视觉注意力预测

视觉注意力预测把眼动追踪从实验室测量，转化为可快速近似的机器学习服务：给定图片、视频帧、广告、网页或包装，模型预测人眼可能看的区域，并输出 attention heatmap。

观察

Neurons AI 的路线是用大量消费者眼动数据训练模型，让上传素材后快速得到近似眼动实验的 heatmap。它把消费者神经科学从一次性实验项目变成可反复调用的设计反馈工具。
这个方向和 NeuroAI 相邻，但边界不同：Concept2Brain 预测脑电/ERP 反应，Neurons 预测可观察的视觉注意分布。后者更接近商业设计评估和 HCI，不等同于解释大脑机制。
供应商称模型可在数秒内生成与 100-150 名受试者眼动结果近似的 heatmap，并声称预测准确率超过 95%。这些数字应视为厂商验证口径，后续需要关注独立评测、跨文化样本和素材类型泛化。
对设计和营销来说，attention prediction 的价值不是替代用户研究，而是降低早期筛选成本：先找出可能被忽略的视觉区域，再决定是否做真实眼动实验或用户访谈。

Neurons 的跨域泛化仍不能由公开材料复核。 厂商继续报告 95%+ 准确率和大规模人类响应数据库，但可见页面没有公开训练集构成、held-out protocol、逐素材域结果或可复算预测；MIT/Tübingen 公共榜单也未出现可识别的 Neurons 商业模型提交。
公开研究显示数据集偏差是实质问题。 ICCV 2025 的跨数据集研究报告约 40% 的未见数据性能下降，说明广告、自然场景、视频、网页、文化、年龄、任务和设备不能被一个汇总准确率覆盖。最低评测应分别报告 held-out 素材域、被试群体、设备、静态/动态媒介和 calibration，并与中心偏差及公开 saliency baseline 比较。
heatmap 只能回答注视/显著性。 “看见”与喜欢、理解、记忆、信任、购买或设计满意度是不同构念。若要声称后者，必须另外采集相应标签，比较 attention-only 与加入 heatmap 后的增量预测效度，并用真实行为或用户研究复核；这不是等待新版本才能回答的问题，而是永久测量边界。