《Frontiers in Human Neuroscience》:Human brain data: a valuable and open-ended resource for artificial intelligence
编辑推荐:
为解决当前大型基础模型在“理解”人类认知深层机制方面的局限,本文探讨了利用神经影像数据(如fMRI、EEG、MEG)直接“训练”AI模型(即脑训练AI)的新范式。研究提出,此类数据不仅可提升AI在感知、执行及语义任务上的性能,其独特的开放性(可随神经科学发展被不断重新解读)更使其成为突破AI对齐与推理瓶颈的战略资源,有望重塑神经科学家在AI发展中的角色。
你是否想过,我们每天在使用的强大AI模型,如能流畅对话、生成文本的大语言模型,其实与人类真正的“思考”方式仍有巨大的鸿沟?它们从海量的文本、图片中学习模式,但这些终究是人类认知的“行为产物”或“表面痕迹”。就像通过观察一个人的笔迹来猜测他的思想,而非直接聆听他的脑内活动。这种间接性导致AI在复杂推理、价值对齐等深层次任务上频频“卡壳”,甚至可能产生与人类真实意图和价值观相悖的输出。那么,有没有一种方法,能让AI模型更直接地“窥见”并学习人类大脑认知的“底层代码”呢?
一篇发表于《Frontiers in Human Neuroscience》的综述文章,为我们描绘了一幅激动人心的未来图景。文章的核心论点是:人脑数据,特别是通过功能磁共振成像(functional MRI, fMRI)、脑电图(EEG)和脑磁图(MEG)等技术获取的神经影像数据,正逐渐展现出其作为人工智能(特别是大型基础模型)一种高价值且开放性的战略训练资源的巨大潜力。这不仅仅是传统“脑启发AI”的延伸,更是一种全新的“脑训练AI”范式——让AI模型直接利用人类神经活动数据来进行训练、微调和对齐。
为什么说它是“高价值”的?
已有大量实验证据表明,利用神经影像数据可以提升AI模型在多种任务上的表现。例如,在物体识别任务中,fMRI数据能改进经典机器学习模型,EEG数据可优化深度学习模型。在机器人学中,从EEG中提取的奖励和错误信号能有效指导强化学习模型。更有研究表明,即使只有8名受试者的神经影像数据,也能带来显著的模型性能提升。这意味着,尽管神经影像数据通常存在信噪比低、个体差异大等挑战,但它们所提供的关于人类感知、价值判断、语义处理等认知过程的“内部视角”,是传统行为数据(文本、标注)无法替代的宝贵信息。其价值不在于数据量的“大”,而在于认知洞察的“深”,这为解决AI模型泛化性和鲁棒性问题提供了独特思路。
为什么说它是“开放性”的?
这是人脑数据最独特的属性。与传统语义数据(如文本)一旦生成其符号意义就相对稳定不同,一份神经影像数据集就像一个蕴藏丰富的矿藏。最初,科学家可能只是为了研究某个特定的感知任务而采集它。但随着神经科学理论的发展,未来我们可能从同一份数据中,挖掘出与奖励、信心、冲突、任务切换等完全不同的、当时尚未被重视的神经信号。这种“可被不断重新解读”的特性,使得神经影像数据成为一种面向未来的、开放性的资源。它不会过时,反而可能随着科学进步而不断增值,为解决未来AI可能遇到的、我们今天甚至无法预见的新瓶颈埋下伏笔。
文章特别指出,这种开放性的高价值资源,可以优先应用于大型基础模型训练流程中当前最棘手的两个战略环节:对齐(Alignment) 和推理(Reasoning)。
- 1.
在对齐中的应用:当前主流方法“基于人类反馈的强化学习(Reinforcement Learning from Human Feedback, RLHF)”依赖标注员给出的表面评分来推测人类偏好,这往往导致模型在模糊或新颖情境下与人类价值观不一致。利用情感神经科学中已深入研究的、与价值、奖赏、置信度等相关的神经信号,可以更直接、更深入地建模人类的内在价值判断过程,有望实现更深层次的“神经对齐”。
- 2.
