【Nature封面文章】大脑词汇地图

简介:

早上好。今天赵思家真的是做了热腾腾的新鲜大脑早餐来赎罪了。昨天晚上国内的诸位在睡觉的时候,《自然》放了个大招。伯克利的一群人把常用词汇所对应的大脑区域给画出来了。换句话说,这就是个大脑词典的雏形!


你觉得我们离读心术还会远吗?


我也是刚刚无意刷到最新封面研究的配套视频 《The Brain Dictionary》(不过我觉得还是翻译成「大脑词汇地图」更为贴切)。太酷了。太酷了。太酷了。

之前就有研究发现,实际上在听拥有不同词义的词汇时,并不是只有语言中心Broca's area会被激活,而每个词也不仅仅是只对应一个大脑区域,而这相对应的大脑区域似乎与语义有一定关联。


美国加州伯克利大学的科学家将常见的985个英语词汇的相对应大脑区域给「画」了出来。7名志愿者躺在功能性核磁共振(fMRI)中两个多小时(妈呀!绝对是真爱!),过程中给他们播放一个有一万多字的故事。


他们的主要发现如下:


(1)词汇们分布在大脑四周,并没有一个绝对的语言区域


(2)意义相关的词语(譬如说「妻子」,和其他描述社会关系的词语(「家庭」「孩子」...))所激活的大脑区域很相似。


这近千的词汇被分为了12个不同类型:触觉(「手指」)、视觉(「黄色」)、数字(「四」)、地点(「体育馆」)、抽象(「自然的」)、时间(「分钟))、工作(「会议」)、暴力(「致死的」)、公共设施(「学校」)、精神(「睡觉」)、情感(「悲伤的」)和社会关系(「孩子」)。

如果一个词有多种语义,譬如说英文的「Top」(上)。当人听到这个词时,额叶(就是脑门那块的大脑)的额中回(middle frontal gyrus)那一小块区域会变得活跃,而其他和衣服、外表相关的词汇也聚集在此。




这个词也有「第一、首位」的意思。不出意外地,我们在与数字相关的区域(要靠近后脑勺一些),也能找到它。(为了方便展示词语的分布,下面的图都是将大脑的整个表面压平的样子)




top也和位置有关,所以另一个可以找到它的区域则是和建筑物相关的大脑区域。




把大脑两边都抻平了看看词义的分布:




下图相当于是上图的科研版本。那晶莹剔透的大脑。好美好美啊!!!(科学和艺术会是一对好cp)总觉得应该会很好吃...


图片来自原论文 Huth et al 2016


超酷吧?研究人员还将这个词汇地图的3D大脑模型上传到了网上:http://gallantlab.org/huth2016/。但从四个小时前它的服务器就瘫痪了。呵呵。


(3)令人惊讶的是,这个研究也发现,这些与词义想对应的区域是 双脑对称的,换句话说,这和过去一直以为的「左脑负责语义」这个认识相驳。


(4)做大脑成像研究,时常最令人沮丧的就是人与人之间的差异。而像这样细节度这么高、还是全脑扫描、而且还是听觉相关的语言研究*,画这样的地图特别难。而这个研究发现这份大脑词汇地图在人与人之间一致性很高。也就是说,你在这个人脑子里看到「四」的位置,基本和在另一个人脑子里看到「四」所对应的位置基本一样。这让这个研究有了更高的可靠性。


等以后能够将更多的词汇都找到对应的位置,甚至扩展到其他的语言,虽然还有很长很长的路要走,但不得不yy一下,我们离读心术是不是更近了一步呢?


————————————————

*这里解释一下,听觉相关的核磁共振成像研究不好做,因为核磁共振在扫描时会产生很大的噪音,而我们现在的耳机很难完全隔绝那个噪音。所以在设计实验时,一定要小心不能把我们的实验声音所带来的大脑活动和机器噪音所带来的大脑活动弄混淆了(虽然这不能完全避免)。


同是做脑成像的一定能理解这个头条的分量。外行都在刷图片,内行都去刷它的methods去了。


这样内外兼顾的好文章真是让我心情澎湃啊!

