一、先回答问题：这个概念存在，但名字得校正
结论先给：你听到的这件事本身是真的，而且是心理学里一条正经的、六十年没断过的研究路线。只是它通行的名字不长这个样子。
把这个六字词拆成三层，分别回答会更清楚：
- 现象存在吗？存在。人在动脑筋时瞳孔会不自觉地胀大，这是可重复观测的生理事实，不是比喻。
- 有成型的方法吗？有。它叫瞳孔测量法（英文 pupillometry，指用相机连续记录瞳孔直径、再从它的变化推断心理状态的一整套做法）。专门拿它研究思维过程的那一支，英文文献里确实写作 cognitive pupillometry（可直译为「认知瞳孔测量」）——2022 年那份方法学指南的标题就是 《认知瞳孔测量方法：设计、预处理与统计分析》。
- 「认知瞳孔测量法」是标准中文术语吗？不是。中文学界通行「瞳孔测量」，2020 年《心理科学进展》那篇综述用的就是「瞳孔测量」与「任务诱发的瞳孔变化」这两个词。
先把三种「瞳孔测量」分开，否则后面全乱
同一双眼睛、同一台红外相机，测出来的东西可以完全不是一回事。三者的证据强度和临床地位差很远，混在一起谈是这个话题最常见的误读来源：
| 类型 | 测什么 | 怎么用 | 成熟度 |
|---|---|---|---|
| 认知型（本报告主角） | 做任务时瞳孔胀大零点几毫米 | 推断脑力消耗、注意、记忆负荷 | 研究工具，尚未成为临床标准 |
| 临床光反射型 | 拿光一照，瞳孔缩多快、缩多少 | 神经重症床边判断颅内情况 | 已有商用设备与量化评分体系 |
| 生物识别型 | 虹膜（瞳孔周围那圈花纹）的结构 | 解锁设备、身份认证 | 已大规模消费级落地 |
后两种严格说不叫「认知瞳孔测量」，但它们和第一种共用硬件、共用中文词，很容易被拿来相互背书——比如把神经重症里成熟的量化指标，拿去证明「瞳孔能读心」。下面第四节会各举一例说明它们的差别有多大。
二、它怎么工作：把瞳孔当成一块「脑力仪表盘」
最简单的理解方式：瞳孔不是一个受你控制的开关，而是一块被动的仪表盘。它主要显示两件事——环境有多亮，以及你此刻有多「使劲」。
两块肌肉，两套神经，等于油门和刹车
控制瞳孔大小的是虹膜（眼球中间那圈有颜色的膜）上的两块肌肉：瞳孔括约肌负责收缩、由副交感神经支配（可以理解成「刹车」，休息与消化状态下更活跃）；瞳孔开大肌负责扩张、由交感神经支配（「油门」，紧张、兴奋、使劲时更活跃）。人在费脑力时，是「油门」这一路被踩了一脚——但踩得非常轻。
两个信号叠在一起，一大一小
同一块仪表盘上叠着两个来源完全不同的信号，这是理解全部技术难点的关键：
- 瞳孔光反射（PLR）——光一亮就缩、一暗就胀，纯生理反射。起始潜伏期约 200 毫秒，约 1.5 秒达到最大收缩。幅度可以横跨 2–8 毫米这个整个量程。
- 任务诱发的瞳孔反应（TEPR）——因为费脑子而胀大的那一部分。幅度只有零点几毫米，通常在刺激出现后 0.5–1 秒冒出一个小峰。
为什么费脑子会让瞳孔变大：蓝斑假说，以及它没那么硬
流行解释是这样一条链：大脑深处有个叫蓝斑（locus coeruleus，脑干里一小簇分泌去甲肾上腺素的神经元，可粗略理解为大脑的「总增益旋钮」）的核团，它一活跃，一方面提高全脑的警觉与信息处理增益，一方面顺带把瞳孔开大肌拉一把。Aston-Jones 与 Cohen 2005 年提出的「适应性增益理论」进一步区分了两种模式：相位性放电（对着当前任务的短促爆发，对应专注与「深耕」）和紧张性放电（持续的高基线，对应对当前任务失去兴趣、开始「四处张望」找别的事做）。这套框架在中文综述里也被完整介绍过。
