网易科技讯 2月16日消息，据连线杂志报道，说到“黑盒子”，可能没有比人脑更令人难以理解的类似机制了。人类大脑中的灰质是如此的复杂，以至于科学家们常常哀叹，它甚至无法完全理解自己。

但是如果我们自己不能揭开大脑的秘密，也许机器可以为帮助我们做到。在最新发表的《自然.通讯》杂志上，宾夕法尼亚大学心理学家迈克尔·卡哈纳（Michael Kahana）领导的研究人员发现，机器学习算法（本身就是超级难以理解的系统）可以用来解码和增强人类记忆。

它是如何做到的？这需要触发精确定时的电脉冲，并将其发送到大脑中。换句话说，研究人员可以利用一个“黑盒子”来释放另一个“黑盒子”的潜能。一方面，这好像是解决超级难题的优雅解决方案，而另一方面，它听起来也像是科技末日恐怖电影的开始。

当谈到大脑测量时，最好的记录来自头盖骨内部。但是，人们和机构审查委员会通常不愿意以科学的名义破开头骨。因此，卡哈纳和他的同事与25名癫痫患者进行合作，他们在每个病人的大脑中植入了100到200个电极(用来监测癫痫相关的电子活动)。卡哈纳及其团队在这些植入物上使用电极，在记忆任务期间记录高分辨率的大脑活动。

机器学习算法学会将电极测量模式与患者记忆单词的可能性联系起来。首先，研究人员了解了大脑记忆东西的感觉。当患者阅读并试图将单词列表内部化时，卡哈纳及其团队每秒从每个植入的电极上收集了数千个电压测量值。之后，他们测试了患者的回忆能力，即重新构建数据，表明大脑记忆或忘却单词的活动模式。

此后，卡哈纳等人又多次重复这样的测试。在每个测试主题都进行了两到三次之后，他们收集到足够多的训练数据，以产生关于某个特定病人的算法，这些算法可以预测每个病人在自己的电极活动中可能记住的单词。

令人感到意外的是，这些电极不只是读取大脑的神经活动，它们也能刺激它。因此，研究人员试图刺激大脑以增强实时记忆的形成。每隔几秒钟，受试者就会看到新的单词，而新的训练算法将决定大脑是否准备好记住它。卡哈纳说：“闭环系统让我们记录下受试者的大脑状态，分析它，并决定是否触发刺激，这一切都在几百毫秒内完成。”

这种方法显然有效果。研究人员的系统提高了病人回忆单词的能力，平均提高15%。这并不是卡哈纳的实验室第一次探索大脑刺激对记忆的影响。去年，该研究小组发现，电脉冲似乎可以改善或破坏回忆，这取决于研究人员何时将它们发送出去。在这项研究中，当研究人员在低功能时期刺激记忆的特定区域时，测试者得分会更高。

这是个极为重大的发现，但在治疗上似乎毫无用处，研究人员只能在记忆测试完成后确定记忆和大脑状态之间的联系。而从大脑增强的角度来看，你真正想要的是在记忆过程中传递脉冲。

现在，卡哈纳和他的同事似乎已经在机器学习算法的帮助下关闭了这个循环，他说:“我们没有只用它来识别猫的图像，而是用它来构建解码程序——它可以观察电子活动，并显示大脑是否处于有利于学习的状态。”如果大脑看起来像是在有效地编码记忆，研究人员就会置之不理。如果不是这样，他们的系统就会快速地传送电脉冲，将其推入更高效的状态，就像大脑的心脏起搏器一样。

加州大学圣地亚哥分校神经科学家布拉德利·沃泰德（Bradley Voytek）说:“这并不是令人感到惊叹的效应，但它确实很有前途。”现在的问题是，今后在这一领域的工作能否取得更好的成果。如果患者的大脑被植入越来越多的精确电极，算法就可以在更少的时间、更高效地解码出更多的神经信号。

更多的培训数据也会有所帮助，然而大多数癫痫病患者最多只能参加这样的研究几个星期，这限制了研究人员与他们相处的时间。卡哈纳的最新研究显示，经过3次以上训练的机器学习算法远比训练更少的算法表现更好。

但是，即使有更高的分辨率和更多的训练数据，科学家们仍需要解决使用不透明算法去研究和操纵大脑的问题。事实上，尽管卡哈纳的系统可以在特定的情况下改善记忆单词的能力，但他并不确切地知道它是如何提高记忆功能的。这就是机器学习的本质。

幸运的是，卡哈纳团队已经考虑到了这一点，而且有些算法比其他算法更容易审查。在这个特别的研究中，研究人员使用了简单的线性分类器，这使得他们可以对单个电极活动如何影响他们的模型辨别大脑活动模式的能力做出推论。宾夕法尼亚大学负责监督机器学习分析的心理学家优素福·伊扎伊特(Youssef Ezzyat)说：“我们现在还不能确定，我们用来记录大脑活动的特征之间是否也存在交互作用。”

更复杂的深度学习技术也不一定能转化为更强大的认知增强能力。但如果它们真能能有所帮助，研究人员可能会努力去理解这些机器做出决定的理由，从而找到增强大脑功能的电脉冲。

文章链接：

Youssef Ezzyat, et al, "Closed-loop stimulation of temporal cortex rescues functional networks and improves memory," Nature Communicationsvolume 9, Article number: 365 (2018), doi:10.1038/s41467-017-02753-0

如若转载，请注明e科网。

如果你有好文章想发表or科研成果想展示推广，可以联系我们或免费注册拥有自己的主页