【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
|
JavaScript 小程序 前端开发
【手把手教教学物联网项目】01 视频大纲
《手把手教教学物联网项目》是一系列视频教程,旨在引导初学者掌握物联网技术。视频涵盖物联网基础,如物联网概述、架构和技术;STM32微控制器的介绍、编程及外设使用;网关开发,涉及ESP8266和ESP32;物联网通信协议如TCP、MQTT、Modbus等;物联网总线协议如单总线、CAN、IIC和SPI;OLED显示原理与驱动;MQTT服务器搭建;物联网云平台介绍,包括阿里云平台的使用;微信小程序开发入门及前端VUE项目实践。此外,教程还涉及UniAPP和SpringBoot后台开发,最后通过“智能取餐柜”项目将理论知识付诸实践。视频可在B站找到,适合学生、爱好者和开发人员学习物联网技术。
1568 12
【手把手教教学物联网项目】01 视频大纲
|
8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。
853 7
|
运维 监控 Java
nacos常见问题之获取配置文件的时候报错user not found如何解决
Nacos是阿里云开源的服务发现和配置管理平台,用于构建动态微服务应用架构;本汇总针对Nacos在实际应用中用户常遇到的问题进行了归纳和解答,旨在帮助开发者和运维人员高效解决使用Nacos时的各类疑难杂症。
3080 2
|
网络协议 数据安全/隐私保护 网络架构
软路由R4S+iStoreOS实现公网远程桌面局域网内电脑
软路由R4S+iStoreOS实现公网远程桌面局域网内电脑
1539 0
|
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。
1371 6
|
机器学习/深度学习 数据可视化 数据挖掘
数据降维 | MATLAB实现T-SNE降维特征可视化
数据降维 | MATLAB实现T-SNE降维特征可视化
|
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。
1103 2
|
机器学习/深度学习 人工智能 自然语言处理
【深度学习】Python之人工智能应用篇——音频生成技术
音频生成是指根据所输入的数据合成对应的声音波形的过程,主要包括根据文本合成语音(text-to-speech)、进行不同语言之间的语音转换、根据视觉内容(图像或视频)进行语音描述,以及生成旋律、音乐等。它涵盖了声音结构中的音素、音节、音位、语素等基本单位的预测和组合,通过频谱逼近或波形逼近的合成策略来实现音频的生成。 音频生成技术的发展主要依赖于深度学习模型,如循环神经网络(RNN)、长短时记忆网络(LSTM)、Transformer等。这些模型通过学习大量的音频数据,能够自动生成与人类发音相似甚至超越人类水平的音频内容。近年来,随着大规模预训练模型的流行,如GPT系列模型、BERT、T5等,
895 7
【深度学习】Python之人工智能应用篇——音频生成技术
|
机器学习/深度学习 人工智能 自然语言处理
【2024泰迪杯】C 题:竞赛论文的辅助自动评阅 问题分析及Python 代码实现
本文介绍了2024泰迪杯C题“竞赛论文的辅助自动评阅”的问题分析和Python代码实现,涵盖了论文质量特征构造、自动评分模型建立以及如何利用自然语言处理技术和大语言模型进行论文自动评阅的方法。
651 2
【2024泰迪杯】C 题:竞赛论文的辅助自动评阅 问题分析及Python 代码实现
|
人工智能 JSON 数据格式
AI大模型企业应用实战(11)-Document Loader文件加载器机制
本文详解LangChain文档加载器(Loader)机制,涵盖Markdown、CSV、Excel、HTML、JSON、PDF等多格式文件的智能解析与文本提取。依托unstructured等库,实现结构化内容抽取,为RAG系统构建高质量知识库提供核心支持。(239字)
673 0
AI大模型企业应用实战(11)-Document Loader文件加载器机制