人類思維的工作方式可能比任何人想像的更像人工智能

研究發表於 自然通訊，由希伯來大學的 Ariel Goldstein 博士領導，合作者為谷歌研究院的 Mariano Shin 博士以及普林斯頓大學的 Uri Hasson 和 Eric Hamm 教授。該團隊共同發現了人類理解語音的方式與現代人工智能模型處理文本的方式之間存在意想不到的相似之處。

科學家們利用聽了三十分鐘播客的參與者的皮層電圖記錄，追踪了語言處理過程中大腦活動的時間和位置。他們發現大腦遵循一個有組織的序列，該序列與 GPT-2 和 Llama 2 等大型語言模型的分層設計緊密匹配。

大腦如何隨著時間的推移構建意義

當我們聽某人說話時，大腦並不能立即理解其含義。相反，每個單詞都會經歷一系列的神經步驟。戈爾茨坦和他的同事表明，這些步驟隨著時間的推移而展開，其方式反映了人工智能模型處理語言的方式。人工智能的早期層專注於關鍵詞特徵，而更深的層則結合了上下文、語氣和更廣泛的含義。

人類大腦的活動遵循相同的模式。早期的神經信號對應於人工智能處理的第一階段，而後來的大腦反應則與模型的更深層次保持一致。這種時間匹配在布羅卡區等高級語言區域尤其強烈，當與更深的人工智能層連接時，反應隨後達到峰值。

戈德斯坦博士表示，“最令我們驚訝的是，大腦中意義的時間展開與大型語言模型中的轉換序列非常匹配。儘管這些系統的構建方式非常不同，但它們似乎都在朝著理解的方向一步一步地構建相似的過程。”

為什麼這些結果很重要？

研究表明人工智能不僅僅可以生成文本。它還可以幫助科學家更好地理解人腦如何創造意義。多年來，人們認為語言主要基於固定符號和嚴格的等級制度。這些發現挑戰了這種觀點，而是指出了一個更加靈活和統計的過程，其中意義通過上下文逐漸顯現。

研究人員還測試了音素和語素等傳統語言元素。這些經典特徵無法解釋實時大腦活動以及人工智能模型產生的上下文表徵。這支持了這樣的觀點：大腦更多地依賴於流動的上下文，而不是嚴格的語言構建模塊。

語言神經科學的新資源

為了幫助推動該領域的發展，該團隊公開了全套神經記錄和語言功能。這個開放數據集允許世界各地的研究人員比較語言理解理論並開發更能反映人類思維如何運作的計算模型。