生物行移动版

一个融合了神经科学、人工智能乃至语言学和心智哲学的新兴领域——“神经系统的理解”，旨在破解“理解”究竟是什么这一深层问题，即便其模型可能并不像真正的大脑。

如果你在2023年3月偶然走进纽约大学的一个报告厅，你可能会以为自己在参加一个纯粹的神经科学会议。事实上，那是一个关于人工智能的研讨会。演讲者们谈论着“消融”——一种在动物模型实验中常见的制造脑损伤的方法。他们提到“探测”，就像用电极接入大脑信号一样。他们进行了语言学分析，并引用了心理学中关于先天与后天之分的长期辩论。他们选择的语言反映了他们领域的一个新里程碑：像ChatGPT这样最先进的人工智能系统，在规模和复杂性上已能与自然大脑相媲美，而人工智能研究人员正在研究它们，几乎就像在研究头骨中的大脑一样。

神经科学需要新理论：AI模型的启示

纽约大学心理学和数据科学助理教授Grace Lindsay认为，这些学科现在拥有高度一致的目标和方法，可以联合成一个领域。她提议将这一融合的科学称为“神经系统的理解”。Lindsay坦言，神经科学已经存在了100多年，但仍然缺乏一个关于大脑的通用理论。“神经科学往往更具描述性，因为这很容易；你可以观察事物。但我认为，提出有助于解释‘为什么’的理论，是机器学习思维方式和理论（更数学化的理论）可以提供帮助的地方，”该论文的合著者、蒙特利尔大学计算机科学教授Yoshua Bengio这样说。

与神经科学不同，人工智能已经取得了成果：从十年前的视觉感知开始，到最近扩展到语言处理，多层或“深度”人工神经网络已成为大脑建模的最先进技术，至少在重现外部行为方面是如此。这些模型不仅仅是大脑某个方面的理想化版本。它们能做的事情与自然大脑无异。你现在可以真正与机器进行对话，这在几年前是不可能的。

方法论革新：人工网络作为神经科学的实验对象

这种转变已经改变了日常的科学方法论。正如纽约大学会议上所描述的那样，使用这些系统进行工作，与在人类或猕猴身上进行实验并无完全不同。研究人员可以给它们相同的刺激，并将其内部活动或多或少直接地与活体大脑的数据进行比较。他们可以创建DIY式的案例研究，例如，一个经过人工损伤的机器大脑可以识别披头士乐队的全部四名成员，但却无法区分鼓和吉他。这种直接干预在人类大脑中是不可能的。

鉴于这些系统的工作原理是如此地不像大脑，它们的成功就更加引人注目。充当神经元和突触的东西是真实事物的极度简化版本，训练方式也与儿童通常的学习方式相去甚远。这种陌生的机制仍然能产生类似人类的输出，这让许多科学家相信，细节其实并不重要。低层次的组件，无论是活细胞还是逻辑门，都会根据计算任务的需求被塑造成更大的结构，就像进化利用现有的一切来解决手头的问题一样。

视觉与语言：跨越认知领域的成功模拟

视觉神经科学家在融合人工智能和神经生物学方面走在了前列。研究发现，猴子大脑和人工网络对相同的视觉刺激的反应方式是相似的。“这是我们第一次拥有能够预测神经反应的模型，”吉森尤斯图斯-李比希大学的心理学研究员Katharina Dobs说。麻省理工学院认知神经科学教授Nancy Kanwisher对此感到“震惊”：一个计算机程序，和一团由自然选择优化而成的生物胶状物，最终竟然对相似的问题找到了相似的解决方案。

在语言方面，挑战更为艰巨。麻省理工学院神经科学教授Evelina Fedorenko说：“语言神经科学这个领域，在很长一段时间里，一直处于相当令人不满意的非正式状态。”随着GPT等大型语言模型的出现，研究人员正在弥补失去的时间。2021年，Fedorenko和她的同事们开始应用她们的视觉同事已经使用了十年的技术。他们发现，这些网络不仅能生成类似人类的文本，而且其生成方式在广泛意义上是类似人类的。在他们测试的各种系统中，GPT-2在模仿人类方面尤其擅长。研究人员得出结论，我们大脑的语言区域可能做着同样的事情：预测下一个词应该是什么。

理解大脑的新路径

尽管人工神经网络通常与真实大脑一样不透明，但研究人员至少可以直接接触到它们的“人工神经元”——它们只是机器中的变量。例如，Lindsay的团队利用人工网络探索了“祖母细胞”的概念，即有些脑细胞可能只在看到你的祖母或其他特定的人时才会放电。Lindsay的团队证实，经过图像训练的人工网络确实存在只在出现某些物体时才会放电的神经元。但追溯网络中的信息流后，他们发现这些神经元与网络识别人或物的整体能力无关；它们的选择性反应只是一个意外。

视觉神经科学和图像处理系统是同步发展的，而语言神经科学过去与技术只有松散的联系。如今，Brain-Score.org网站已经同时对视觉模型和语言模型进行排名。Fedorenko和她的团队希望这些相关性能够帮助他们分离出模型工作良好与否的关键因素。在确定了大型语言模型在代表大脑语言处理方面表现不俗之后，他们正在寻求解答教科书中的谜题，例如，当解析一个句子时，大脑是主要依赖形式语法结构，还是考虑单词的含义？

对于期望从这些系统中获得可靠信息的人来说，这可能会令人困惑，但正如纽约大学会议上的许多人指出的那样，这也正是它们对神经科学的巨大价值所在。它们与人类大脑足够接近，可以让神经科学家进行直接比较，但又足够不同，可以帮助他们超越人类的例子，寻找支配感知和智能的一般原则。这些系统已经表明，智能是普遍存在的——它不仅限于人类，甚至不限于其他哺乳动物，而是只要认知系统有足够的计算能力来提取其所接触世界的显著特征，就能产生智能。

参考文献

Lindsay, G. et al. (2024). Can an emerging field called ‘neural systems understanding’ explain the brain? The Transmitter. 本文基于2023年3月纽约大学研讨会的内容，以及多位神经科学和人工智能研究人员的观点。文中提及的关键研究包括：2019年关于用网络架构和学习算法解释大脑功能的论文；使用Brain-Score.org对超过200个视觉模型进行排名的持续工作；以及2021年Fedorenko团队开始应用语言模型模拟大脑语言处理的研究。