編譯 | 蘿卜皮

對于 Martin Schrimpf 來說，人工智能的前景不在于它能夠完成哪些任務，而在于它能夠揭示人類智能的奧秘。

他正在利用人工神經網絡構建大腦的「數字孿生」——這種人工智能模型大致靈感來源于神經元之間的通信方式。

這個最終目標聽起來宏大得近乎荒謬，但他的方法卻很簡單。

首先，他和同事們對人類進行語言或視覺相關任務的測試。然后，他們將觀察到的行為或大腦活動與為完成相同任務而構建的人工智能模型的結果進行比較。最后，他們利用這些數據對模型進行微調，從而創造出越來越像人類的人工智能。

這個過程在數據和模型數量較多的情況下效果最佳，因此 Schrimpf 構建了一個名為 Brain-Score 的開源平臺，其中包含近百個人類神經和行為數據集。

自 Schrimpf 在 2017 年（當時他還在讀研究生）首次開發該平臺以來，研究人員已經根據人類數據測試了數千個人工智能模型。

Brain-Score：https://www.brain-score.org/

Schrimpf 原本計劃在科技行業工作，但在學術生涯早期與他人共同創辦了兩家軟件初創公司后，他感到有些不滿足。

「我以為我可以問問神經科學家大腦是如何運作的，這能幫助我構建更好的人工智能。」他說，「但我意識到，反過來也蘊藏著巨大的機遇：在計算機上用計算機模擬原型，并用人工智能模型來解釋大腦。」

他從德國來到美國，在麻省理工學院攻讀大腦與認知科學博士學位。2023 年，他回到歐洲，在瑞士洛桑聯邦理工學院創辦了神經人工智能實驗室。

同年，他還與他人合作撰寫了一篇論文，展示了人工智能模型如何改變神經科學。

論文鏈接：https://www.nature.com/articles/s41562-023-01783-7

Schrimpf 所在團隊訓練了一個模型來生成句子，這些句子在閱讀時會激活或抑制讀者大腦中的神經活動。當他們在人類受試者身上進行測試時，腦部掃描證實了人工智能生成的句子確實按照模型預測的方式改變了神經活動。

這項研究標志著各領域的研究人員首次對高級大腦活動進行非侵入性控制。通過這種方法，科學家們有望利用人工智能產生的刺激來輔助治療抑郁癥、閱讀障礙以及各類與大腦相關的疾病。

媒體與 Schrimpf 就人工神經網絡如何揭示智能、神經科學的未來以及預測和影響人類思維的倫理考量進行了探討，訪談內容已進行精簡和編輯。

Q：你研究大腦中的視覺和語言系統。為什么選擇研究這些？

Schrimpf：我想建立一個大腦模型。從視覺開始是一個相對務實的決定，因為神經科學的大部分數據在視覺領域，另外在屏幕上可以快速連續地顯示多種視覺刺激。轉向語言則是為了看看我們正在開發的用于感覺系統（例如視覺）的技術是否能夠遷移或者轉化。

Q：事實真的如此嗎？

Schrimpf：是的，人類的語言系統似乎可以被視為特征的編碼器，就像視覺系統一樣。這可能意味著大腦中構建詞語或物體心理表征的方式，在認知系統中比我們想象得更為普遍。

