为什么我们需要人工智能协助研究人类的天生才智（naturalintelligence）。
过去几年中，JackGallant的神经科学实验室已经发表了一串听起来有些荒诞的论文。
年，实验室证实，仅通过观察人类观影时的脑部活动，就可能再造电影片段。某种意义上，扫描观影人大脑再用计算机生成这部电影就像是读心术。类似地，年，这个团队通过观察人类大脑活动成功预测了被试脑中勾勒着的名画。
年，该团队在《自然》上发表了著名论文，宣布画出一万多个单个语词在大脑中的位置地图——方法是让被试收听podcast节目。（Nature封面：神经科学家成功绘制大脑语义地图，解读人类思想迈出关键一步）
他们怎么做到的？研究人员使用了机器学习工具——一种人工智能——挖掘海量大脑数据、找到了大脑活动模式、预测人类感知。
不过，他们的目标并不是要打造一台读心机器。神经科学家对盗取藏在脑中的密码不感兴趣，也对那些见不得光的秘密不感冒。他们的目标更加远大。将神经科学转变为一种「大数据」科学，使用机器学习挖掘数据，Gallant和该领域的其他科学家有可能革新我们对大脑的理解。
毕竟，人类大脑是宇宙中已知的最为复杂的东西，人类几乎搞不懂它。Gallant实验室的雄心——让神经科学摆脱不成熟阶段——：或许可以打造出一台为我们解读大脑的机器。如果可以解码极端复杂的大脑模式，就有可能找出修复大脑的办法（当大脑深受疾病之苦时）。
MRI——我们用来窥探和分析大脑功能及其解剖学的工具——诞生于上世纪九十年代，效果透光不均匀。为了让效果透视化，fMRI能够观察到的脑部活动最小单元到了体素（voxel）层面。这些体素通常小于1立方毫米。而一个体素中可能有10万个神经元。德克萨斯大学的神经科学家TalYarkoni告诉我，fMRI「就像飞过城市，找到哪里亮着灯。」
传统的fMRI成像可以呈现出对某个行为至关重要的广阔区域在哪里——比如，你可以看到大脑哪里处理负面情绪或者当我们看到熟悉面孔时，哪里会亮起来。
但是，你无法确切知道这个区域在行为中扮演什么样的角色，或者其他不那么活跃的区域是否也扮演着重要作用。大脑不是乐高玩具，每块玩具都有着特定的功能。大脑是一张活动之网。Gallant说，「每个大脑区域会有50%的可能与大脑其他区域连接起来。」
这就是为什么简单的实验——识别「hunger（饥饿）」或者「vigilance(警觉）」所在大脑区域——无法真的得出让人满意的答案。
美国国家精神健康研究院（NationalInstituteofMentalHealth）fMRI部门负责人PeterBandettini告诉我，「过去十五年中，我们一直研究这些一团一团东西的活动。结果，每一团中细微差别、每一次波动的细微差别都包含着大脑运动的信息，而我们无法真正挖掘出来。这也是我们需要这些机器学习技术的原因。我们可以看到一团团的东西，却识别不出模式，因为这些模式太复杂了。」
举个例子。大脑如何处理语言？传统的看法是活动发生在左半球的两个特定区域——布洛卡区和威尔尼克区域——这是语言活动的中心区域。如果它们受损，人就会失去语言能力。不过，Gallant实验室的博士后AlexHuth最近发现，这个观点太过简单。他想知道整个大脑是否都与语言理解相关。
实验中，他请几个被试听两个小时的故事节目TheMoth，与此同时，同事们用fMRI扫描仪记录被试大脑活动。他们想要将大脑不同区域与所听到的单个语词关联起来。
实验产生了很多数据，人力很难处理。Gallant说。但是，可以训练计算机程序寻找数据中的模式。因此，Huth设计了可以揭示出语义地图的程序，地图显示出每个语词所在大脑区域。
「Alex的研究表明，语义理解需要动用大脑的大部分区域，」Gallant说道。Alex同时也展示了意义相似的单词（如poodle和dog）在大脑中的刺激到的位置彼此靠近。
这个研究的意义何在？在科学里，预测就是力量。如果科学家可以预测让人眼花缭乱的大脑活动是如何进行语言理解的，他们就可以受此启发构建更高效的模型。而一旦新的模型被建立起来，他们就可以更好地认识变量改动后的情况——大脑出现病变时。
什么是机器学习？
「机器学习」是一个内容广泛的概念，包含了各类算法与系统。机器学习目前已经被大量应用到消费级产品中去了——例如让计算设备学会识别图片中的物体，其准确程度堪比人类。机器学习的一个分支「深度学习」是最近最为引人注目的词汇，这种技术已经让谷歌的翻译服务从生硬的单词翻译进化到可以把海明威的著作翻译成各国语言，同时保留原作风格的水平。
在最基本的层面上看，机器学习程序需要先使用数据集进行「训练」。在训练中，程序会在数据中寻找模式。通常来说，训练越多的数据，系统就会有更好的表现。一旦经过训练，在遇到同类型的数据之后，系统就可以展开预测了。
最常见的例子就是电子邮件中的垃圾邮件过滤程序。机器学习通过扫描足够数量的垃圾邮件，学习其中内容的特性，从而在收到新的邮件时帮你进行分析和拦截。
机器学习可以是非常简单的程序，仅仅进行数学回归运算（这只是中学数学知识，比如从一些已知条件中算出一条线段的斜率）；也可以是非常复杂的系统，就像谷歌DeepMind，经过了数以百万条数据的训练，从而在围棋上打败人类世界冠军（围棋的棋局变化数量超过了宇宙中所有原子的数量）。
神经科学家正在使用机器学习进行着一些研究。如编码与解码。
通过「编码」，研究人员试图使用机器学习来预测不同刺激在大脑中造成的影响。
「解码」则与之相反，通过观察大脑活动来反推受试者正在思考什么。（注：神经科学家可以使用不同大脑扫描方式为机器学习提供数据，除了fMRI以外还有EEG和MEG等）
俄勒冈大学的神经科学家BriceKuhl最近使用fMRI数据解码，重建了受实验者眼睛里看到的内容。
Kuhl通过核磁共振成像研究的脑区一直被认为与人类记忆密切相关。「这个脑区的活动显示了你所看到物体的细节——或许仅仅是（点亮），因为它是你非常确定的记忆。」Kuhl说道。机器学习程序可以从这个脑区的活动图像中预测被试者看到的人的面部特征，这表明这个位置就是「你看到的细节」被处理的地方。
第一行是Kuhl研究中的原始面孔；第二行是基于大脑的两个不同区域中的活动，机器学习进行的猜测，重建远非完美，但它们表现出了原面部的一些基本细节，如性别、肤色和表情
同样，Gallant有关艺术作品的实验揭示了一个关于心灵的小秘密：当我们看到相同物体时，我们会激活大脑中相同的区域。
所有接受采访的神经科学家们都表示机器学习并没有彻底改变他们的领域。究其原因——没有足够的数据。扫描大脑活动需要花费大量时间，而且价格昂贵。同时，一项研究通常会招募几十名受试者，而不会有几百人。
「在20世纪90年代，神经影像学刚刚起飞时，人们
