AI 新框架破解大脑语言响应黑箱,生成式因果测试可验证解释
过去十年,大型语言模型(LLM)已成为预测人脑语言反应的最准确工具,但其内部数百万参数如同黑箱,无法直接解读。微软研究院联合加州大学伯克利分校、旧金山分校及哥伦比亚大学在《自然·神经科学》发表论文,提出“生成式因果测试”(GCT)框架。该方法分两步:首先利用脑预测模型识别驱动特定脑区的最强短语,再让LLM将这些短语归纳为简洁文字解释(如“食物准备”或“地名”);随后LLM编写能针对性激活该脑区的新故事,受试者在功能磁共振成像扫描仪中聆听。若解释正确,目标区域会显著激活,从而通过因果检验。实验表明,合成故事可靠地驱动目标区域,且基础模型越稳定,解释越可靠。GCT成功验证了已知选择性的脑区,并有望解决神经科学中预测与理解之间的长期矛盾。 #AI #大脑 #神经科学 #生成式因果测试 #LLM #fMRI #微软研究院 #NatureNeuroscience
过去十年,大型语言模型(LLM)已成为预测人脑语言反应的最准确工具,但其内部数百万参数如同黑箱,无法直接解读。微软研究院联合加州大学伯克利分校、旧金山分校及哥伦比亚大学在《自然·神经科学》发表论文,提出“生成式因果测试”(GCT)框架。该方法分两步:首先利用脑预测模型识别驱动特定脑区的最强短语,再让LLM将这些短语归纳为简洁文字解释(如“食物准备”或“地名”);随后LLM编写能针对性激活该脑区的新故事,受试者在功能磁共振成像扫描仪中聆听。若解释正确,目标区域会显著激活,从而通过因果检验。实验表明,合成故事可靠地驱动目标区域,且基础模型越稳定,解释越可靠。GCT成功验证了已知选择性的脑区,并有望解决神经科学中预测与理解之间的长期矛盾。 #AI #大脑 #神经科学 #生成式因果测试 #LLM #fMRI #微软研究院 #NatureNeuroscience