

A mai neurológusok inkább összehasonlíttatnak: két alakzatról kell eldönteni, egyformák-e, vagy több közül kiválasztani azt, amelyik a mintával egyezik. Aki ebben is elbukik, annál már a kép sem áll össze. Aki hibátlanul párosít, de a látott tárgy jelentéséhez nem fér hozzá, annál a felismerés másik összetevője sérülhetett. A puszta megnevezési nehézséget azonban ettől is meg kell különböztetni: lehet, hogy tudja, mire való, csak a neve nem jut eszébe. Ez a megfigyelés máig minden tárgyfelismerési modell próbaköve. A szék látványa és a szék felismerése nem ugyanaz. A kép összeállítása és a jelentés felidézése két külön munka, és az agyban részben más-más helyen zajlik.

Mi lehet az a valami, amivel a látott képet összevetjük? A legegyszerűbb válasz: egy tárolt kép. Úgy illesztjük a bemenetet az emlékezetben őrzött mintára, ahogy a kulcsot a zárba. Ez a sablonillesztés. Szép elképzelés, de hamar elakad. Minden nézőponthoz, mérethez és fényviszonyhoz külön sablon kellene, és egy behorpadt üdítős doboz már nem illene a dobozsablonba.

A második ötlet a kép szétszedése. 1959-ben egy amerikai kutató, Oliver Gordon Selfridge „démonok” zajos gyűlésének képzelte el a felismerést.

Az alsó szinten egyszerű démonok vonalakat, szögeket, íveket keresnek. Fölöttük minden betűnek, minden tárgynak saját démona van, amely annál hangosabban kiabál, minél több saját jegyét látja. A legfelső démon a leghangosabbat választja. Ugyanabban az évben derült ki, hogy a macska agyában tényleg vannak vonalirányra hangolt sejtek, így a jegyekből építkező magyarázat évtizedekre uralkodóvá vált. Szegény cicákról lesz még szó. A démonoknak van azonban egy gyengéjük: a jegyek viszonyát nem kódolja. Egy T és egy L ugyanabból a két vonalból áll, és négy lába nemcsak a széknek van, hanem az asztalnak is.

Erre a gyengeségre Anne Marie Treisman adott választ 1980-ban.

Szerinte a színt, a vonalirányt, a mozgást a látórendszer figyelem nélkül, egyszerre rögzíti az egész látótérben. Azt viszont, hogy melyik szín melyik alakhoz tartozik, csak a figyelem köti össze, amikor egy adott helyre irányul. Ha egy kék kört és egy vörös négyzetet nagyon rövid ideig villantanak fel, miközben a figyelem máshol jár, a nézők néha vörös kört vagy kék négyzetet látnak. A szék sem csak lábak, ülőlap és támla listája: azt is tudni kell, melyik láb melyik ülőlaphoz tartozik.

A harmadik ötlet egy angol kutatóé, David Courtenay Marré.

Ő a látást számítási feladatként fogta fel, és lépésekre bontotta. A fényességváltozásokból először élek és foltok vázlata lesz. Ebből a látható felületek képe áll össze, úgy, ahogy a megfigyelő felől látszanak. Ezt két és fél dimenziós vázlatnak nevezte: már tartalmaz mélységi és felületi irányokra vonatkozó információt, de még a megfigyelő nézőpontjához kötődik, nem a teljes tárgy önálló térbeli leírása. Végül a tárgy saját, nézőponttól független leírása következik, amelyben a karfa nem a látvány bal szélén van, hanem az ülőlaphoz kapcsolódik. Marr 1980-ban, harmincöt évesen halt meg. Gondolatmenete ma is a terület közös nyelve, de az a feltevése, hogy minden felismeréshez ilyen teljes térbeli modellt kell kiszámítani, nem igazolódott.

Marr gondolatát Irving Biederman tette a legszemléletesebbé.