————————————————


这里使用的截图都来自《自然》的原视频:https://youtu.be/k61nJkx5aDQ。想到大家可能上有关挺麻烦的,我将视频搬到优酷上了(但这样实际上是不对的)。(暂时没有中文字幕,有时间翻译了再上传好了)

毕竟这真是个在人类大脑语义上突破性的研究,如果有能力阅读原文的快去:http://www.nature.com/nature/journal/v532/n7600/full/nature17637.html。


References:

Huth, A.G., de Heer, W.A., Griffiths, T.L., Theunissen, F.E., Gallant, J.L., 2016. Natural speech reveals the semantic maps that tile human cerebral cortex. Nature 532, 453–458. doi:10.1038/nature17637


原文发布时间为:2016-04-28

本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号


相关文章
|
canal Kubernetes 网络架构
K8s CNI 网络最强对比:Flannel、Calico、Canal 和 Weave
Kubernetes 采用的 CNI 标准,让 Kubernetes 生态系统中的网络解决方案百花齐放。更多样的选择,意味着大多数用户将能够找到适合其当前需求和部署环境的 CNI 插件,同时还可以在环境发生变化时也能找到新的解决方案。
4245 1
|
9月前
|
存储 监控 虚拟化
Hyper V上网优化:提升虚拟机网络速度
要优化Hyper-V虚拟机的网络速度,可从以下几方面入手:1. 优化虚拟交换机配置,如选择合适的交换机类型、启用SR-IOV、配置VLAN和QoS策略;2. 调整网络适配器设置,选择适当的适配器类型并启用VRQ等;3. 优化宿主机网络配置,更新网卡固件和驱动,启用硬件加速;4. 使用性能监视工具监控网络流量;5. 其他措施如启用硬件虚拟化、使用外部存储、配置NLB等。通过合理配置,可显著提升网络性能。
1060 17
|
10月前
|
人工智能 数据可视化 API
Deepseek 本地部署“网页版”与“软件版”超级详细教学(deepseek+Ollama+OpenWebUI+Chatbox AI+Cherry Studio)
近期,人工智能领域迎来了一股新的热潮,DeepSeek作为一款备受瞩目的开源语言模型,凭借其卓越的性能和广泛的应用场景,迅速在全球范围内引起了广泛关注。从技术社区到商业领域,DeepSeek的热度不断攀升,甚至有“挤爆”的趋势。这不仅反映了其强大的技术实力,也体现了市场和用户对其的高度期待。 在这样的背景下,本地部署DeepSeek模型的需求也日益增加。本地部署不仅可以避免网络延迟和数据隐私问题,还能根据用户需求进行定制化优化。结合deepseek+Ollama+OpenWebUI+Chatbox AI+Cherry Studio AI等工具,用户可以轻松实现模型的本地化部署,并通过可视化面板
1553 8
Deepseek 本地部署“网页版”与“软件版”超级详细教学(deepseek+Ollama+OpenWebUI+Chatbox AI+Cherry Studio)
|
Python 容器
使用flet创建todo应用
使用flet创建todo应用
235 2
|
机器学习/深度学习 自然语言处理 PyTorch
Transformers入门指南:从零开始理解Transformer模型
【10月更文挑战第29天】作为一名机器学习爱好者,我深知在自然语言处理(NLP)领域,Transformer模型的重要性。自从2017年Google的研究团队提出Transformer以来,它迅速成为NLP领域的主流模型,广泛应用于机器翻译、文本生成、情感分析等多个任务。本文旨在为初学者提供一个全面的Transformers入门指南,介绍Transformer模型的基本概念、结构组成及其相对于传统RNN和CNN模型的优势。
12274 1
ly~
|
机器学习/深度学习 人工智能 自然语言处理
大数据在智慧金融中的应用
在智能算法交易中,深度学习揭示价格波动的复杂动力学,强化学习依据市场反馈优化策略,助力投资者获取阿尔法收益。智能监管合规利用自然语言处理精准解读法规,实时追踪监管变化,确保机构紧跟政策。大数据分析监控交易,预警潜在违规行为,变被动防御为主动预防。数智化营销通过多维度数据分析,构建细致客户画像,提供个性化产品推荐。智慧客服借助 AI 技术提升服务质量,增强客户满意度。
ly~
403 3
|
存储 编解码 算法
4K 蓝光与流媒体比较:哪个更好?
4K 蓝光提供无与伦比的图像和声音质量,使其成为重视沉浸式电影体验的爱好者的首选。另一方面,流媒体服务提供了触手可及的庞大内容库,可随时随地访问。在这篇文章中,我们将深入探讨每个选项的好处并提供全面的比较,以帮助你决定哪个更适合您的观看习惯和偏好。
968 3
|
小程序 前端开发 Java
社区生鲜团购小程序
社区生鲜团购小程序
1032 0
|
SQL 安全 算法
ChatGPT高效提问—prompt实践(漏洞风险分析-重构建议-识别内存泄漏)
ChatGPT高效提问—prompt实践(漏洞风险分析-重构建议-识别内存泄漏)
253 0
|
JavaScript
elementUI/Plus 输入框按回车刷新页面分析与解决
elementUI/Plus 输入框按回车刷新页面分析与解决
elementUI/Plus 输入框按回车刷新页面分析与解决