【网易智能讯12月31日消息】日前，国外媒体撰文称，大脑活动对于人类来说太难理解，我们需要借助机器和人工智能的力量。
在过去的几年里，杰克·格朗特（Jack Gallant）的神经科学实验室发表了一连串听上去荒谬至极的研究论文。
2011年，该实验室证明，光通过观察人在看电影时的大脑活动来再创造电影片段是可行的。仅通过扫描人在看电影式的大脑活动，计算机就能再生成电影的画面，从某种意义上说这是读心。类似地，2015年格朗特的科学家团队通过观察大脑活动来预测人们在想象哪一幅名画。
今年，该团队在《自然》（Nature）杂志中宣布，他们制造了有关1万个以上的独立单词处在大脑什么位置的“地图集”——仅仅通过研究在听播客的参与者，来做到这一点。
他们是怎么做到这一切的呢？通过使用机器学习（一种人工智能技术）工具来分析海量的大脑数据，发现大脑活动的模式来预测我们的感知。
他们的目标并不是打造一个读心机器。神经科学家们无意从你的大脑窃取你的银行账户密码。他们也无意知道你隐秘的阴暗想法。他们的真正目标要宏大得多。通过将数据科学转变成一门“大数据”科学，以及利用机器学习来挖掘那些数据，格朗特和该领域的其他研究人员有潜力彻底改变我们对大脑的理解。
毕竟，人类的大脑是整个宇宙中最复杂的东西，我们对它无甚了解。格朗特实验室的疯狂想法是一个有可能会让神经科学走出初期发展阶段的想法，它就是：也许我们必须得打造机器来理解我们自己的大脑。他们的希望在于，如果我们能够解读错综复杂的大脑，那当大脑遭受疾病的时候，我们就能够知道如何修复它。
功能性磁共振成像（fMRI）——我们当前用来分析大脑功能及其剖析图的主要工具——在1990年代才出现，而它能够带给我们的有用信息也非常有限。
具体来说，fMRI能够检测的大脑活动的最小单位被称为体素。通常来说，这些体素的体积要小于1立方毫米。一个体素中可能有10万个神经细胞。德克萨斯大学神经科学家塔尔·雅科尼（Tal Yarkoni）如是说，看fMRI图像“就像是在空中俯瞰城市，看到哪里的灯是亮着的。”
传统的fMRI图像能够显示对特定行为很重要的宽泛区域在哪里——例如，你可以看到我们是在哪里处理负面情绪，又或者看到当我们看到熟悉的面孔时，大脑的哪些区域会亮起来。
然而，你无法确切知道那一区域在行为中具体扮演什么角色，也无法知道其它不那么活跃的区域是否也扮演重要的角色。大脑并不像各个单元都有着特定功能的乐高积木，它是一个活动网格。“大脑的每一个区域都有50%的概率与大脑中任何其它的区域关联。”格朗特说道。
正因为此，简单的实验——鉴别大脑的“饥饿”区域或者“警觉”区域——无法产生真正令人满意的结论。
“过去14年，我们一直在研究这些大脑活动斑点，以为所有的信息都包含在里面——就这些斑点。”美国国家心理卫生研究所fMRI方法部门主管彼得·班德蒂尼（Peter Bandettini）表示，“结果发现，斑点的每一个细微差别，起伏的每一个细微差别，都包含有关我们大脑活动的信息，我们还无法完全挖掘这些信息。因此，我们需要机器学习技术。我们的眼睛能看到斑点，但无法看到活动模式。那些模式实在太复杂了。”
举例来说，对于大脑如何处理语言的传统观点是，它发生在大脑的左半球，两个特定区域（布若卡氏区和韦尼克氏区）是语言活动的中心。如果那些区域受损，你就无法产生语言。
但格朗特实验室的博士后阿莱克斯·胡思（Alex Huth）最近证明，那种理解过于简单了。他想要知道是否整个大脑都参与语言的理解。
在实验中，他让数位参与者听两个小时的故事播客The Moth，在此期间，他和同事用fMRI扫描器来记录参与者的大脑活动。他的目标是，将听单个词语的活动与大脑活动的独特区域关联起来。
格朗特说，该实验产生了许多的数据，多到人工无法处理的程度。但接受过发现模式训练的计算机程序能够处理那些数据。胡思设计的程序能够生成一个展示每个单词“生活于”大脑哪个位置的“地图集”。
格朗特说，“胡思的研究表明，大脑很大的一部分都参与了语义理解。”胡思还证明，意思相近的单词——如“poodle”（狮子狗）和“dog”（狗）在大脑中的位置相邻。
那么，像这样的项目有什么意义呢？在科学当中，预测就是力量。如果科学家能够预测令人昏乱的大脑活动如何转化成语言理解，那他们就能够就大脑如何运作建立一个更好的模型。如果他们能够建立一个可行的模型，那他们就能够更好地理解当变量改变（即大脑生病）的时候究竟发生了什么。
什么是机器学习？