1987-ben azt javasolta, hogy a tárgyakat néhány tucat egyszerű térbeli alapformából, hengerből, kúpból, hasábból, ékből és ezek viszonyaiból rakjuk össze, ahogy a beszédet is néhány tucat hangból. Ezeket az alapformákat geonoknak nevezte, és legfeljebb harminchatot feltételezett. A szék így leírva: egy lapos hasáb négy vékony hengeren, a hátsó szélén egy függőleges lappal.

A geonokat olyan képi jegyek árulják el, amelyek a nézőpont változásával is többnyire megmaradnak. Egy egyenes él majdnem minden irányból egyenesnek látszik, egy görbe görbének. A párhuzamosság trükkösebb. Ha a képen két vonal párhuzamos, szinte biztos, hogy a valóságban is az, mert ilyen egybeesés véletlenül ritkán jön létre. Fordítva viszont nem igaz: a távolodó sínek a valóságban párhuzamosak, a képen mégis összetartanak.

A látórendszer tehát a képből következtet a térre, és ez a következtetés legtöbbször helyes. Biederman egy egyszerű kísérlettel mutatta meg, mennyire fontosak ezek a jegyek. Tárgyak vonalrajzát villantotta fel a kísérleti személyeknek, és mérte, mennyi idő alatt és milyen pontosan nevezik meg őket. A rajzokból előtte ugyanannyi vonalat törölt ki kétféleképpen. Ha a szakaszok közepéből vett el, a rajzok felismerhetők maradtak. Ha a csúcsokat törölte, ahol a részek találkoznak, a felismerés összeomlott. Később majmok agyában is mérték ugyanezt. A kutatók egyes idegsejtek elektromos válaszát rögzítették a halántéklebeny alsó részén, a tárgyfelismerés csúcsán. Ezek a sejtek jobban reagáltak arra, ha egy tárgy egyik alapformája kicserélődött, mint a forma arányainak egy ugyanakkora változására, pedig ez utóbbi a képen nagyobb különbséget okozott.

Biederman szerint egy tárgyat sokféle szögből felismerünk, amíg a jellegzetes részei láthatók maradnak. Ha egy szokatlan nézetből a támla eltakarja az ülőlapot, vagy két láb egybeolvad, a felismerés neki is nehezebb lesz. Ezt az elképzelést a tübingeni Max Planck biológiai kibernetika intézetben próbára is tették.

A kísérleti személyek számítógéppel rajzolt, soha nem látott, drótból hajlított gemkapocsra emlékeztető tárgyakat tanultak meg néhány nézőpontból, aztán újakból kellett felismerniük őket. Az eredmény egyértelmű volt: a felismerés a megszokott szögekből jól ment, az elforgatott nézeteknél viszont fokozatosan romlott. Mintha a látórendszer nem egyetlen háromdimenziós leírást tárolna, hanem néhány „fényképet”, és az új látványt ezek közé illesztené be. A kutatók egy része ebből arra következtetett, hogy a tárgyakat nem építőkockákként, hanem tárolt nézetek gyűjteményeként ismerjük.

A vita bő egy évtizedig tartott, és nem azzal zárult, hogy az egyik tábor győzött. Mindkét oldalnak el kellett engednie valamit. Az egyiknek azt, hogy a felismerés teljesen független a nézőponttól, a másiknak azt, hogy a látórendszer puszta fényképgyűjtemény. Biederman azt válaszolta a tübingeni kísérletre, hogy a drótgemkapcsoknak nincsenek geonjaik, tehát nem csoda, hogy nézetfüggően ismerjük fel őket. Napjaink összefoglaló tanulmányainak szerzői is arra jutottak, hogy a két mechanizmus egymás mellett működik, és a feladattól függ, melyik kerül előtérbe. Amikor azt kell eldöntenünk, hogy valami szék-e, a részek és viszonyaik a fontosabbak, ezek pedig sokféle szögből kiolvashatók. Amikor viszont azt, hogy ez a mi székünk-e, a nagymamáé a konyhából, akkor a megszokott nézetek emléke dönt.

Aki valaha kereste a saját autóját egy parkolóban felülről, egy emeleti ablakból, tudja, miről van szó. Az, hogy autó, azonnal látszik. Az, hogy melyik a miénk, már sokkal kevésbé.