Q：眾所周知，人工神經網絡很難理解，因此，當一個模型似乎與真實的神經數據一致時，你怎么知道這不僅僅是一種表面上的相關性？

Schrimpf：我們掌握了這些模型的所有信息，只是解析起來非常困難。我們試圖讓數據自己說話。

你可以比較兩個人的大腦，發現他們的活動模式相似。這基本上就是我們利用 Brain-Score 列表中的所有神經和行為數據構建模型的方法。

如果數據量很大，而模型不斷接近上限——我認為我們在視覺和語言方面就面臨這種情況——那么它們可能并不完美，但它們正在開始趨于一致。

Q：這些人工智能系統與大腦有多相似？

Schrimpf：人工神經網絡在神經元層面與大腦中的神經處理單元具有相似性。它們能夠反映與大腦相當一致的活動，甚至可以模仿人類行為。

我們或許永遠無法用簡化的模型完美地解釋大腦。但對我來說，更有趣的問題是，現有的模型對腦科學究竟有多大用處。我認為它們比大多數人認為的要好得多。

Q：一些神經科學家說你的方法沒有考慮到心理數據。這公平嗎？

Schrimpf：確實，在很多方面，我們正在拋棄經典的神經科學方法。我們說：「讓我們獲取更多數據，構建一些我們可能無法真正理解其內部機制的模型。」

經典神經科學家對我們的研究往往抱有褒貶不一的態度。我認為很多人并沒有意識到這些模型在模擬大腦功能方面已經非常出色。

我不認為只有一種方法是正確的。它們都有各自的優勢和局限性。這只是對哪種方法最終會更有效的不同押注，而我押注的是這種人工智能建模方法。

Q：我們距離大腦的數字孿生還有多遠？你期待看到它嗎？

Schrimpf：這正是 Brain-Score 想要量化的！我樂觀地認為我們能夠接近目標，并且希望只需幾十年時間。如果我們真的做到了，我會想：「太棒了，我們做到了。現在讓我們看看能用它做什么。」

Q：你會用它做什么？

Schrimpf：我們的夢想之一是開發一種「字體」，幫助患有閱讀障礙的人理解句子。如果我們建立了閱讀障礙模型，我們就可以對其進行探索，找到文本中哪些地方更容易閱讀。

或者，如果我們擁有正在接受抑郁癥治療的患者大腦的數字孿生，我們就可以優化有效的治療方案。此外，還可以進行侵入式刺激——你可以讓模型直接將大腦狀態轉變為抑郁程度較低的狀態。

Q：利用人工智能影響大腦活動是否存在極限？

Schrimpf：在決策或一般記憶等領域，我們距離影響神經活動還很遙遠。但如果我們能夠準確地模擬認知，我們也應該能夠誘導可測量的特定感知體驗。

Q：然而，這是一個道德雷區。如何開發「能夠負責任地影響思維」的人工智能模型？

Schrimpf：我們需要與專家合作，而且我們正在探索這個問題，并致力于未來可能成為產品的東西。建立立法框架至關重要，但即使在今天，政策制定者也不清楚哪些是可行的。我們已經可以對大腦進行很多研究，只是目前還沒有任何法律框架。

我確實擔心時間線進展得太快了。就像我們在人工智能領域看到的那樣，等到它引起公眾關注時，為了確保一切順利，還需要做很多事后工作。似乎無論社會如何發展，安全都是事后才考慮的。

Q：你發現，純粹基于計算任務訓練的人工智能模型仍然可以精確預測人類的神經反應。這是否意味著人類智能可以簡化為計算？

Schrimpf：如果你觀察當前的人工智能系統，它們看起來非常智能。當然，它們還存在缺陷，但我肯定會將它們能夠進行的「推理」稱為智能。所以，我確實認為智能是可以簡化的。我們人類有一種特定的生物實現方式，但我們已經看到證據表明，它并非智能唯一的實現方式。

Q：這些證據會改變你對人類本質的理解嗎？

Schrimpf：如果我們接受人類行為源于物理過程的觀點，那么人工構建此類過程就沒有任何內在限制。

人工智能模型摒棄了生化突觸，使用簡單的單元級處理，不再是復雜的細胞機制。但是，我們看到人工智能的行為卻與人類認知相近。

所以，我認為我們在人類身上看到的智慧并非我們獨有。它是一種信息處理模式，可以在其他地方產生。就我個人而言，我對此并不感到不安。我將其視為一個進一步了解我們自身的機會。

在我看來，人類體驗的獨特之處不在于其底層的構成要素，而在于其在一生中積累的各種經驗的集合。

相關內容：https://www.quantamagazine.org/how-ai-models-are-helping-to-understand-and-control-the-brain-20250618/