【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
|
4月前
|
人工智能 网络协议 API
从“聊天AI”到“全能员工”:OpenClaw阿里云部署+免费API配置+分场景100+Skills接入实战手册
OpenClaw的真正魅力,不在于基础的对话功能,而在于其开放的Skills生态——这是一个让AI快速“解锁职业技能”的插件市场。2026年,ClawHub已收录10大分类、100+高质量技能,从会议记录、PDF解读到代码审查、行程规划,覆盖工作、创作、学习全场景。只需一键安装,就能让OpenClaw从“能聊的AI”进化为“能干活的员工”,别人还在手动调试功能,你早已通过技能组合实现效率翻倍。
709 7
|
11月前
|
消息中间件 存储 数据采集
《数据中台隐性故障的排查逻辑与工程化避坑策略》
本文围绕数据中台建设中的三类隐性故障展开复盘,基于特定数据处理框架、分布式存储系统及混合计算环境,拆解故障排查与解决路径。首先解决用户活跃报表偶现数据缺失问题,通过优化任务调度与数据分区校验避免跨时段数据漏采;其次攻克实时推荐接口高峰期空数据难题,通过匹配计算并行度与缓存优化提升数据处理效率;最后修复离线仓库用户留存率重复统计故障,重构分区合并脚本并建立数据质量巡检机制。文中还提炼“现象锚定-链路拆解-根源验证”排查方法论,为数据中台开发者提供工程化避坑指南。
358 7
|
7月前
|
机器学习/深度学习 人工智能 监控
基于强化学习的量化交易框架 TensorTrade
TensorTrade 是一个基于强化学习的开源交易算法框架。它通过环境模拟、策略训练与奖励机制,让AI在历史数据中自主学习买卖时机,构建逻辑自洽的交易策略,助力量化研究。
590 9
基于强化学习的量化交易框架 TensorTrade
|
机器学习/深度学习
RT-DETR改进策略【Conv和Transformer】| CVPR-2024 Single-Head Self-Attention 单头自注意力
RT-DETR改进策略【Conv和Transformer】| CVPR-2024 Single-Head Self-Attention 单头自注意力
226 3
RT-DETR改进策略【Conv和Transformer】| CVPR-2024 Single-Head Self-Attention 单头自注意力
|
12月前
|
安全 Linux 网络安全
解决Jack服务器常见的错误问题
1. **配置问题**:Jack服务器有很多的配置选项,如果配置不当可能会造成问题。修改配置文件通常位于 `~/.jackdrc`,或使用图形界面配置工具如 `QjackCtl`进行调整。
273 21
|
UED
在钉钉宜搭中,要实现单选关联选项设置与图文展示的关联
【10月更文挑战第5天】本文通过具体案例介绍如何在钉钉宜搭中实现单选字段与其他字段的联动功能。以旅行社旅游线路报名表单为例,详细说明了创建单选字段、图文展示字段及设置联动逻辑的具体步骤。通过简单的配置,实现了用户选择目的地后自动展示相关信息的效果,提升了用户体验和数据录入准确性。适用于希望通过低代码平台优化工作流程的企业。
1148 6
|
12月前
|
JSON JavaScript 数据可视化
功能验收分派工具核心功能与应用场景深度解析:验收派发、流程管理、责任追踪全覆盖
功能验收分派机制通过结构化流程解决验收混乱、责任不清等问题,提升交付效率。工具以功能项、责任人、状态流转为核心,实现标准明确、闭环追踪的验收管理,广泛适用于上线、测试等场景。
|
数据采集 安全 算法
半天百度收录新站方法
这段内容介绍了新站快速被百度收录的优化策略。首先,注重网站内容优化,包括原创高质量内容、合理布局核心关键词及清晰页面结构。其次,利用百度站长工具,如添加站点、主动推送链接和提交sitemap。再者,通过高权重平台发布链接、社交媒体推广及友情链接交换构建外部链接。此外,保持服务器稳定、定期更新内容并正确设置robots.txt可提升抓取频率。部署SSL安全证书有助于提高安全性与排名。最后,强调需保持耐心,因收录时间受多种因素影响,通常1-7天内可被收录。
689 3
|
数据库 安全 关系型数据库
数据传输服务
【6月更文挑战第3天】数据传输服务
276 3