摘要：
财联社 是否有技术能够仅仅根据大脑信号重建人类所看到的东西？答案是目前还没有。不过瑞士洛桑联邦理工学院（EPFL）的研究团队已经朝着这个方向上迈进了。 他们引入了一种新... 财联社
是否有技术能够仅仅根据大脑信号重建人类所看到的东西？答案是目前还没有。不过瑞士洛桑联邦理工学院（EPFL）的研究团队已经朝着这个方向上迈进了。
他们引入了一种新的算法，用于构建人工神经网络模型，以精确捕捉大脑动态。
这种新的算法被称为CEBRA，基于人工智能（AI）的机器学习技术，可以学习神经代码中的隐藏结构，并揭示大脑和行为之间的隐藏关系。
研究显示，CEBRA不仅能提取大脑视觉皮层神经元的数据来预测所见画面，它还可以用来预测灵长类动物手臂的运动等。
目前，这项研究已经被发表于科学顶刊《自然》杂志上。
捕捉大脑画面
EPFL的研究团队让50只小鼠观看一段长30秒的黑白电影剪辑片段，并重复了9次，每一次研究团队都会将电极探针或是光学探针插入小鼠大脑视觉皮层区域，来收集小鼠的神经元活动信号，并传送给CEBRA。
随后，研究团队对CEBRA进行训练，让其将收集来的小鼠原始神经数据与原电影联系起来，并预期小鼠真实看见的剪辑片段。
需要说明的是，这套AI工具并不是从无到有地重现小鼠脑中的画面，而是将小鼠看见的电影片段与训练的电影帧对应起来。
研究证明，CEBRA的解码准确率高达95%以上，也就是以 95% 的准确率预测下一个画面。
脑机接口的未来应用
领导这项研究的EPFL综合神经科学主席Mackenzie Mathis解释道，“具体来说，CEBRA是基于对比学习，这是一种学习高维数据如何被安排或嵌入到一个被称为‘隐空间’的低维空间中的技术，如此一来类似的数据点就会相近，而差异较大的数据点则会相斥。”
“这种嵌入方法可以用来推断数据中隐藏的关系和结构。”
CERA也不局限于神经科学研究，它还可以用来预测灵长类动物手臂的运动，例如预测小鼠在场地中自由奔跑的位置。
CEBRA 的最终目标，是揭示复杂系统中的结构。而人类大脑作为我们宇宙中最复杂的结构，它将是 CEBRA 的终极测试空间。
根据Mathis的说法，对于研究人员来说，下一步显然是使用CEBRA来增强脑机接口的神经解码。
Mathis指出，“这项研究是神经技术中实现高性能脑机接口技术（BMI）所需算法的重要一步。”
