本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

人工神經網絡（ANN）的學習方式，竟然與人腦極為相似！

你沒聽錯，至少在處理語言這塊上，機器似乎更像人了。

先看下面這張圖：

圖片

藍色代表的是人的腦電波信號，紅色代表的是人工神經網絡信號。

而這是人腦和機器聽同一個語音時所作出的反應。

是不是非常相似，有木有被驚到？

實際上這張圖來源于最近的一項研究，相關論文已被發表在了Nature子刊Scientific reports上。

圖片

而此前，關于人的大腦以及機器的大腦是如何進行學習的問題，始終是一個謎。

“神經網絡的學習方式是否與人類相同”這個話題，也一直存在爭議。

所以到底有什么證據可以證明，人類和機器“很可能是以類似的方式處理語言”？

人工神經網絡信號與人腦電波信號非常匹配

為了揭開人工神經網絡學習的神秘面紗，加州大學伯克利分校的計算語言學家Ga?per Begu?與約翰霍普金斯大學的博士生Alan Zhou、華盛頓大學神經科學家Christina Zhao進行了這項研究。

在這項研究中，他們給人類聽一種簡單的聲音，然后收集人類聽到聲音后產生的腦電波。同時，將同一種聲音輸入到神經網絡中，分析神經網絡所產生的信號。

對兩者進行比較，結果竟然出奇相似。

最重要的是，研究人員測試了適用于各種任務的通用神經元組成的網絡，即使是非常通用的網絡(對語音或其它聲音沒有偏見)，仍然展現出與人類神經編碼的對應關系。

那這項研究具體是怎樣進行的呢？

首先，為了更好地對比人類大腦與人工神經網絡的反應情況，研究人員分別找來了14名說英語的人和15名說西班牙語的人。

然后對這些人播放了一個單音節音頻——“bah”，每次播放8分鐘，重復兩次。

在播放的過程中，研究人員記錄了每個聽眾腦干中神經元平均電活動的波動情況（腦干是大腦中最先處理聲音的部分）。

另外，研究人員將相同的“bah”聲音輸入到兩組不同的神經網絡中。其中一組神經網絡是經過英語訓練的，另一組是經過西班牙語訓練的。

研究人員選擇的神經網絡結構是生成式對抗網絡（GAN）。

GAN最早在2014年被提出，用于生成圖像。GAN由兩個模塊組成，分別是判別器（discriminator）和生成器（generator），它們之間相互博弈學習，可以產生更好的輸出。

具體來說，生成器創建一個圖像或聲音的樣本，判別器確定它與訓練樣本的接近程度并提供反饋，導致生成器再次反應，如此循環，直到GAN能夠輸出期望的結果。

圖片

而在這項研究中，判別器最初是在一系列英語或西班牙語的聲音上進行訓練的。

然后，從未接受過這些聲音訓練的生成器必須找到一種產生它們的方法。它開始制造隨機的聲音，經過約40,000次與判別器的交互后，生成器逐漸產生了正確的聲音。經過這種訓練，判別器也變得更善于區分真實聲音以及生成的聲音。

在判別器經過訓練之后，研究人員就開始播放“bah”的聲音。它們測量了判別器人工神經元的平均活動水平的波動，記錄了神經網絡的處理活動，重點關注了網絡中用于分析聲音的人工神經元層（以模擬腦干讀數）。

將采集到的人腦電波信號與人工神經網絡信號進行比較，結果見下圖：

△使用英語的實驗結果：藍色是人腦電波，紅色是人工神經網絡信號

△使用西班牙語的實驗結果：藍色是人腦電波，紅色是人工神經網絡信號

可以發現，這些人工神經網絡信號與人腦電波信號非常匹配！

這也就說明了這兩個系統正在進行類似的活動。

此外，這項實驗還揭示了人類和機器之間的另一個有趣的相似之處。腦電波顯示，說英語和說西班牙語的測試者對“bah”聲音有不同的聽覺感知（說西班牙語的人更多地聽到了“pah”的聲音）。

而GAN的信號也顯示出了：接受英語訓練的網絡在處理聲音時，與接受西班牙語訓練的網絡有些不同。

“而這些差異是朝著同一個方向產生的，”Begu?解釋道。

說英語的人的腦干對“bah”聲音的反應比說西班牙語的人稍微早一些，而受過英語訓練的GAN對相同的聲音的反應也比受過西班牙語訓練的模型稍微早一些。

人類與機器的這種反應時間上的差異幾乎是相同的，大約是千分之一秒。

這也為Begu?提供了額外的證據，即人類和人工網絡“很可能是以類似的方式處理語言。”

喬姆斯基錯了？

這項研究的結論，實際上與上世紀50年代語言學家喬姆斯基（Noam Chomsky）提出的“人類天生就具有理解語言的能力，這種能力與人腦是硬連接（hard-wired）”的觀點相違背。

此外，喬姆斯基還提出了普遍語法（Universal Grammar）概念，即人腦普遍有一種語言習得機制，使人們能夠學會使用語言。

難道，喬姆斯基的觀點是錯誤的？

對此，有網友表示：

ChatGPT已經證明了學習語言以及理解語言并不需要語法。

圖片

也有網友保持懷疑態度：

人腦和神經網絡并不是一回事，我們應該對通過研究神經網絡的計算時間來研究人腦保持懷疑。

此外，該神經網絡已經用人類語言進行了訓練，所以這個說法也不能從觀察到的時間推斷出來。

Begu?則表示：這場辯論尚未結束。

他表示自己還將進一步探索人腦和神經網絡之間的相似之處，例如，他正在測試大腦皮層發出的腦電波（在腦干完成其部分聽覺處理后）是否與GAN更深層產生的信號相對應。

他們希望最終能夠開發一個可靠的語言習得模型（language-acquisition model），用來描述機器和人類如何學習語言，從而進行在人類實驗對象中無法進行的實驗。

Begu?研究團隊成員，華盛頓大學的神經科學家Christina Zhao表示：

例如，我們可以創造一個不良的環境，比如一個被忽視的嬰兒，然后觀察是否會導致類似語言障礙的情況。

此外，Begu?還說正在嘗試看看這條路能夠走多遠，通用神經元能夠多接近人類語言。

我們能否通過擴大和增強我們的計算架構，讓其性能達到與人類相當的水平，或者能夠證明這永遠是不可能的。

在我們確切知道這個問題之前，還需要做更多的工作。但我們對這些系統的內部運作，對人類和人工神經網絡的相似之處，依然感到非常驚訝。

對于人腦與人工神經網絡你有什么看法？

傳送門：
[1]https://www.nature.com/articles/s41598-023-33384-9（論文鏈接）