本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
人工神经网络（ANN）的学习方式，竟然与人脑极为相似！
你没听错，至少在处理语言这块上，机器似乎更像人了。
先看下面这张图：
图片
蓝色代表的是人的脑电波信号，红色代表的是人工神经网络信号。
而这是人脑和机器听同一个语音时所作出的反应。
是不是非常相似，有木有被惊到？
实际上这张图来源于最近的一项研究，相关论文已被发表在了Nature子刊Scientific reports上。
图片
而此前，关于人的大脑以及机器的大脑是如何进行学习的问题，始终是一个谜。
“神经网络的学习方式是否与人类相同”这个话题，也一直存在争议。
所以到底有什么证据可以证明，人类和机器“很可能是以类似的方式处理语言”？
人工神经网络信号与人脑电波信号非常匹配
为了揭开人工神经网络学习的神秘面纱，加州大学伯克利分校的计算语言学家Gašper Beguš与约翰霍普金斯大学的博士生Alan Zhou、华盛顿大学神经科学家Christina Zhao进行了这项研究。
在这项研究中，他们给人类听一种简单的声音，然后收集人类听到声音后产生的脑电波。同时，将同一种声音输入到神经网络中，分析神经网络所产生的信号。
对两者进行比较，结果竟然出奇相似。
最重要的是，研究人员测试了适用于各种任务的通用神经元组成的网络，即使是非常通用的网络(对语音或其它声音没有偏见)，仍然展现出与人类神经编码的对应关系。
那这项研究具体是怎样进行的呢？
首先，为了更好地对比人类大脑与人工神经网络的反应情况，研究人员分别找来了14名说英语的人和15名说西班牙语的人。
然后对这些人播放了一个单音节音频——“bah”，每次播放8分钟，重复两次。
在播放的过程中，研究人员记录了每个听众脑干中神经元平均电活动的波动情况（脑干是大脑中最先处理声音的部分）。
另外，研究人员将相同的“bah”声音输入到两组不同的神经网络中。其中一组神经网络是经过英语训练的，另一组是经过西班牙语训练的。
研究人员选择的神经网络结构是生成式对抗网络（GAN）。
GAN最早在2014年被提出，用于生成图像。GAN由两个模块组成，分别是判别器（discriminator）和生成器（generator），它们之间相互博弈学习，可以产生更好的输出。
具体来说，生成器创建一个图像或声音的样本，判别器确定它与训练样本的接近程度并提供反馈，导致生成器再次反应，如此循环，直到GAN能够输出期望的结果。
图片
而在这项研究中，判别器最初是在一系列英语或西班牙语的声音上进行训练的。
然后，从未接受过这些声音训练的生成器必须找到一种产生它们的方法。它开始制造随机的声音，经过约40,000次与判别器的交互后，生成器逐渐产生了正确的声音。经过这种训练，判别器也变得更善于区分真实声音以及生成的声音。
在判别器经过训练之后，研究人员就开始播放“bah”的声音。它们测量了判别器人工神经元的平均活动水平的波动，记录了神经网络的处理活动，重点关注了网络中用于分析声音的人工神经元层（以模拟脑干读数）。
将采集到的人脑电波信号与人工神经网络信号进行比较，结果见下图：
△使用英语的实验结果：蓝色是人脑电波，红色是人工神经网络信号
△使用西班牙语的实验结果：蓝色是人脑电波，红色是人工神经网络信号
可以发现，这些人工神经网络信号与人脑电波信号非常匹配！
这也就说明了这两个系统正在进行类似的活动。
此外，这项实验还揭示了人类和机器之间的另一个有趣的相似之处。脑电波显示，说英语和说西班牙语的测试者对“bah”声音有不同的听觉感知（说西班牙语的人更多地听到了“pah”的声音）。
而GAN的信号也显示出了：接受英语训练的网络在处理声音时，与接受西班牙语训练的网络有些不同。
“而这些差异是朝着同一个方向产生的，”Beguš解释道。
说英语的人的脑干对“bah”声音的反应比说西班牙语的人稍微早一些，而受过英语训练的GAN对相同的声音的反应也比受过西班牙语训练的模型稍微早一些。
人类与机器的这种反应时间上的差异几乎是相同的，大约是千分之一秒。
这也为Beguš提供了额外的证据，即人类和人工网络“很可能是以类似的方式处理语言。”
乔姆斯基错了？
这项研究的结论，实际上与上世纪50年代语言学家乔姆斯基（Noam Chomsky）提出的“人类天生就具有理解语言的能力，这种能力与人脑是硬连接（hard-wired）”的观点相违背。
此外，乔姆斯基还提出了普遍语法（Universal Grammar）概念，即人脑普遍有一种语言习得机制，使人们能够学会使用语言。
难道，乔姆斯基的观点是错误的？
对此，有网友表示：
ChatGPT已经证明了学习语言以及理解语言并不需要语法。
图片
也有网友保持怀疑态度：
人脑和神经网络并不是一回事，我们应该对通过研究神经网络的计算时间来研究人脑保持怀疑。
此外，该神经网络已经用人类语言进行了训练，所以这个说法也不能从观察到的时间推断出来。
Beguš则表示：这场辩论尚未结束。
他表示自己还将进一步探索人脑和神经网络之间的相似之处，例如，他正在测试大脑皮层发出的脑电波（在脑干完成其部分听觉处理后）是否与GAN更深层产生的信号相对应。
他们希望最终能够开发一个可靠的语言习得模型（language-acquisition model），用来描述机器和人类如何学习语言，从而进行在人类实验对象中无法进行的实验。
Beguš研究团队成员，华盛顿大学的神经科学家Christina Zhao表示：
例如，我们可以创造一个不良的环境，比如一个被忽视的婴儿，然后观察是否会导致类似语言障碍的情况。
此外，Beguš还说正在尝试看看这条路能够走多远，通用神经元能够多接近人类语言。
我们能否通过扩大和增强我们的计算架构，让其性能达到与人类相当的水平，或者能够证明这永远是不可能的。
在我们确切知道这个问题之前，还需要做更多的工作。但我们对这些系统的内部运作，对人类和人工神经网络的相似之处，依然感到非常惊讶。
对于人脑与人工神经网络你有什么看法？
传送门：
[1]https://www.nature.com/articles/s41598-023-33384-9（论文链接）
