脑机接口研究登上《自然》 毫秒之间破译大脑信号

每经记者 蔡 鼎 每经编辑 兰素英
　　多年以来，人类科学家都有一个疑问：是否有可能仅根据大脑信号重现某人所看到的东西？
　　近日，瑞士洛桑联邦理工学院（下称EPFL）的研究人员发表在《自然》杂志上的一项研究朝着（脑机接口）这个领域迈出了一大步，他们引入了一种全新的、基于人工智能的算法，以高精度捕捉到了动物大脑的动态。
　　在演示中，来自EPFL的研究人员让一只老鼠观看了一部上世纪60年代的黑白老电影，并使用该团队开发的一种新型人工智能工具重建了老鼠所看到的内容。不仅如此，该工具还可以预测下一个画面，准确率甚至还高达95%。
　　一时间，类似“人工智能读心术实现了”的呼声渐高，但网上也出现了对该研究的质疑，不过EPFL的研究团队承认，他们的技术确实不能“读心”，但研究证明了新的机器学习算法能够从简单的网络和有限的数据中学习，显示了出色的能力。
　
　潜在临床应用广泛
　　EPFL团队发表在《自然》杂志上的这项研究是一种基于数学的新型机器学习算法，被称为CEBRA，可以学习神经代码中的隐藏结构，并预测复杂的信息。CEBRA从原始神经数据中学到的信息可以在解码训练后进行测试，即一种用于脑机接口的方法，EPFL的研究人员已经证明，预训练的CEBRA模型可以在毫秒内进行动物脑神经的解码。此外，CEBRA并不局限于视觉皮层神经元，甚至大脑数据。EPFL的研究还表明，CEBRA可以用来预测灵长类动物手臂的运动。
　　EPFL的Bertarelli综合神经科学主席、该研究的首席研究员Mackenzie Mathis表示，“这项工作只是神经技术中实现高性能脑机接口所需的理论算法的一步。”
　　Mathis和她的团队在研究中，观察了50只老鼠在观看一段30秒的电影片段时的大脑活动。他们让这些老鼠看了九遍该电影片段。然后，研究人员训练了CEBRA，将大脑数据与电影片段联系起来。
　　最后，该团队将该电影片段播放了第十次，并测试了CEBRA，以利用大脑活动数据测试片段内帧节的顺序。在EPFL团队公开的一段视频中，一个单独的屏幕展示了CEBRA重建的老鼠所看到的片段，尽管视频会间歇性地出现卡顿，但重建的画面与原画面几乎一样。
　　更令人惊讶的是，CEBRA能够在1秒内以95%的准确率预测下一个画面。为了学习老鼠视觉系统中潜在的结构，CEBRA可以在最初的训练阶段将大脑信号和电影特征映射后，直接从大脑信号中预测电影帧。
　　大脑信号可以直接通过插入小鼠大脑视觉皮层区域的电极探针去测量大脑活动来获得，或者使用由转基因小鼠的光学探针来获得，这些转基因小鼠经过改造，可以使激活的神经元发出绿光。在训练期间，CEBRA学会了将大脑活动映射到特定的帧节。不过，考虑到在老鼠的大脑中，这个区域由大约50万个神经元组成，CEBRA在视觉皮层中只有不到1%的神经元表现良好。
　　“CEBRA的目标是揭示复杂系统中的结构。考虑到大脑是宇宙中最复杂的结构，它是CEBRA的终极测试空间。此外，CEBRA还可以让我们深入了解大脑如何处理信息，并可以通过结合动物甚至物种的数据来发现神经科学的新原理。”Mathis说道。
　　“这种算法并不局限于神经科学研究，因为它可以应用于许多涉及时间或动物关节信息的数据集，包括动物行为和基因表达数据。因此，潜在的临床应用是非常广泛的。”Mathis补充道。
　　Mathis的团队在《自然》上发表的论文摘要显示，“将行为动作映射到神经活动是神经科学的一个基本目标。随着我们记录大量神经行为的数据能力的提高，人们对在自适应行为期间建立神经动力学模型以探测神经表征的兴趣越来越大。尽管神经潜在嵌入可以揭示行为的潜在相关性，但我们缺乏能够明确灵活地利用关节行为和神经数据来揭示神经动力学的非线性技术。EPFL的团队用一种新的编程方式CEBRA填补了这一空白。”
　　“我们验证了CEBRA的准确性，并展示了我们的工具在钙和电生理数据集上的实用性，跨越感觉和运动任务，以及跨物种的简单或复杂行为。最后，我们证明了CEBRA可以用于空间映射，揭示复杂的运动学特征，在双光子和神经像素数据之间产生一致的潜在空间，并能对来自视觉皮层的自然视频来进行快速、高精度的解码。”该论文摘要补充道。
　
　研究人员称不能“读心”
　　《每日经济新闻》记者注意到，这其实并不是研究人员首次解码大脑神经信号来生成图像内容。
　　上个月，日本大阪大学的研究人员就通过使用稳定扩散模型，从大脑活动中重建了高分辨率的和高准确率的图像。此外，荷兰内梅亨大学的科学家此前还开发了一种“读心术”技术，可以将人类的脑电波转换成照片。
　　对于EPFL团队这项通过人工智能工具解析小鼠大脑信号、成功重构出观看的电影片段的技术，有业内人士表示质疑。
　　在推特上，GPT3.5和GPT4提示管理员、AI集成方面的研究人士Spencer Bentley称，“我并非想贬低这项出色的工作，但这不是从老鼠看到的东西中创造视频，而是匹配哪一帧视频最符合模型解释当前帧的内容，所以。。。。。。它不是产生视频数据，而是一个帧号，然后在屏幕上显示该帧。这个区别很微妙，但很重要。”
　　对于这类质疑，《每日经济新闻》记者先后向《自然》杂志、Mackenzie Mathis及其团队成员发送置评邮件，但截至发稿尚未收到回复。
　　对于Spencer的质疑，Mackenzie Mathis也在该条推文下回复称，“谢谢！我同意（你的观点）——这项技术是视频帧的预测而不是像素预测这种说法。谦虚地说，我还是认为这项技术令人印象深刻，因为以前的技术不可能达到这样的精度，而这只是我们算法的一个例子，搞清细节很重要。”
　　对此，Spencer进一步回复称，“你们取得的成就是惊人的。祝您和团队一切顺利。”
　　随后，Mackenzie Mathis发推文称，“我们不能‘读心’，但我们的研究证明，新的机器学习算法能够从简单的网络和有限的数据中学习，显示了出色的表征学习。”
　　“下一步是将CEBRA集成到脑机接口中，以建立强大的嵌入，从而使用所需的硬件进行高性能解码。我们的工作只是朝着开发神经技术所需的理论算法迈出的一步而已。”Mathis的团队在论文中写道。