Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

R. Douglas Fields作者蛋酱编辑

担心脑机接口控制人类思想?神经科学家:想多了

当前,脑机接口的迅速发展给人们带来了一种恐慌:这种机器会不会控制我们的思想?著名神经科学家、神经科学期刊 Neuron Glia Biology 主编 R. Douglas Fields 撰文表示:这种担心目前来看不是很有必要,因为放置在皮层中的电极是无法获得情感的,神经科学家甚至还不了解如何通过神经回路中的脉冲对思想、情感、意志进行编码。

早在 1964 年,西班牙神经科学家 JoséManuel Rodriguez Delgado 就证明了,机器可以对人脑实现精确的控制。他站在一头斗牛的对面,按下手中的无线电发射器开关,正在冲锋的牛突然停了下来。


因此 Delgado 认为,在大脑中植入电极可以抑制异常行为,实现一个「精神文明的社会」。只需让植入的电极通电,就可以平息癫痫发作时的脑风暴,以及瞬间抑制精神疾病。

但是,这项技术还可以控制一个人的四肢移动,或使他们陷入深深的自杀式绝望。这也难怪,人们对这项技术产生了紧张情绪。

数十年来,这种担忧限制了该领域的发展。目前,更先进的技术逐渐兴起:激光束、超声波、电磁脉冲、轻度交流电和直流电刺激等等方法,它们对大脑活动的操作都比 Delgado 的实验复杂得多。

2017 年,一篇发表在《Nature》杂志的社论警示了脑机接口技术在心理控制方面的影响。文章开篇引用了电影《黑镜》的场景:瘫痪的男人利用大脑植入物控制假肢,当这个男人感到沮丧时,假肢突然攻击了助手。


包括马斯克和扎克伯格在内的名人都在押注脑机接口(BCI)技术,甚至已经投入了数百万美元。马斯克表示,他喜欢在人脑中构建一个「超级智能皮层」,帮助我们免受 AI 的侵害。扎克伯格则希望 Facebook 的用户能够在不打字的情况下上传思想和情感类内容。但在这些讨论中,事实和虚构的边界很容易变得模糊。


当前的 BCI 设备是通过数据分析来工作的,其原理和亚马逊预测你接下来要买哪本书差不多。无论有什么文章在耸人听闻,我们要相信一个事实:放置在皮层中以激活假肢运动的电极是无法获得情感的,神经科学家还不了解如何通过神经回路中的脉冲对思想、情感、意志进行编码。

它究竟如何工作?


当人们移动肢体或者打算移动肢体时,大脑皮层会持续涌动电流活动,这就是脑电波。

当一个服务生突然将玻璃杯掉在地上,整个餐厅会发出唏嘘声,这种现象反映了成千上万个神经元之间的交流发生了变化。尽管无法理解每个食客之间的对话,但集体的唏嘘是一个明确的信号。

科学家可以利用大脑皮层中的电流中断来触发计算机激活假肢中的电机,或者去点击屏幕的虚拟鼠标。但是,即便有可能利用微电极进入单个神经元神经科学家也无法像处理计算机代码一样对神经元进行解码,而是必须使用机器学习来识别与行为反应相关的神经元电活动模式。BCI 借助其中的相关性运行,就像我们通过聆听发动机声音来判断如何踩汽车离合器。


这种人机界面交互的方法非常有效,使得瘫痪或患有其他神经功能疾病的人恢复部分生活能力。但在 BCI 设备中,比这些技术更复杂的事是大脑本身的作用。通过长时间的反复试验,看到预期的反应会以某种方式让大脑得到奖励,慢慢地,它学会了生成计算机可识别的电信号。所有这些的发生都是由于「意识」,而神经科学家们不知道大脑究竟是如何实现的。

既然如此,所谓 BCI 的精神控制又从何谈起呢?

神经科学家 Timothy Buschman 表示,他正在积极地利用大脑记录和刺激进行研究。「我会知道要瞄准哪个大脑区域,但是无法知道具体哪个神经元。即使可以针对每个人使用相同的神经元,在不同人的大脑中,该神经元的作用也会有所不同。」

尽管马斯克等人为脑机接口技术带来了极大的关注度,但技术从不是真正的瓶颈——生物学才是关键所在。即使通过将一个神经元标记为「开」或「关」来简化神经编码,在仅 300 个神经元的网络中也有 2^300 种可能的状态,这比宇宙中所有原子的数量都多。而人脑神经元总数在 850 亿左右。

精神控制一个人,对脑机接口来说很难很难

再谈到扎克伯格的用户上传想法 / 情绪的计划, 科学家们也正在尝试类似的实验。

CMU 的 Marcel Just 和他的同事正在使用 fMRI(功能性磁共振成像)揭示一个人的个人想法,以了解大脑如何处理、存储和调用信息。他们可以辨别一个人在想哪个数字,有什么情绪,或者是否有自杀的念头。