1959-ben David Hunter Hubel és Torsten Niels Wiesel egy elaltatott macska látókérgébe vezetett hajszálvékony elektródát, és fénypontokat vetített a cica elé.

Órákig nem történt semmi. Aztán a vetítőbe tett üveglemez széle egy ferde árnyékcsíkot húzott a vászonra, és a hangszóróból hirtelen kattogás hallatszott: a sejt tüzelni kezdett. Kiderült, hogy ez a sejt nem fénypontra, hanem egy bizonyos dőlésszögű vonalra vár. A felfedezésért 1981-ben Nobel-díjat kaptak.

Az agyad tehát tényleg jegyekkel kezd: az első látókérgi területen élekkel és vonalirányokkal. Innen a jel egy pályán halad végig a halántéklebeny felé, és minden állomáson összetettebb mintázatra reagáló sejteket talál: kontúrokra, ívekre, részekre, végül egész tárgyakra és arcokra.

A szegedi Sáry Gyula és belga kollégái a kilencvenes évek elején majmok agyában, egyes idegsejtek tüzelését rögzítve mutatták ki, hogy a pálya végén ülő sejtek magát az alakot ismerik fel, akár fényesség, akár mozgás, akár felületi mintázat rajzolja ki.

Azt azért hozzá kell tennem, hogy nem lettem volna a majmok helyében. Az elektródákat altatásban ültették az állatok fejébe, majd az első napon vízelvonással vették őket rá arra, hogy a szemükkel a megfelelő helyre fixáljanak. A majom szája előtt a későbbiekben jutalmat adó, gyümölcslével vagy vízzel töltött csővezeték vége látható. A szemmozgás jelei és a neuronális aktivitás az állat fejére épített korona közvetítésével jutottak a mérőrendszerhez.

Ez az egyik út, a „mi” pálya, tudományos nevén ventrális vizuális pálya. Van mellette egy másik is, a „hol” vagy „hogyan”, esetleg „hová”, a dorzális vizuális pálya, amely a fali lebeny felé tart, és azzal foglalkozik, hogyan nyúljunk a tárgy után. A két pálya szétválásáról már részben volt szó, a legdrámaibban egy asszony esete mutatta meg. Szén-monoxid-mérgezés után nem tudta megmondani, milyen irányban áll egy levélbedobó nyílás, és nem ismerte fel a tárgyak alakját. Ha viszont a kezébe adtak egy kártyát, és arra kérték, hogy dobja be a résen, hibátlanul elfordította a kezét. A keze „látta”, amit ő nem.

Egészséges embereknél is megfigyelhető valami hasonló. Egy homorú arcmaszkot domborúnak látunk, mert az arcok mindig domborúak. Egy kísérletben apró jelölőket ragasztottak egy ilyen maszkra, és a résztvevőknek le kellett pöckölniük őket. A kezük a jelölők valódi, homorú helyére nyúlt, nem oda, ahol a szemük látta őket. A látás két rendszere egyszerre két különböző világot ismerne.

A látási feldolgozáshoz kapcsolódó emlékezeti rendszerben még különösebb sejtekre bukkantak. 2005-ben a műtét előtti vizsgálat során epilepsziás betegek agyába beültetett elektródákkal találtak egy idegsejtet, amely Jennifer Aniston színésznő mind a hét fényképére tüzelt.

Viszont nem tüzelt akkor, amikor a színésznő Brad Pitt-tel együtt volt a képen.

Egy másik sejt Halle Berry fényképére, rajzára és leírt nevére is reagált.

Ezek már nem képet, hanem fogalmat képviselnek. A felfedezőjük „fogalmi sejteknek” nevezte őket. A régi „nagymamasejt” elképzelése, hogy minden ismerősünknek egyetlen saját sejtje van, ennek ellenére nem állta ki a próbát. A kutatók becslése szerint egy fogalomhoz sejtek nagy csoportja tartozik, és egy-egy sejt több fogalomhoz is.

