每經(jīng)記者｜蔡 鼎    每經(jīng)編輯｜蘭素英    

多年以來，人類科學家都有一個疑問：是否有可能僅根據(jù)大腦信號重現(xiàn)某人所看到的東西？

近日，瑞士洛桑聯(lián)邦理工學院（下稱EPFL）的研究人員發(fā)表在《自然》雜志上的一項研究朝著（腦機接口）這個領(lǐng)域邁出了一大步，他們引入了一種全新的、基于人工智能的算法，以高精度捕捉到了動物大腦的動態(tài)。

在演示中，來自EPFL的研究人員讓一只老鼠觀看了一部上世紀60年代的黑白老電影，并使用該團隊開發(fā)的一種新型人工智能工具重建了老鼠所看到的內(nèi)容。不僅如此，該工具還可以預測下一個畫面，準確率甚至還高達95%。

一時間，類似“人工智能讀心術(shù)實現(xiàn)了”的呼聲漸高，但網(wǎng)上也出現(xiàn)了對該研究的質(zhì)疑，不過EPFL的研究團隊承認，他們的技術(shù)確實不能“讀心”，但研究證明了新的機器學習算法能夠從簡單的網(wǎng)絡和有限的數(shù)據(jù)中學習，顯示了出色的能力。

潛在臨床應用廣泛

EPFL團隊發(fā)表在《自然》雜志上的這項研究是一種基于數(shù)學的新型機器學習算法，被稱為CEBRA，可以學習神經(jīng)代碼中的隱藏結(jié)構(gòu)，并預測復雜的信息。CEBRA從原始神經(jīng)數(shù)據(jù)中學到的信息可以在解碼訓練后進行測試，即一種用于腦機接口的方法，EPFL的研究人員已經(jīng)證明，預訓練的CEBRA模型可以在毫秒內(nèi)進行動物腦神經(jīng)的解碼。此外，CEBRA并不局限于視覺皮層神經(jīng)元，甚至大腦數(shù)據(jù)。EPFL的研究還表明，CEBRA可以用來預測靈長類動物手臂的運動。

EPFL的Bertarelli綜合神經(jīng)科學主席、該研究的首席研究員Mackenzie Mathis表示，“這項工作只是神經(jīng)技術(shù)中實現(xiàn)高性能腦機接口所需的理論算法的一步。”

Mathis和她的團隊在研究中，觀察了50只老鼠在觀看一段30秒的電影片段時的大腦活動。他們讓這些老鼠看了九遍該電影片段。然后，研究人員訓練了CEBRA，將大腦數(shù)據(jù)與電影片段聯(lián)系起來。

最后，該團隊將該電影片段播放了第十次，并測試了CEBRA，以利用大腦活動數(shù)據(jù)測試片段內(nèi)幀節(jié)的順序。在EPFL團隊公開的一段視頻中，一個單獨的屏幕展示了CEBRA重建的老鼠所看到的片段，盡管視頻會間歇性地出現(xiàn)卡頓，但重建的畫面與原畫面幾乎一樣。

更令人驚訝的是，CEBRA能夠在1秒內(nèi)以95%的準確率預測下一個畫面。為了學習老鼠視覺系統(tǒng)中潛在的結(jié)構(gòu)，CEBRA可以在最初的訓練階段將大腦信號和電影特征映射后，直接從大腦信號中預測電影幀。

大腦信號可以直接通過插入小鼠大腦視覺皮層區(qū)域的電極探針去測量大腦活動來獲得，或者使用由轉(zhuǎn)基因小鼠的光學探針來獲得，這些轉(zhuǎn)基因小鼠經(jīng)過改造，可以使激活的神經(jīng)元發(fā)出綠光。在訓練期間，CEBRA學會了將大腦活動映射到特定的幀節(jié)。不過，考慮到在老鼠的大腦中，這個區(qū)域由大約50萬個神經(jīng)元組成，CEBRA在視覺皮層中只有不到1%的神經(jīng)元表現(xiàn)良好。

“CEBRA的目標是揭示復雜系統(tǒng)中的結(jié)構(gòu)。考慮到大腦是宇宙中最復雜的結(jié)構(gòu)，它是CEBRA的終極測試空間。此外，CEBRA還可以讓我們深入了解大腦如何處理信息，并可以通過結(jié)合動物甚至物種的數(shù)據(jù)來發(fā)現(xiàn)神經(jīng)科學的新原理。”Mathis說道。

