【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
|
2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。
609 7
|
4月前
|
自然语言处理 监控 数据可视化
你的大模型微调真的有效吗?90%的人都不知道的评估秘诀
本文系统探讨大模型微调效果的量化评估方法,涵盖损失函数监控、困惑度分析、任务专属指标(如BLEU/F1/ROUGE)、人工评估与A/B测试、消融实验及横向对比,强调多维协同、闭环反馈,助力科学优化微调效果。
|
5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。
505 9
基于强化学习的量化交易框架 TensorTrade
|
4月前
|
C#
C# 实现图片压缩工具(基础版)
基于 System.Drawing 实现图片尺寸缩放与质量压缩,支持常见格式。通过计算缩放比例生成新图像,并调整压缩质量以减小文件大小。适用于 .NET 平台,需安装 System.Drawing.Common NuGet 包。
|
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
205 3
RT-DETR改进策略【Conv和Transformer】| CVPR-2024 Single-Head Self-Attention 单头自注意力
|
10月前
|
XML Java 数据安全/隐私保护
抖音卡片生成器在线制作,抖音xml卡片链接生成器,私信群发卡片消息
这个项目实现了完整的抖音XML卡片生成功能,包含模板管理、数据绑定、XML验证等核心模块。
|
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。
587 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
257 3
|
设计模式 消息中间件 Java
Java 设计模式:探索发布-订阅模式的原理与应用
【4月更文挑战第27天】发布-订阅模式是一种消息传递范式,被广泛用于构建松散耦合的系统。在 Java 中,这种模式允许多个对象监听和响应感兴趣的事件。
968 2

热门文章

最新文章