Viszont, ha egy agyterület aktivitásából kiolvasható, milyen tárgyat láttunk, abból még nem következik, hogy ott dől el a felismerés. Ehhez azt is meg kell nézni, mi történik, ha az a terület sérülés vagy átmeneti mágneses ingerlés miatt kiesik. A szén-monoxid áldozatának esete éppen ezért olyan beszédes: ott a természet végezte el ezt a kísérletet.

A szem is „gondolkodik”. A múlt század hatvanas éveiben Alfred Lukjanovics Jarbusz moszkvai fiziológus azt vizsgálta, merre jár a szemünk, amikor egy képet nézünk.

Apró tükröt rögzített (nem ragasztott, nyugi) a kísérleti személyek szemére. A tükör egy szívókorongos sapkán ült, amelyet érzéstelenítő csepp után közvetlenül a szemgolyóra szívattak, és a róla visszavert fénysugárral fotopapírra vagy filmre rajzoltatta a tekintet útját. Azért ez se lehetett kellemes. A vizsgálat részletes leírásából kiderül, hogy eléggé mesterséges körülmények között és feltételekkel dolgoztak, s inkább a jelenség kimutatása, mintsem a pontos szemmozgás leírása volt az eredmény. Az egyik leghíresebb vizsgálati kép Ilja Jefimovics Repin festménye, a „Váratlan látogató” volt: Egy száműzetésből váratlanul hazatérő férfi lép be a családi szobába.

Ugyanazt a festményt ugyanaz az ember többször nézte meg, minden alkalommal más kérdéssel. Minden felvétel három percig tartott. Az alábbi ábra a kérdésekre adott szemmozgásokat mutatja.
a) Szabad szemlélés (nincs kérdés);
b) Becsülje meg a képen látható család anyagi helyzetét!
c) Adja meg a szereplők életkorát!
d) Következtessen arra, mivel foglalatoskodott a család a váratlan látogató megérkezése előtt!
e) Jegyezze meg, milyen ruhát viselnek a szereplők!
f) Jegyezze meg a szereplők és a tárgyak elhelyezkedését a szobában!
g) Becsülje meg, mennyi ideig volt távol a váratlan látogató a családjától!

A vagyonra kérdezve a tekintet a bútorokon és a ruhákon járt, az életkorra kérdezve az arcokon, a távollétre kérdezve az arcok és a hazatérő között cikázott oda-vissza. Egy arcon pedig a szem újra és újra visszatért ugyanoda: a szemekhez és a szájhoz. Jarbusz azt mondta, hogy a szemmozgás tükrözi a gondolkodást, de nem a szemmozgás hozza létre a látott képet. Inkább a nyersanyagot szállítja hozzá. A látás tehát nem kamera, amely mindent egyformán rögzít. Kérdez, válogat, és azt keresi, amire éppen szüksége van. Érdemes hozzátenni, hogy mások 2009-ben modern szemkamerával ismételték meg a kísérletet, és a lényeg megmaradt.

A szovjet pszichológia ezt a gondolatot tovább is vitte. Alekszandr Vlagyimirovics Zaporozsec (nem az autó) elsősorban a kisgyermekkori és óvodáskori fejlődéssel foglalkozott.

Szerinte a gyerek úgy tanul meg látni, ahogy tapintani: a szemével „körbejárja” a tárgyat, és közben elsajátítja a kultúrája által kialakított mércéket, az alapformákat, a színneveket. Egy felnőtt szemmozgása ennek a hosszú tanulásnak a rövidített, villámgyors változata.

Hermann von Helmholtz, német fizikus és fiziológus már a 19. század közepén azt állította, hogy a látás tudattalan következtetés.

A szem hiányos és többértelmű adatokat szállít, az agy pedig a tapasztalatai alapján kikövetkezteti, megjósolja, hogy mi lehet a legvalószínűbb tárgy, amely ilyen képet vet. Nem tudunk róla, és nem is tudunk ellene tenni. Ez a gondolat a későbbi, előrejelzésen alapuló látásmodellek egyik fontos előzménye.