但这条链子有多结实，要单独说。2022 年发表在 eLife 上的一项研究在小鼠身上同时记录蓝斑神经元放电和瞳孔直径。总体方向是对的——19 对同步记录里有 13 对，峰值瞳孔直径与蓝斑放电量的线性回归 R² 大于 0.6，两者确实单调正相关。问题出在细节：不同记录之间的斜率差得很远（0.12 到 0.51，均值 0.24±0.11），也就是「多放一个电对应瞳孔胀多少」这个换算率本身不稳定；而且只有大于 1.5–2 个标准差的大幅胀缩才达到足够的预测力，这类事件占比不到 10%。作者的原话是：瞳孔扩张「不能准确代表大多数蓝斑放电活动，但可以作为那不频繁（不到 10%）的强烈蓝斑活动的良好代理」。论文标题就是结论——「瞳孔直径不是蓝斑活动的准确实时读数」。
三、六十年简史：从「你对什么感兴趣」到「你有多费劲」
1960 年，起点是「兴趣」。Hess 与 Polt 在《科学》上发表《瞳孔大小与视觉刺激的兴趣价值》，报告人看到自己感兴趣的图片时瞳孔会变大，并称男女对不同题材的反应存在差异。这篇文章开启了整个领域，但它后来也是被质疑最多的一篇。
1966 年，转向「脑力」。Kahneman 与 Beatty 发表 《瞳孔直径与记忆负荷》（《科学》第 154 卷 1583–1585 页）。他们让人记一串数字，发现要记的数字越多、瞳孔胀得越大，报出答案的过程中又逐步缩回去——瞳孔第一次被当成「当前正在被主动加工的信息量」的刻度尺。这是今天所有认知型瞳孔研究的直接源头。
2011 年，被写进畅销书。Kahneman 在《思考，快与慢》里用瞳孔当作「系统 2（需要费力的慢思考）是否被启动」的可视化证据。他在书中那段被广泛转载的描述里说，你心算 17×24 时，旁人凑近看会发现你的瞳孔放大，而在你算出答案或放弃的那一刻缩回常态。中文读者接触到这个概念，多半是从这本书来的。
2021 年，回头清算老账。de Winter 等人做了一次大规模复制：第一个实验 182 人、第二个预注册实验 147 人，重做 Hess 的五项经典研究。结果是分裂的——「瞳孔随心算难度增加而变大」「唤醒性词汇引起更大瞳孔变化」这两条复制成功；而 Hess 最出名的那几条——兴趣价值上的性别差异、看唤醒性视频的性别差异、「瞳孔模仿」（看到别人瞳孔大自己也跟着大）——没有复制出来。同一篇还报告，瞳孔收缩与被试实际注视位置的亮度强相关，直指老研究亮度控制不严的老问题。
四、六个真实案例：从助听器到重症监护室
案例一：让助听器知道你「听得多费劲」
听力障碍者最难受的不是听不见，而是在嘈杂环境里听懂一句话要花掉大量脑力——这件事传统听力检查测不出来，因为答对率可能还不错。丹麦助听器厂商 Demant 旗下的 Eriksholm 研究中心为此立了一个专门项目 PUPILS，与丹麦技术大学（DTU）合作，由首席科学家 Dorothea Wendt 主持，目标是「评估瞳孔测量作为个体层面聆听努力可靠标记的可行性」。
该团队 2023 年发表在《Trends in Hearing》上的信度研究给出了具体数字：31 名听力正常的被试完成两次测量。做法上，先做基线校正、再在个体内做量程归一化，这一组合下峰值与平均瞳孔扩张「在所有信噪比条件下都获得了很高的组内相关系数」（ICC，衡量同一个人重复测量结果一致程度的指标，越接近 1 越稳），跨次访问的相关也是各种处理方式里最高的一档——R = 0.43 到 0.94。但同一篇也指出，用生长曲线分析提取的形态特征信度明显更低：上升斜率在 5 个信噪比条件里只有 2 个达到 ICC 0.6 以上，其它特征更是只有 1 个。
为什么这个案例重要：它显示这套方法要用到个人身上（而不只是比较两组人的平均值），信度是可以做上去的，但严重依赖预处理方式，且换个提取指标就掉下来。
案例二：中年人的瞳孔，和阿尔茨海默基因风险