在推理中的应用:让模型进行多步推理(如思维链,Chain-of-Thought, CoT)是巨大的挑战。决策神经科学中对任务切换、探索行为价值等执行控制过程神经机制的了解,可以为模型提供“内置”的推理路线图,帮助其更好地模拟人类的执行功能,从而提升复杂问题解决能力。
文章为开展此项研究,主要依托和讨论了神经科学领域现有的关键技术与方法路径。核心是基于多种神经影像技术获取人脑活动数据,包括功能磁共振成像(fMRI)、脑电图(EEG)和脑磁图(MEG)。研究思路并非重新采集大规模专用队列样本,而是着重于重新利用和整合现有公开神经影像数据库(如OpenNeuro, NEMAR)中的海量数据。在数据处理层面,为应对神经影像数据固有的高噪声和个体差异,文章归纳了现有研究中采用的关键信号处理技术,例如在fMRI研究中进行样本选择和体素噪声上限估计,在EEG研究中应用空间滤波和电极选择。最终,旨在构建复杂的计算流水线,以从多模态神经影像数据中提取有价值的神经信号,并将其整合到基础模型的训练框架中,例如探索对RLHF和CoT方法的神经信号增强扩展。
研究发现与结论
1. 从脑启发AI到脑训练AI的范式转变
- •
结论:研究指出了一个根本性的概念转变,即从传统的、受神经科学发现启发的“脑启发AI(brain-inspired AI) ”,转向直接使用神经影像数据来训练、改进AI模型的“脑训练AI(brain-trained AI)”。这为弥合神经科学与AI之间的鸿沟提供了新的实践路径。
2. 神经数据在提升AI任务性能上已具实证基础
- •
结论:通过综述多项研究,文章证实了神经影像数据在提升感知(物体识别、听觉任务)、执行(机器人控制)和语义(语言模型对齐)等多样化AI任务性能上的有效性。这证明了利用神经信号克服数据噪声挑战的可行性,并为更大规模的扩展提供了初步证据。
3. 神经数据是突破基础模型“对齐”与“推理”瓶颈的战略资源
- •
结论:文章提出,神经影像数据最有价值的应用前景在于解决当前基础模型的两大核心挑战。在对齐方面,利用与价值判断相关的神经信号,可发展出超越表面反馈的、更深入的“神经对齐”方法。在推理方面,利用与执行控制相关的神经信号,可为模型的多步推理(如思维链)提供内在引导,从而更好地模拟人类认知。
4. 神经数据的“开放性”特质赋予其持久战略价值
- •
结论:与语义数据不同,神经影像数据是“开放性的”,其价值可随神经科学新发现而被重新挖掘。当前采集的数据集未来可能揭示出新的、对AI训练至关重要的神经信号。这种特性使得人脑数据成为一种能应对未来未知AI挑战的独特战略储备。
5. 神经科学家将在脑训练AI生态中扮演新的关键角色
- •
结论:作为人脑数据的产生者与诠释者,神经科学家的角色将从单纯的大脑研究者,扩展为高价值、开放性AI训练资源的策展人。他们的选择(研究何种认知功能、采用何种实验设计、使用何种成像模态)将直接影响脑训练AI的发展方向。同时,脑训练AI模型本身也可能成为神经科学家模拟人类认知的新型大规模计算工具,形成一个互利循环。
研究结论与未来展望
综合全文,这项研究系统论证了人脑数据作为AI训练资源的独特双重属性:价值性与开放性。其核心结论是,直接利用神经影像数据训练AI(脑训练AI),不仅能在实证层面提升模型在特定任务上的性能,更在战略层面为攻克基础模型在与人类价值观对齐和复杂推理等根本性难题上提供了全新的可能性。神经数据的开放性意味着今天的投资(数据采集与共享)可能在未来持续产生回报,为解决AI的远期局限储备“钥匙”。
这一转变将神经科学家置于AI发展的前沿。他们不再仅仅是灵感的提供者,更是关键数据的生产者和诠释者,有机会通过定义和提供“神经基础”来塑造未来AI的认知架构。反过来,由此催生的、更贴近人类神经机制的“脑训练基础模型(brain-trained foundation models)”,也可能成为神经科学自身研究人类认知的强大新工具。
当然,这条道路充满挑战,包括技术整合的复杂性、大规模多模态神经数据处理的方法学、伦理与数据治理,以及神经科学社区的战略抉择。然而,正如文章所强调的,所有当前基础模型所依赖的语义数据,最终都源于人类大脑的活动。因此,直接利用大脑活动数据来“校准”和“增强”AI模型,是一条逻辑上必然、前景广阔的道路。它预示着神经科学与人工智能的融合,将从“单向启发”步入“双向赋能”的新阶段,共同迈向构建更智能、更贴近人类的机器认知的宏伟目标。