“机器学习”是一个广义的、包括巨大软件阵列的术语。在消费级技术中，机器学习技术正在飞快地加速发展——例如，学习如何“看到”照片中的物体的能力已经接近人类的水平。借助名为“深度学习”的机器学习技术，谷歌翻译服务已经从一款普通的基础翻译工具，变成了一个能够将海明威小说翻译成多种语言，且水平不逊于专业人员的机器。
但从根本上说，机器学习程序就是寻找模式——X变量与Y有关联的可能性有多大。
机器学习程序通常都需要先接受数据集“训练”。在训练中，这些程序会寻找数据里的模式。通常来说，训练数据越多，这些程序就会变得越“智能”，越精确。完成这些训练后，机器学习程序会接收它们之前从未见过的、全新的数据集。有了那些新数据集，它们就能够开始做出预测。
一个简单的例子就是你邮箱中的垃圾邮件过滤器。机器学习程序扫描过足够多的垃圾邮件——学习它们包含的语言模式——就能够判断新邮件是否是垃圾邮件。
机器学习可以是只是计算数学问题的简单程序；又或者是像谷歌DeepMind那样，吸收数百万个数据点。机器学习也解释了为什么谷歌能够打造出计算机来在像围棋这么复杂的游戏中击败人类世界冠军李世石。围棋拥有的潜在走法数量比宇宙中的原子数量还要多。
神经科学家正将机器学习拥有几个不同的目的，其中包括两个基本的目的：编码和解码。
通过“编码”，机器学习技术尝试预测刺激物会产生的大脑活动的模式。
“解码”则恰恰相反：观察大脑活动的区域，预测参与者在看什么。
（注：除了fMRI以外，神经科学家还可以在其它的脑部扫描形式上使用机器学习技术，如脑电图EEG和MEG。）
俄勒冈大学神经科学家布莱斯·库尔（Brice Kuhl）最近利用解码仅依靠fMRI数据来重构参与者在观看的面孔。
库尔在MRI图像中锁定的大脑区域长期以来被认为与鲜活记忆有关。“那个区域是不是代表你所看到的东西的细节——又或者只是因为你对那个记忆有信心而亮起来？”库尔说道。机器学习程序能够依据那个区域的大脑活动来预测面孔特征，这表明那是“你所看到的东西的细节”信息所在的地方。
类似地，格朗特预测参与者在想象什么名画的实验揭示了心智的一个小秘密：我们所激活的大脑区域，跟我们亲眼看到那些名画，记忆视觉特征时所激活的大脑区域是一样的。
记者采访的神经科学家都认为，机器学习目前还不能显著改变他们的研究领域。一大原因就是，他们没有足够多的数据。大脑扫描需要很多的时间，且成本高昂。另外，目前的研究通常仅使用几十个参与者，而不是数千个。
“在1990年代，神经影像才刚刚开始流行，当时人们关注的是各类物品的呈现——大脑的哪个部分看面孔，看单词、房屋或者工具的又是哪个大脑部分呢，都是些广泛的问题。”匹兹堡大学神经动力研究员艾尼尔·古曼（Avniel Ghuman）指出，“如今，我们能够问些更加精细的问题了。比如，‘某人正在回想的这个记忆是不是就是他大约10分钟前思考的那件事情呢？’”
他说，这种进步“更多是渐进的，而不是革命性的。”
机器学习或有助于诊断和治疗精神疾病
当前，精神病医生还无法仅仅根据fMRI图像显示的大脑活动来诊断人们是否患有像精神分裂症这样的精神疾病。他们必须要依靠与病患之间的临床会话来进行诊断。不过，更多地以机器驱动的诊断方法可能能够将不同的疾病状态区分开来，进而帮助提供更好的治疗方案。为了解决这个问题，美国国家心理卫生研究所的班德蒂尼表示，神经科学家们将需要能够访问庞大的万份fMRI扫描图样本数据库。
机器学习程序可通过挖掘那些数据集来发现预示精神疾病的模式。“这样你就能够开始在临床上更多的使用这种程序——例如，让人接受扫描，之后得出诊断，‘根据这个万人数据库生成的这个生物标记，我们现在诊断出精神分裂症。他说。这方面的研究还处于初期阶段，还没能产生重大的成果。
不过，要是对大脑的网络相互间如何运作有足够深入的理解，那就有可能“设计出更加先进的干预措施来修复大脑所出现的问题。”麻省理工学院计算神经科学家丹·雅明斯（Dan Yamins）说道，“干预措施有可能会是，给你的大脑嵌入植入物来在某种程度上治疗老年痴呆症或者帕金森病。”
机器学习可能也有助于精神病医生预测个体患者的大脑会对抑郁症药物治疗有什么反应。“目前，精神病医生只能够从诊断角度猜测哪种药物更有可能对病人有效。”雅明斯说，“原因是病人表现出的症状并不能足够有力地反映其大脑内部的问题。”
他强调称，短期内这一问题可能还无法解决。但科学家们正开始想明白这些问题。《神经影像》（NeuroImage）刚专门发表了一期期刊来呈现有关预测个体大脑区别以及仅依靠神经成像数据来诊断的研究论文。