加州大学圣迭戈分校 Kremen 团队 2019 年发表于《Neurobiology of Aging》的研究，考察了 1119 名 56–66 岁男性（其中认知正常子样本 539 人）。做法是让他们做数字广度任务（听一串数字后复述，逐步加长），同时记录瞳孔。
结果：在认知测验成绩相当的前提下，阿尔茨海默病多基因风险评分越高的人，在高负荷条件下瞳孔胀得越大——上四分位对下四分位的效应量 Cohen's d = 0.36；瞳孔反应本身的遗传度估计为 h² = 0.30–0.36。研究者的解释是：蓝斑是阿尔茨海默病最早出现 tau 蛋白病变的脑区之一，风险高的人可能需要动用更多资源才能达到同样成绩。
怎么读这个结果：d=0.36 是个中小效应，群体层面有信号、个体层面远不足以筛查。它的价值在于提示了一个方向——「用同样的成绩，谁花了更多力气」，这是行为测验本身看不见的维度。
案例三：婴儿的瞳孔与孤独症——注意，这不是认知型
2018 年《自然·通讯》上的一项研究跟踪了 187 名 9–10 个月大的婴儿，其中 29 名在 3 岁时被确诊孤独症谱系障碍。测的是瞳孔对光的相对收缩量：以典型发育组为 1.00（标准差 0.21），高风险未确诊组 1.06（SD 0.23），后来确诊组 1.20（SD 0.24），组间差异 F(2,184)=6.4，p=0.002，ηp²=0.065；且收缩幅度与后来的症状严重度相关（如 ADOS-2 分数 r=0.196，p=0.018）。
关键区分：这测的是光反射，不是任务诱发的认知反应。它被放进这份报告，正是因为中文语境里「瞳孔能查出孤独症」这类说法常被拿去给「瞳孔能测认知」背书——两者证据不通用。另外 ηp²=0.065 意味着组别只解释了约 6.5% 的变异，组间分布大幅重叠，离能用于个体诊断还很远。
案例四：重症监护室里，瞳孔测量已经是成熟工具
与认知研究的谨慎形成对比：在神经重症领域，自动瞳孔测量仪已经是床边常规。2023 年《Journal of Personalized Medicine》的综述介绍了「神经瞳孔指数」（NPi，把瞳孔对光反射的多项参数——潜伏期、最大收缩幅度、收缩速度、扩张速度——与正常人模型比对后算出的 0–5 分标准分）：NPi 低于 3 与颅内压升高及更差预后相关；收缩速度低于 0.6 毫米/秒可作为提示颅内压升高的参考切点；蛛网膜下腔出血患者中，71% 的迟发性脑缺血能被 NPi 下降提前 8 小时以上发现。
为什么放进来：它说明「用相机量瞳孔」这件事本身在医学上早已量化、标准化、商品化了。但它量的是一条反射弧的完整性（一条固定线路通不通），而不是思维的强度（一个高度多因的心理量）。前者成熟，不能被引用为后者也成熟。
案例五：用手机摄像头测瞳孔——以及为什么它对认知研究还不够
加州大学圣迭戈分校团队在 2022 年 CHI 会议上发表 《用智能手机人脸识别摄像头做居家瞳孔测量》，思路是借用手机上原本用于面部解锁的近红外摄像头。与临床级 Neuroptics PLR-2000 对比的结果分两档：
- 做瞳孔光反射测试（11 人）：中位绝对误差 0.27 毫米、中位相对误差 3.52%。
- 做数字广度记忆任务（9 人，即认知型测量）：中位绝对误差 0.62 毫米、相对误差 9.37%。
把这两个数字和前面对照着看，结论就很扎眼：认知活动引起的瞳孔变化本身只有零点几毫米，而手机在认知任务下的中位误差是 0.62 毫米——误差和要测的信号处于同一量级，甚至更大。所以「手机能测瞳孔」是真的，「手机能测你在想事有多费劲」目前还不是。同一台设备用于光反射（信号量级是毫米）则完全站得住，这又回到了信噪比这个总根源。
案例六：2026 年最新的横向对比——它到底有多准
一份 2026 年 2 月的预印本用公开数据集（OpenNeuro 数字广度任务，64 名被试，同时有 64 导脑电和 120 赫兹的 Pupil Labs 瞳孔数据）做了同题对比，试图用机器学习从生理信号判断被试当前的记忆负荷等级：
