在動物認知研究領域，數量感知能力是衡量物種智能水平的重要指標。以往研究發現，猴子、烏鴉等高等動物遵循韋伯-費希納定律——即數量認知呈對數壓縮特征，但作為基礎鳥類的鴿子是否具有相似機制尚不明確。這一問題的解答不僅關乎物種認知進化理論，更對理解生物大腦如何平衡計算精度與能耗具有啟示意義。鄭州大學與清華大學的研究團隊通過創新性實驗設計，在《Animal Cognition》發表重要成果。

研究團隊首先攻克了鳥類行為訓練的難題，開發出包含主控模塊、刺激顯示模塊、獎勵強化模塊和動物切換模塊的全自動訓練系統。該系統能精確控制單次獎勵顆粒數（0.037g/次），使兩只鴿子（B5和C3）累計完成超6萬次試驗。核心實驗采用延遲數量匹配任務（delayed match-to-numerosity task），通過標準刺激與三組控制刺激（固定密度、固定面積、固定周長）排除非數量特征干擾。數據分析采用高斯擬合函數評估線性尺度與對數尺度的行為曲線對稱性，通過R²值和σ值量化擬合優度。

在"行為準確性"部分，研究顯示鴿子對1-5個點陣的識別準確率穩定在73%左右，且四類刺激組間無顯著差異（p>0.28），證實其確實依賴數量特征而非低階視覺線索。"行為表現函數"分析發現，在線性尺度上呈現典型數量級效應（magnitude effect）：相同數量距離下，基數越大識別精度越低；而對數轉換后該效應消失，不同基數曲線寬度（σ=0.008）趨于一致。"心理數字線尺度"部分通過高斯擬合證明，對數尺度的R²值（0.85±0.01）顯著優于線性尺度（0.70±0.01），σ值變異最小，支持對數壓縮模型的最優性。

討論部分指出，盡管鴿子大腦皮層神經元數量（pallial neurons）遠少于烏鴉和猴子，但其數量表征策略與高等物種趨同，提示對數壓縮可能是生物大腦長期進化的最優解。這種策略在保證小數量精度的同時，通過降低大數量表征精度來減少計算負荷（computational load），對開發低功耗仿生算法具有參考價值。研究還推測鴿子的近似數量系統（approximate number system, ANS）可能不受數量范圍限制，這為后續更大數量區間的探索奠定基礎。全自動訓練裝置的創新設計，不僅解決了傳統方法導致的動物應激問題，更為鳥類認知研究提供了標準化范式。

該研究首次在基礎鳥類中驗證了韋伯-費希納定律的普適性，揭示了跨物種認知進化的保守機制。從應用角度看，生物大腦這種"精度-能耗"權衡策略，為人工智能領域的實時高效算法設計提供了天然優化方案。正如研究者強調的，對數壓縮表征可能是生命在億萬年進化中淬煉出的最佳解決方案，這一發現架起了比較認知神經科學與計算科學的新橋梁。