Emlékszel a homorú maszkra? A korábban már bemutatott Kovács Ilona a „Mindentudás Egyeteme” sorozatban két példával mutatta meg, mennyire igaza volt Helmholtznak. Az egyik a Montserrat hegyén álló Szent György-szobor, amelynek az arca homorúan van kifaragva a kőbe.

Mégis domborúnak látjuk, akkor is, ha tudjuk, hogy homorú. Életünk során annyi domború arcot láttunk, hogy ez a tudás a látványt is felülírja. A másik példa egy értelmetlen fekete-fehér foltkép. Amíg nem tudjuk, mit ábrázol, foltok maradnak. Ha egyszer megmutatják a hozzá tartozó rajzot, hirtelen egy szakállas férfi arca ugrik elő belőle, és onnantól soha többé nem tudjuk nem látni. A hat-hét éves gyerekek többségénél ez a segítség nem működik: az ő szemük ugyanúgy tanácstalanul pásztázza a képet a rajz után is. A látáshoz tehát tudás kell, és ez a tudás évekig épül.

Kovács Ilona előadásában van egy kísérlet, amitől hátast dobtam, annyira meglepett.

Dög vagyok, nem árulom el neked, miről van szó, tessék megnézni az egész „Mennyi ész kell a látáshoz?” című előadást az alábbi linkre kattintva, különben hülyén fogsz meghalni. Ha viszont végignézed, nemcsak többet fogsz érteni a látás mechanizmusából, hanem egy csodálatos ember gondolatait ismerheted meg, lubickolhatsz bennük. Noha a felvétel 2006-ban készült, a tudományos ismeretterjesztés immár örökbecsű példája.

https://nava.hu/id/me-142/

Moshe Bar és munkatársai szerint arra is magyarázat, hogyan segítheti ekkora sebességgel a korábbi tudás a felismerést.

A kép elmosódott, durva változata valamilyen rövidebb úton jut el a homloklebeny alsó részébe, és ott megszületik az „első tipp”. A mérések szerint ez körülbelül ötven ezredmásodperccel korábban történik, mint ahogy a halántéki területeken megjelenik a felismeréshez kötött aktivitás. Az első tipp leszűkíti a lehetőségeket: a pult mellett álló magas ülőkét már azelőtt bárszéknek várjuk, hogy igazán megnéztük volna.

Fiser József, aki ma a CEU-n dolgozik, amerikai kollégájával egy meglepő kísérlettel még tovább ment.

A résztvevők absztrakt alakzatokat néztek, és bizonyos alakzatok rendszeresen egymás mellett tűntek fel. A résztvevők ezt nem vették észre. Utólag mégis ismerősebbnek ítélték a gyakran együtt járó párokat, mint a véletlenül egymás mellé kerülőket, pedig semmilyen közös körvonaluk nem volt. A látórendszer tehát a puszta együttjárásból is megtanulja, mi tartozik össze. A tárgy részben az, ami mindig együtt jár. A szék: ülőlap, láb, támla.

Az eddigi modellek többsége lentről építkezik: vonalakból kontúr, kontúrokból rész, részekből tárgy. Az előző részben szó volt a Gestalt-pszichológusokról, akik szerint az egész több, mint a részek összege, és az egészet előbb látjuk. Ezt a gondolatot egy kínai kutató, Csen Lin (ún. pinjin átírásban Chen Lin) fogalmazta meg a legélesebben.

1982-ben a Science folyóirat november 12-i számában azt állította, hogy a látás nem a részletekkel kezdődik, hanem az alak topológiai tulajdonságaival.

A topológia a geometriának az az ága, amelyet nem érdekel sem a méret, sem a szög, sem az egyenesség, csak az, hogy egy alakzat összefüggő-e, hány lyuk van rajta, és mi van belül, mi kívül. Egy topológus számára a bögre és a fánk ugyanaz: mindkettőn egy lyuk van. Csen kísérleteiben alakzatpárokat villantott fel olyan rövid ideig, hogy a résztvevők nem tudták szemügyre venni őket. A topológiai különbséget – például a gyűrű és a korong közöttit – még így is megbízhatóbban észrevették.