这种察觉行为的前期是,人们要在 fMRI 机器中反复产生特定想法和认知行为。由于认知和情感激活了整个大脑中的特定网络集,因此机器学习可以最终确定哪些大脑活动模式对应哪些特定思想情感。值得注意的是,无论受测试者的母语是什么,分辨个人想法的全脑活动模式都是类似的。

这项研究揭示了一个令人震惊的规律:其实大脑并没有按照我们所认为的方式去存储信息,即将信息有逻辑地存储为数据库中的离散项。取而代之的是,信息被编码为集成概念,其中包括感觉、情感、相关体验和意义。

逻辑上说,「意大利面」和「苹果」是相似的,都是食物,但每个人对此产生的感觉是不同的,可以激活大脑中的某一特定区域。这解释了 Just 是如何使用非常缓慢的 fMRI 方法,花费几分钟获取大脑成像,来确定一个人正在默念的句子。大脑不会像谷歌翻译那样逐字解码和存储书面信息,它会完整地对句子含义进行编码。

这种心智阅读技术似乎令人恐惧。Just 说道:「没有什么比思想更加私人化的东西了。」但是这种担心实际上也是毫无根据的,与用于操纵假肢的 BCI 相同,这种心智阅读也需要操纵者的努力配合。人可以轻松地躲避被机器阅读心智,Just 和他的同事 Vladimir Cherkassky 解释道。

「我们需要参与者在脑中想『六个苹果』——先思考红苹果,再思考绿苹果,然后再想一个苹果电脑,然后我们再寻找其中的区别。」显然,如果你不这么严格地去想,机器就获得不了什么。

批评者时常提到 BCI 涉及的道德问题:缺乏对于隐私、身份的保护,机器展示大脑活动有时未经使用者本人的同意。他们担心滥用这些权利会侵害自由意志,也担心技术的发展会让社会地位的差异加剧。而且,这些技术显然也会和其他技术一样,有被恶意滥用的可能性。这些思考当然都很重要,但同样需要注意的是,我们已经面对过并接受了此前一些棘手的生物学技术,比如 DNA 测序、麻醉和神经外科手术。

总体来说,BCI 的缺陷可能总会有被好处抵消的那一天。目前人们使用手术或化学药品治疗神经和心理疾病的方法存在严重不足。通过精确应用电流与大脑进行交互,或监视大脑生物电活动来诊断疾病的方法,展示出了更多希望。

当 Nathan Copeland 用连接了自己运动皮层的机械手和奥巴马握手时,他还能通过假肢感受到握手时指尖抓握的触感。BCI 还可以恢复视力、听力,合成语音,治疗强迫症等疾病,以及帮助人抵抗各种成瘾问题。

人们存在对未知的恐惧是自然而然的。对于大多数人来说,害怕大脑受人控制有点杞人忧天,而 Copeland 是实实在在地面对了让科学家们打开头颅,在大脑表面植入电极的经历。目前,鉴于电极寿命有限,Copeland 的大脑植入物已经被移除。

他说道:「回顾过去,我还是愿意多试几次,只要他们允许。」

原文链接:https://www.quantamagazine.org/how-brain-computer-interface-technology-is-different-from-mind-control-20210517/

理论脑机接口
相关数据
数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

神经科学技术

神经科学,又称神经生物学,是专门研究神经系统的结构、功能、发育、演化、遗传学、生物化学、生理学、药理学及病理学的一门科学。对行为及学习的研究都是神经科学的分支。 对人脑研究是个跨领域的范畴,当中涉及分子层面、细胞层面、神经小组、大型神经系统,如视觉神经系统、脑干、脑皮层。

数据库技术

数据库,简而言之可视为电子化的文件柜——存储电子文件的处所,用户可以对文件中的数据运行新增、截取、更新、删除等操作。 所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

逻辑技术

人工智能领域用逻辑来理解智能推理问题;它可以提供用于分析编程语言的技术,也可用作分析、表征知识或编程的工具。目前人们常用的逻辑分支有命题逻辑(Propositional Logic )以及一阶逻辑(FOL)等谓词逻辑。

神经元技术

(人工)神经元是一个类比于生物神经元的数学计算模型,是神经网络的基本组成单元。 对于生物神经网络,每个神经元与其他神经元相连,当它“兴奋”时会向相连的神经元发送化学物质,从而改变这些神经元的电位;神经元的“兴奋”由其电位决定,当它的电位超过一个“阈值”(threshold)便会被激活,亦即“兴奋”。 目前最常见的神经元模型是基于1943年 Warren McCulloch 和 Walter Pitts提出的“M-P 神经元模型”。 在这个模型中,神经元通过带权重的连接接处理来自n个其他神经元的输入信号,其总输入值将与神经元的阈值进行比较,最后通过“激活函数”(activation function)产生神经元的输出。

推荐文章
暂无评论
暂无评论~