財聯社

是否有技術能夠僅僅根據大腦信號重建人類所看到的東西？答案是目前還沒有。不過瑞士洛桑聯邦理工學院（EPFL）的研究團隊已經朝着這個方向上邁進了。

他們引入了一種新的算法，用於構建人工神經網絡模型，以精確捕捉大腦動態。

這種新的算法被稱爲CEBRA，基於人工智能（AI）的機器學習技術，可以學習神經代碼中的隱藏結構，並揭示大腦和行爲之間的隱藏關係。

研究顯示，CEBRA不僅能提取大腦視覺皮層神經元的數據來預測所見畫面，它還可以用來預測靈長類動物手臂的運動等。

目前，這項研究已經被髮表於科學頂刊《自然》雜誌上。

捕捉大腦畫面

EPFL的研究團隊讓50只小鼠觀看一段長30秒的黑白電影剪輯片段，並重復了9次，每一次研究團隊都會將電極探針或是光學探針插入小鼠大腦視覺皮層區域，來收集小鼠的神經元活動信號，並傳送給CEBRA。

隨後，研究團隊對CEBRA進行訓練，讓其將收集來的小鼠原始神經數據與原電影聯繫起來，並預期小鼠真實看見的剪輯片段。

需要說明的是，這套AI工具並不是從無到有地重現小鼠腦中的畫面，而是將小鼠看見的電影片段與訓練的電影幀對應起來。

（注：小鼠看見的電影畫面（上）與CEBRA重建的畫面（下）的對比）

研究證明，CEBRA的解碼準確率高達95%以上，也就是以 95% 的準確率預測下一個畫面。

腦機接口的未來應用

領導這項研究的EPFL綜合神經科學主席Mackenzie Mathis解釋道，“具體來說，CEBRA是基於對比學習，這是一種學習高維數據如何被安排或嵌入到一個被稱爲‘隱空間’的低維空間中的技術，如此一來類似的數據點就會相近，而差異較大的數據點則會相斥。”

“這種嵌入方法可以用來推斷數據中隱藏的關係和結構。”

CERA也不侷限於神經科學研究，它還可以用來預測靈長類動物手臂的運動，例如預測小鼠在場地中自由奔跑的位置。

CEBRA 的最終目標，是揭示覆雜系統中的結構。而人類大腦作爲我們宇宙中最複雜的結構，它將是 CEBRA 的終極測試空間。

根據Mathis的說法，對於研究人員來說，下一步顯然是使用CEBRA來增強腦機接口的神經解碼。

Mathis指出，“這項研究是神經技術中實現高性能腦機接口技術（BMI）所需算法的重要一步。”