Az elméletet a nemzetközi szakma két évtizedig hűvösen fogadta, mert szembement a „részletektől az egész felé” haladó fősodorral. Csen szerint az ember előbb az egészről szerez benyomást, és csak utána egészíti ki a részletekkel. Ma már egyre több kutató fogadja el, hogy a látórendszer bizonyos esetekben valóban a globális jegyekre érzékenyebb. Azt viszont a topológia sem magyarázza meg, hogyan különböztetjük meg a bögrét a fánktól: ehhez már a részletes alak és a tudás is kell.

A magyar látáskutatás is hozzájárult ehhez a szemlélethez. Kovács Ilona és a szintén már említett Julesz Béla vonaldarabokból álló körvonalakkal kísérletezett, amelyeket zajos háttérbe rejtettek el. Kimutatták, hogy egy zárt körvonal sokkal többet ér a látórendszer számára, mint egy majdnem zárt, továbbá, hogy egy alakon belül a látás érzékenysége az alak „csontvázához”, a középtengelyéhez igazodik. A szék tehát nemcsak lábak és támla halmaza, hanem egy zárt, összefüggő egész is, amelynek van belseje és van háttere.

Hubel és Wiesel macskája két évtized alatt géppé alakult. 1980-ban egy japán mérnök, Fukusima Kunihiko megépítette az első olyan mesterséges hálózatot, amelyben egyszerű és összetett „sejtek” rétegei váltakoznak, a látókéreg működéséről alkotott hierarchikus elképzelést követve. Ebből nőttek ki a mai konvolúciós neurális hálók, amelyek 2012-ben áttörést hoztak a gépi képfelismerésben, és amelyek ma a mobiltelódban felismerik az arcunkat.

2014-ben amerikai kutatók majmok halántéklebenyébe ültetett elektródákkal rögzítették, hogyan reagálnak az idegsejtek sok ezer képre, és ugyanezeket a képeket megmutatták különféle hálózatoknak is. Azt találták, hogy minél jobban ismeri fel egy hálózat a tárgyakat, annál pontosabban jósolja meg az idegsejtek válaszait. Pedig a hálózatot senki sem tanította az agyra, csak arra, hogy jól ismerje fel a tárgyakat. Mintha a feladat maga kényszerítené ki ugyanazt a megoldást az elméből és a gépből.

Ez a hasonlóság azonban főleg az első pillantásra vonatkozik. Simon Jonathan Thorpe és munkatársai 1996-ban fényképeket villantottak fel mindössze kétszázad másodpercig, és a résztvevőknek jelezniük kellett, van-e rajtuk állat.

Az agy elektromos válaszában már 0,15 másodperc múlva látszott a különbség az állatos és az állat nélküli képek között. A gombnyomás ennél jóval később érkezett. Sokáig úgy gondolták, hogy ennyi idő alatt csak egy egyirányú „söprés” fér bele, éppen olyan, amilyet a gépi hálózatok végeznek. Újabb mérések szerint azonban a visszacsatolás már egytized másodperc körül bekapcsol, a látókéreg legelső állomásain is. A nehezebb, takart vagy szokatlan képeknél pedig az agy egyre többször visszacsatol (rekurrens), újranéz, tippel és ellenőriz.

A látókéreg területei között előrecsatoló, visszacsatoló és egyes állomásokat átugró kapcsolatok is vannak. A következő videó a főemlősök tárgyfelismerésében részt vevő kérgi területek néhány kapcsolatát szemlélteti. A mozgó jelölők a lehetséges jelutakat mutatják; sebességükből az agyi folyamatok valódi időzítésére nem következtethetünk.

A kutatók ezt most utánozni próbálják. Egy 2026-os vizsgálatban a visszacsatolt hálózatok maguktól megtanulták azt, amit az ember is tesz: ha felismerik, mi takarja a széket, a hiányzó részt a takaróval magyarázzák, és így könnyebben ráismernek a székre.