- 只用瞳孔数据：二分类最高 66.7%（LSTM），XGBoost 61.3%；四分类 52.3%。
- 只用脑电数据：三分类负荷等级 XGBoost 达 99.8%。
作者的结论是「瞳孔测量单独使用可以与脑电竞争」，理由是便携性优势。但把数字摆出来看，这个说法需要打折：四分类 52.3% 的准确率，在四选一的任务上只比瞎猜（25%）高出一倍出头，离可用于个体判读还很远；脑电那个 99.8% 反而高得不像话，通常提示存在数据泄漏或分割方式问题（此为本报告对该预印本数字的解读，非原文表述；该文为未经同行评议的预印本）。
取这个案例的价值：它是目前能找到的最新的、把瞳孔与脑电放在同一数据集上比的公开结果，给出的绝对量级比营销话术里的「精准识别认知状态」低得多。
五、它能回答什么、不能回答什么
能
- 同一个人、同一任务、不同难度之间的相对比较——这是它最结实的用法，六十年来反复复制成功的也主要是这一条（在更新、切换、抑制三类认知控制任务上都成立）。
- 组与组之间的平均差异——如听障组 vs 正常听力组、高遗传风险 vs 低风险。
- 连续、无干扰、不打断任务地拿到一条时间曲线，这是问卷和按键反应做不到的。被试也无法有意识地伪装瞳孔。
不能
- 不能反推具体在想什么。凡是提高加工负荷的事都让瞳孔变大——算术、憋住不笑、听不清、看到吓人的东西。从「瞳孔变大了」推出「他对这个产品有兴趣 / 他在说谎 / 他喜欢这个人」，是典型的反向推断谬误（从一个不特异的生理指标倒推特定心理状态）。
- 不能做跨个体的绝对比较。瞳孔基线大小的个体差异远大于任务效应，A 的瞳孔比 B 大，不说明 A 更费劲。
- 不能靠单次测量下判断。见案例一：即便在实验室条件下，个体级信度也依赖严格的基线校正与归一化，换个提取指标就掉到 ICC 0.6 以下。
三个必须控住的东西，以及一个新发现的第四个
2022 年那份方法学指南给的操作建议相当具体：基线瞳孔大小控制在 3–7 毫米区间为宜；环境照度约 30 勒克斯、屏幕亮度约 30 坎德拉/平方米，且两者要匹配——在暗房里用亮屏会造成眩光不适。数据处理上推荐减法式基线校正（用刺激出现前一小段的平均瞳孔大小去减后续每个采样点），中文综述也推荐减法而非除法，理由是减法受眨眼噪音影响更小。三个必控变量是：亮度、注视位置、基线。
但 2025 年发表在 eNeuro 上的一项研究给这份清单加了个不好办的第四项：即使亮度完全配平，刺激的朝向仍然会系统性地改变瞳孔大小——垂直方向的信号引起的瞳孔面积小于水平方向（实验一 n=15，t(14)=−4.26，p=0.0008；实验二 n=39，t(38)=−2.38，p=0.0223），且这个效应在实验后半段变强、依赖于任务相关位置。作者的结论是：「即使亮度完美匹配，未曾预料的认知状态变化仍会调制瞳孔测量结果。」
六、为什么现在又热起来
这套方法在 1970–80 年代冷过一段（设备昂贵、Hess 那批研究的争议、以及功能性磁共振等新技术抢走注意力），2010 年之后重新升温，主要是三件事叠加：
- 硬件搭便车。眼动追踪已经作为标配进入消费级头显。Apple 官方安全文档写明，Vision Pro 用「时空调制的、对眼睛安全的近红外光照亮眼睛」，由眼动相机采集虹膜图像用于 Optic ID 身份认证；文档中还提到系统会保存不同瞳孔大小下的数学表征以改善后续匹配（Apple 该页面下的语境是提升识别成功率，并非把瞳孔大小用作认知测量）。研究者不再需要买专用设备。
- 工具与成本下探。方法学指南自己就写道，认知瞳孔测量的流行度在指数增长，直接原因是低成本眼动系统和多个开源软件包的出现。案例五那种手机方案是这条线的极端。
