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

近日，瑞士洛桑聯邦理工學院（下稱EPFL）的研究人員發表在《自然》雜志上的一項研究朝著（腦機接口）這個領域邁出了一大步，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。

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，并使用該團隊開發的一種新型人工智能工具重建了老鼠所看到的內容。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“人工智能讀心術實現了”的呼聲漸高，但網上也出現了對該研究的質疑，不過EPFL的研究團隊承認，他們的技術確實不能“讀心”，但研究證明了新的機器學習算法能夠從簡單的網絡和有限的數據中學習，顯示了出色的能力。

潛在臨床應用廣泛

EPFL團隊發表在《自然》雜志上的這項研究是一種基于數學的新型機器學習算法，被稱為CEBRA，可以學習神經代碼中的隱藏結構，并預測復雜的信息。CEBRA從原始神經數據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的研究人員已經證明，預訓練的CEBRA模型可以在毫秒內進行動物腦神經的解碼。此外，CEBRA并不局限于視覺皮層神經元，甚至大腦數據。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，“這項工作只是神經技術中實現高性能腦機接口所需的理論算法的一步?！?/p>

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，將大腦數據與電影片段聯系起來。

最后，該團隊將該電影片段播放了第十次，并測試了CEBRA，以利用大腦活動數據測試片段內幀節的順序。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秒內以95%的準確率預測下一個畫面。為了學習老鼠視覺系統中潛在的結構，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域的電極探針去測量大腦活動來獲得，或者使用由轉基因小鼠的光學探針來獲得，這些轉基因小鼠經過改造，可以使激活的神經元發出綠光。在訓練期間，CEBRA學會了將大腦活動映射到特定的幀節。不過，考慮到在老鼠的大腦中，這個區域由大約50萬個神經元組成，CEBRA在視覺皮層中只有不到1%的神經元表現良好。

“CEBRA的目標是揭示復雜系統中的結構?？紤]到大腦是宇宙中最復雜的結構，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，并可以通過結合動物甚至物種的數據來發現神經科學的新原理?！盡athis說道。

“這種算法并不局限于神經科學研究，因為它可以應用于許多涉及時間或動物關節信息的數據集，包括動物行為和基因表達數據。因此，潛在的臨床應用是非常廣泛的?！盡athis補充道。

Mathis的團隊在《自然》上發表的論文摘要顯示，“將行為動作映射到神經活動是神經科學的一個基本目標。隨著我們記錄大量神經行為的數據能力的提高，人們對在自適應行為期間建立神經動力學模型以探測神經表征的興趣越來越大。盡管神經潛在嵌入可以揭示行為的潛在相關性，但我們缺乏能夠明確靈活地利用關節行為和神經數據來揭示神經動力學的非線性技術。EPFL的團隊用一種新的編程方式CEBRA填補了這一空白?！?/p>

“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據集上的實用性，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，在雙光子和神經像素數據之間產生一致的潛在空間，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?！痹撜撐恼a充道。

研究人員稱不能“讀心”

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

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

對于EPFL團隊這項通過人工智能工具解析小鼠大腦信號、成功重構出觀看的電影片段的技術，有業內人士表示質疑。

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造視頻，而是匹配哪一幀視頻最符合模型解釋當前幀的內容，所以。。。。。。它不是產生視頻數據，而是一個幀號，然后在屏幕上顯示該幀。這個區別很微妙，但很重要?！?/p>

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

對于Spencer的質疑，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令人印象深刻，因為以前的技術不可能達到這樣的精度，而這只是我們算法的一個例子，搞清細節很重要?！?/p>

對此，Spencer進一步回復稱，“你們取得的成就是驚人的。祝您和團隊一切順利?！?/p>

隨后，Mackenzie Mathis發推文稱，“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絡和有限的數據中學習，顯示了出色的表征學習?！?/p>

“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神經技術所需的理論算法邁出的一步而已?！盡athis的團隊在論文中寫道。