这是重要的进展。因为在医疗保健方面，预测能够在治疗和预防方面带来新的方法。
机器学习或可预测癫痫发作
癫痫症患者无法知道其令人衰弱的疾病什么时候会发作。“它是你的生活中的一大损害——你不能开车，它是个负担，你不能像普通人那样正常生活。”美国国家卫生研究院神经科学家克里斯蒂安·梅塞尔（Christian Meisel）指出，“对你来说，有个预警系统就好了。”
癫痫症的治疗方法也不完善。部分病患整天都需要服用抗癫痫药物，但那些药物会带来严重的副作用。另外，有大约20%到30%的癫痫症患者吃什么药都没效。
预测或许能够改变这种情况。
要是癫痫症患者知道即将要发作，那他们至少可以让自己提前去到一个安全的地方。预测还可以改变治疗选项：预警会提示设备给患者服用快速起效的癫痫症药物，又或者传达电信号来阻止疾病的发作。
这是梅塞尔分享的来自一位癫痫症患者的脑电图。“图像显示没有发作。”梅塞尔说，“但问题在于，这种脑部活动离发作还有一小时，还是还有四个小时呢？”
他说，要作出这种预测对于临床医生来说非常困难。
不过，有关即将带来的发作的信息可能隐藏在那些波动里面。为了测试这种可能性，梅塞尔的实验室最近参加了数据科学社区中心Kaggle举办的一项比赛。Kaggle提供了三位癫痫症患者数年的脑电图记录。梅塞尔利用深度学习技术来分析那些数据以及寻找模式。
该技术在根据脑电图来预测癫痫症的发作上能起到多大的作用呢？“如果说你有个能够预测一切的完美系统，那你拿到1分。”梅塞尔说，“如果你有个像抛硬币那样随机判断的系统，你有0.5分。我们现在有0.8分。也就是说我们现在的预测还无完美，但要比随机系统好得多。”（那听上去很不错，但这种方法目前更多是理论上的。这些病患是通过侵入性的颅内EEG来进行监测的。）
梅塞尔是一位神经学理论家，在致力于绘制模型来呈现癫痫症的发作如何从小范围的脑部活动发展成为令人衰弱的“风暴”。他说，机器学习正成为一项很有用的工具，有助于他改进他的理论。他可以将他的理论纳入机器学习模型，然后看看它会提高还是降低该系统的预测准确程度。“如果该系统可行，那我的理论就是正确的。”他说道。
神经科学将需要成为一门大数据科学
机器学习不会解决神经科学领域的所有重大问题。它可能会因为来自fMRI和其它脑部扫描技术的数据质量而受限。（fMRI充其量只能带来模糊的大脑图像。）“即便我们有无限量的脑部成像数据，你也无法得出完美的预测，因为那些成像技术很不完善。”为神经科学家开发机器学习工具箱的计算科学家盖尔·瓦罗夸克斯（Gael Varoquaux）指出。
然而，至少记者所采访的神经科学家都为机器学习感到兴奋，因为它能够让科学变得更加明晰。机器学习解决的是一个被称为“多重比较问题”的问题，在这一问题中，研究人员实质上是在他们的数据中盲目寻找数据统计上显著的结果（有了足够多的大脑扫描，某个区域的某个地方就会“亮起来”）。而有了机器学习，要么是你有关大脑行为的预测是对的，要么预测是错误的。“预测是你能够控制的东西。”瓦罗夸克斯说道。
大数据方案也意味着神经科学家或许能够开始在实验室以外研究人类的行为。“我们所有有关大脑活动如何运作的传统模型都基于非常人工的实验环境。”古曼指出，“我们不能完全确定它们在真实环境中会有同样的成效。”如果你有足够多大脑活动和行为方面的数据（或许来自可穿戴的脑电图监测器），机器学习或许可以开始寻找大脑活动和行为之间的联系，无需任何人造的实验。
机器学习在神经科学领域的应用还有一个可能性，它听上去像是科幻概念：我们能够将机器学习技术应用在大脑上，从而打造更好的机器学习程序。过去十年机器学习领域最大的进展就是一个名为“卷积神经网络”的概念。谷歌正是利用这种网络来识别图像中的物体。这些神经网络基于神经科学理论。因此，随着机器学习对大脑运作的理解的加深，它就会变得更加智能，会习得新的技能。那些有了改进的机器学习程序能够反过来应用在大脑上，那样我们就能够进一步学习神经科学。
（研究人员还能够从受训复制像看东西这样的人类行为的机器学习程序获得洞察。也许，在学习那种行为的过程中，该程序将能够复制行为发生时大脑的运作方式。）
“我不希望人们以为我们快要做出读心设备了；这并不属实。”瓦罗夸克斯说，“我们的希望在于，得到更加丰富的计算模型来更好地理解大脑。我认为我们将会做到这一点。”（乐邦）
关注网易智能菌（微信公众号：smartman163），获取专业人工智能资讯与AI报告。
本文来源：网易智能
责任编辑：
丁广胜_NT1941