- 临床端对蓝斑的兴趣。蓝斑被认为是阿尔茨海默病最早出现病变的脑区之一，而瞳孔是目前唯一无创、便宜、可在诊室外反复测的蓝斑相关指标——即便这条链条本身并不牢固，动机依然强烈。
信度问题也在被正面处理。2026 年《Scientific Reports》上有一项研究专门检验 n-back 任务中瞳孔反应的重测信度与行为相关（该文需登录，本报告未能打开正文，此处仅引用标题层面的信息，未采用其具体数值结论）。
七、与五大关注板块的关联
只有一个板块存在实质关联，其余不硬凑。
AI 应用：关联点有三处。第一，眼动与瞳孔已经是 VR/AR 人机交互的既有数据通道，「实时估计用户认知负荷、据此调整界面或训练难度」是当前活跃的研究方向；2025 年有研究把它用到大语言模型驱动的虚拟课堂里，考察 LLM 交互对学习者注意与认知参与的影响（该预印本 PDF 未能解析出正文数值，此处仅引用其研究主题）。第二，前述案例六那类工作本质上是「生理信号 + 机器学习分类器」，性能天花板由信号本身的信噪比决定，而不是由模型决定——这对所有想用生理信号做 AI 输入的产品都是个提醒。第三是治理面：眼动数据的隐私风险已被系统性梳理，一份 2023 年发布、2026 年刊于《Proceedings of the IEEE》的综述指出，眼动数据结合所呈现的刺激信息，会暴露使用者的隐私敏感属性；而瞳孔恰恰是人几乎无法有意识控制的信号。
光模块、机器人、算力、航天四个板块与本对象无实质关联，不列。
八、下次看什么（监控信号）
- 信噪比这道坎有没有被跨过——盯消费级设备（手机、头显）在认知任务下的测量误差能否降到 0.1 毫米量级以下。目前手机方案在认知任务上是 0.62 毫米，比要测的信号还大；这个数字降下来之前，一切消费级「测认知负荷」的产品宣称都值得怀疑。
- 个体级信度的标准化进展——Eriksholm 的 PUPILS 项目明确以「临床可用的标准化测试」为目标。看是否有听力学领域率先出现被采纳的标准化聆听努力测试流程，这会是这套方法从实验室走向临床的第一个真实门槛。
- 混淆变量清单还在不在变长——2025 年新发现的朝向效应之后，是否还有新的「亮度配平也挡不住」的因素被报告。清单持续变长，说明方法学远未收敛。
- 头显厂商的眼动数据政策——瞳孔数据是否被明确纳入敏感数据类别、是否允许第三方应用取用原始瞳孔序列。这决定了「消费级认知监测」在合规层面是否可能。
- 阿尔茨海默方向的纵向数据——Kremen 那类横断面关联（d=0.36）如果要变成筛查工具，需要的是纵向随访证据：当年瞳孔反应大的人，若干年后是否真的更早发病。看这类随访结果是否出现。
- 中文术语会不会被商业用法抢走——目前中文语境里这个概念基本只出现在学术文献。若「认知瞳孔测量」开始出现在测评产品、招聘筛选或教育硬件的宣传里，那通常意味着它已经跑到了证据前面。
九、信息缺口（本报告没做到的部分）
- 两篇奠基论文的原文正文未能打开。Kahneman & Beatty 1966 与 Hess & Polt 1960 均在《科学》付费墙后（本次抓取返回 403）。本报告对这两篇只引用了题录信息，其实验结论转引自后续综述与复制研究，未从原文核对。
- 一篇 2026 年新论文只用了标题层面的信息。Scientific Reports 那篇 n-back 重测信度研究需登录，其具体信度数值本报告未采用。
- 测谎产品一方的说法未从厂商页面核实。下方「风险与争议」中涉及的商业测谎产品，其厂商官网抓取返回 403，相关宣称转引自批评方页面，已就地标注。
- 未检索中文商业场景。本次只检索了中文学术文献，未系统排查国内是否有教育、招聘或心理测评产品在以「认知瞳孔测量」为名销售。因此关于中文术语的判断仅限学术语境。