A takarás azonban egy korábbi kérdéshez is visszavezet: honnan tudja a rendszer, melyik képrészlet melyik tárgyhoz tartozik? Hiszen a bemenet egyetlen kép, benne egymásba érő, egymást részben elfedő alakokkal. Egyes mesterséges hálózatokban külön belső egységek tanulják meg magukhoz rendelni a különböző tárgyak képi részleteit. Kezdetben ezek a hozzárendelések még keveredhetnek, majd ismételt módosításokkal elkülönülő tárgyleírások alakulhatnak ki. A következő videó ezt az elvet mutatja be. A jobb oldalon a három alakzat látható részei különülnek el; a takarás mögötti részeket ez a szemléltetés nem rajzolja hozzájuk.

Egy belga kutatócsoport 2025-ben viszont azt mutatta ki, hogy a visszacsatolás önmagában nem csodaszer. A vizsgált visszacsatolt hálózatok nem hibáztak emberibb módon, mint a nagyobb, egyirányú társaik. Az is számít, mit tanult a hálózat, és mekkora. Az sem mindegy tehát, hogyan tanulnak ezek a hálózatok. Az egyik módszer az összetartozó és az eltérő példák összevetésére épít: ezt kontrasztív tanulásnak nevezik. A szék két különböző nézete összetartozó pár lehet, míg a szék és az asztal ebben a feladatban eltérő példa. A tanulás során az összetartozók belső leírásai közelednek, az eltérőké távolodnak egymástól. A pár két tagja azonban nem feltétlenül két kép. A CLIP nevű modell képeket és a hozzájuk tartozó szövegeket kapcsol össze: a szék képét például az „egy szék” szöveggel. A videó két oldalán ezt a kétféle tanulási helyzetet láthatod. A mozgás a belső leírások hasonlóságának változását szemlélteti.

A sorozat 566. részében a mesterséges intelligenciák maguk mondták el, hol hibáznak: a felület mintázatára jobban figyelnek, mint a formára, a hátteret is felhasználják, és egy felülről fotózott hintaszéken könnyebben elcsúsznak, mint egy gyerek. És van valami, ami a gépből egészen hiányzik. A szék az embernek nemcsak egy alak, hanem egy mozdulat is: térdmagasság, teherbírás, a hát pihenése. A gép látott már millió széket, de egyre sem ült még le.

A már szintén említett amerikai pszichológus, James Jerome Gibson a múlt század hetvenes éveinek végén azt mondta, hogy nem tárgyakat látunk, hanem lehetőségeket. A szék elsősorban nem egy forma, hanem egy ajánlat: itt le lehet ülni. Egy térdmagasságú, vízszintes, szilárd felület ezt kínálja, akár szék, akár farönk, akár egy kőpárkány. Gibson ezt affordanciának nevezte, a cselekvésre kínálkozó lehetőségnek. A lehetőség azonban nem azonos a székkel. Egy sziklára le lehet ülni, mégsem nevezzük széknek. A babaház székére senki sem ül le, mégis azonnal széknek látjuk. A szék tehát egyszerre ajánlat, tervezett rendeltetés és megtanult kategória. Gibson egy ponton élesen szembement Helmholtzcal: szerinte az észlelés közvetlen, nincs szükség hozzá következtetésre. Ebben a vitában a mai idegtudomány inkább Helmholtz felé hajlik, a cselekvés szempontját viszont Gibsontól örökölte.

Nagyjából ugyanekkor Eleanor Rosch azt vizsgálta, milyen szinten gondolkodunk a tárgyakról. Kiderült, hogy van egy kitüntetett szint. A bútor túl általános: nem tudunk egyetlen képet rajzolni, amely minden bútort megmutatna. A konyhaszék túl szűk. A szék éppen jó: ezen a szinten ismerjük fel a tárgyakat a leggyorsabban, ezt a szót tanulják meg először a gyerekek, és ezen a szinten a legegyformábbak a mozdulatok is, amelyekkel a tárggyal bánunk.