“這種算法并不局限于神經(jīng)科學研究，因為它可以應用于許多涉及時間或動物關(guān)節(jié)信息的數(shù)據(jù)集，包括動物行為和基因表達數(shù)據(jù)。因此，潛在的臨床應用是非常廣泛的。”Mathis補充道。

Mathis的團隊在《自然》上發(fā)表的論文摘要顯示，“將行為動作映射到神經(jīng)活動是神經(jīng)科學的一個基本目標。隨著我們記錄大量神經(jīng)行為的數(shù)據(jù)能力的提高，人們對在自適應行為期間建立神經(jīng)動力學模型以探測神經(jīng)表征的興趣越來越大。盡管神經(jīng)潛在嵌入可以揭示行為的潛在相關(guān)性，但我們?nèi)狈δ軌蛎鞔_靈活地利用關(guān)節(jié)行為和神經(jīng)數(shù)據(jù)來揭示神經(jīng)動力學的非線性技術(shù)。EPFL的團隊用一種新的編程方式CEBRA填補了這一空白。”

“我們驗證了CEBRA的準確性，并展示了我們的工具在鈣和電生理數(shù)據(jù)集上的實用性，跨越感覺和運動任務，以及跨物種的簡單或復雜行為。最后，我們證明了CEBRA可以用于空間映射，揭示復雜的運動學特征，在雙光子和神經(jīng)像素數(shù)據(jù)之間產(chǎn)生一致的潛在空間，并能對來自視覺皮層的自然視頻來進行快速、高精度的解碼。”該論文摘要補充道。

研究人員稱不能“讀心”

《每日經(jīng)濟新聞》記者注意到，這其實并不是研究人員首次解碼大腦神經(jīng)信號來生成圖像內(nèi)容。

上個月，日本大阪大學的研究人員就通過使用穩(wěn)定擴散模型，從大腦活動中重建了高分辨率的和高準確率的圖像。此外，荷蘭內(nèi)梅亨大學的科學家此前還開發(fā)了一種“讀心術(shù)”技術(shù)，可以將人類的腦電波轉(zhuǎn)換成照片。

對于EPFL團隊這項通過人工智能工具解析小鼠大腦信號、成功重構(gòu)出觀看的電影片段的技術(shù)，有業(yè)內(nèi)人士表示質(zhì)疑。

在推特上，GPT3.5和GPT4提示管理員、AI集成方面的研究人士Spencer Bentley稱，“我并非想貶低這項出色的工作，但這不是從老鼠看到的東西中創(chuàng)造視頻，而是匹配哪一幀視頻最符合模型解釋當前幀的內(nèi)容，所以。。。。。。它不是產(chǎn)生視頻數(shù)據(jù)，而是一個幀號，然后在屏幕上顯示該幀。這個區(qū)別很微妙，但很重要。”

對于這類質(zhì)疑，《每日經(jīng)濟新聞》記者先后向《自然》雜志、Mackenzie Mathis及其團隊成員發(fā)送置評郵件，但截至發(fā)稿尚未收到回復。

對于Spencer的質(zhì)疑，Mackenzie Mathis也在該條推文下回復稱，“謝謝！我同意（你的觀點）——這項技術(shù)是視頻幀的預測而不是像素預測這種說法。謙虛地說，我還是認為這項技術(shù)令人印象深刻，因為以前的技術(shù)不可能達到這樣的精度，而這只是我們算法的一個例子，搞清細節(jié)很重要。”

對此，Spencer進一步回復稱，“你們?nèi)〉玫某删褪求@人的。祝您和團隊一切順利。”

隨后，Mackenzie Mathis發(fā)推文稱，“我們不能‘讀心’，但我們的研究證明，新的機器學習算法能夠從簡單的網(wǎng)絡和有限的數(shù)據(jù)中學習，顯示了出色的表征學習。”

“下一步是將CEBRA集成到腦機接口中，以建立強大的嵌入，從而使用所需的硬件進行高性能解碼。我們的工作只是朝著開發(fā)神經(jīng)技術(shù)所需的理論算法邁出的一步而已。”Mathis的團隊在論文中寫道。