De attól, hogy tudjuk, milyen csoportba soroljuk a tárgyat, még kérdés, hogyan döntjük el, hogy odatartozik-e. Az egyik modell szerint a látott széket a székek jellegzetes belső mintájához, úgynevezett prototípusához hasonlítjuk. A másik szerint korábban megismert egyedi példányok emléke segíti a döntést. A két eljárás ugyanazokból a tapasztalatokból is eltérő eredményre juthat. A következő videó ezt két tárgycsoporttal szemlélteti: az egyik szabály a csoportok átlagához mért távolságot veszi alapul, a másik az egyes példányokhoz való hasonlóságokat összesíti, nagyobb súlyt adva a közelieknek. Az új tárgy így az egyik szabály szerint az egyik, a másik szerint a másik csoportba kerül.

Moszkvában Mark Szemjonovics Sehter egészen más úton jutott a fogalom körüli elmosódott körhöz.

Kísérleteiben geometriai feladatokat adott diákoknak, és azt találta, hogy egy szokatlan formájú vagy megcsonkított trapézban sokan nem látják meg a trapézt, ezért a feladatot csak kerülőúton, bonyolult szerkesztésekkel oldják meg, holott a trapéz fogalmát jól tudják. A hiba nem a fogalomban volt, hanem a képekben: hiányzott a fejükből a trapéz sokféle változatának képe. Sehter szerint minden szigorú geometriai fogalom körül magától kialakul a hozzá hasonló alakzatok elmosódott köre, például a „trapézszerű” alakzatoké. A széknél is így van: a fogalommal eldöntjük, mi szék, a képpel egy pillantás alatt ráismerünk, akkor is, ha a szék nem egészen szabályos.

Végül a nyelv. Egy pekingi kutatócsoport nemrég agyi érkatasztrófán átesett betegeket vizsgált agyi képalkotással. Azt találták, hogy ha megsérül a kapcsolat a látókéreg és a nyelvi területek között, az agy a tárgyak színéről szóló tudást is rosszabbul őrzi. Egy másik pekingi csoport viszont azt mutatta ki, hogy a makákók agyában is ott van a tárgyak színének emléke, pedig nekik nincs nyelvük. A nyelv tehát nem hozza létre ezt a tudást, de az embernél részt vesz a megőrzésében. Korábban már felmerült, hogy a magyar „bárszék” szóban benne van a szék, az angol „bar stool”-ban nincs. Hogy ez a különbség a látásunkat is befolyásolja-e, az egyelőre nyitott kérdés.

Honnan tudjuk tehát, hogy szék? A szemünk vonalakból és élekből indul. A látórendszerünk részekből, nézetekből, egészekből rakja össze. A tudásunk előre tippel, a figyelmünk kérdez, a testünk ülni akar, a nyelvünk megnevez. Egyik modell sem mondja el a teljes történetet, és van köztük olyan is, amelynek egy-egy feltevése nem állta ki a próbát. A szék egyszerre forma, mozdulat, emlék és szó: az ember mindezt egyetlen pillantásba sűríti.

Nekem meg van egy emlékem a magyarul 1970-ben megjelent, „Absztrakt festészet” című könyvről, Heinrich Lützeler ismeretterjesztő alkotásáról.

Ebben olvastam: „Végül tehát a szabályos birodalma érintkezik a szabálytalan birodalmával; matematikai átmegy a matematikailag már felfoghatatlanba, és az általánost elnyomja a részletek gazdagsága. Csak úgy hemzsegnek az egyedi formák. A kis forma-egyéniségek nagyon is a saját akaratuk szerint viselkednek. Ezek a formák kígyóznak, fickándoznak, összecsukódnak vagy sokoldalúan kitárulkoznak, ezek a formák kemények vagy puhák, hegyesek vagy gömbölyűek, határozott irányba tartanak vagy cél nélkül hányódnak. Hol egyedül marad egy alak, hol pedig több figura társul egymással: lazán érintkeznek, vagy kuszán egymásra zsúfolódnak. Ez a fantázia világa.”