认知科学在过去十年取得了巨大进展，几年前还被认为是天马行空的科学技术，现在已经迅速成为世界各地前沿实验室的标准方法和日常工作。这反映了现代神经科学的跨学科思维，科学家正在用跨学科方法来攻克有关人类思维和认知的深层问题。与此同时，不断涌现的革命性技术也让这一切变得可能。
每年，天桥脑科学研究院（Tianqiao and Chrissy Chen Institute, TCCI）和《科学》杂志（Science）都会举行一场认知科学会议，在会上各方集中讨论认知科学领域的最新突破性成果。在本次会议期间，来自中美两国的科学家们介绍了前沿研究成果，并热情回答了听众们的问题。
毛颖：临床神经外科 和应用神经科学中的机器学习
毛颖教授是 TCCI 转化中心主任、华山医院院长、中华医学会神经外科分会主任（候任），他还担任上海市抗癌协会副理事长、中华医学会神经外科分会副主任委员、中国医师协会神经外科分会副会长、上海市医学会神经外科分会主任委员等职务。毛颖教授曾经于美国密歇根大学 Crosby 神经外科实验室从事博士后研究，并在日本、中国和美国的多所学术机构深造。2017 年，毛颖教授荣获了由上海市医学会颁发的上海医学发展杰出贡献奖。
毛颖教授介绍了机器学习（ML）在神经医疗诊断中三个方面的应用，分别是医疗图片处理、脑电仪（EEG）数据加工以及手术协助中应用到的机器学习技术。
首先，机器学习能够应用到放射组学（Radiomics）研究中的图像处理、特征提取以及分类预测等方面，大大提高数据处理效率。毛颖教授通过机器学习技术，开发了应用于脑部肿瘤诊断的人工智能系统。该系统中的核心机器学习模型，通过对 300 余个病例进行训练，最终对脑部肿瘤诊断精确性能够达到 85% 以上。
此外，在脑电仪的应用基础上，毛颖教授开发了更加精确的深脑刺激方法。传统的电极刺激方法范围较大，刺激不精确，且强度较不可控，易引发癫痫。而毛颖教授实验室开发的新型刺激方法能精确刺激各个脑区，为病人大脑制作高精度的功能图谱。毛颖教授举例他们对中央沟（central sulcus）周围脑区（主要感受皮层和主要运动皮层）的制图，并强调，该 「被动功能性制图」 技术在病人清醒和麻醉的情况下都可使用。
机器学习还为临床神经手术带来了一系列的变革。传统的神经开颅手术不仅耗费人力，手术时程还过长。近年来，算法、人工智能以及虚拟现实技术应用的逐渐发展为临床带来了立体定向神经外科技术，但该技术仍旧耗时费力。
毛颖教授介绍到，如今，通过结合手术机器人以及前沿人工智能技术，他们开发出了新一代的神经手术机器人，更好地解决了传统手术的短板。尽管如此，毛颖表示，新的技术无法替代神经外科医生。这项新技术的作用在于帮助医生更精准快捷地完成手术。
最后，毛颖教授总结道，机器学习技术为临床医生提供了更加有力的工具，进一步的加强了神经手术的诊断精确度以及治疗有效性。这项技术的核心，在于使手术过程变得更加简单，帮助医生做出更加正确的诊断。
然而，要想更好地发展这项技术，我们还需要更多的研究人员参与技术研发，更多的诊断病例训练模型。他相信，我们将很快揭开大脑 「黑箱」 的神秘面纱，证明机器学习应用于诊断技术的有效性。我们应当相信机器学习技术，也要更加相信新一代的神经外科医生。
Edward Chang：言语的神经编码
Edward Chang 是加州大学旧金山分校神经外科学教授，神经外科系主任。他专长于通过高级脑功能定位手术保留大脑语言功能区。他还是加州大学伯克利分校和加州大学旧金山分校神经工程与假肢中心联合主任，该中心由加州大学旧金山分校和伯克利分校共同设立。他的研究主要关注人类行为（例如语言和情绪）背后的大脑机制。举例来说，通过研究与说话时的身体运动相关的大脑活动，他的团队成功的使用计算机解码这些大脑信号并将其转换为人工合成的语音。这项技术最终有可能为丧失了说话能力的瘫痪人群提供语言假肢。他曾获 Blavatnik 全国生命科学桂冠和美国国立卫生院院长创新奖。他同时还是美国霍华德休斯医学研究所（HHMI）学者成员。
Edward Chang 教授希望探究人类听觉皮质中出现的高水平的知觉调控，譬如人们是如何将听觉信号转化为音素表征的。他在演讲中分享了听觉和语言系统衔接中起到关键作用的一些因素。
在近十年来，Edward Chang 实验室在探究语音信息的神经加工时，侧重于以下几个方面：我们在进行语音信息处理时关注的三个因素分别为，这场对话的内容是什么，这时加工的信息包括加工语音信息中的元音、辅音等；其次是，这句话是如何说出来的，例如在一个句子中，由音调高低着重强调的重点信息，最后是，这句话是由谁说出来的。这对理解语义有重要作用，譬如，知道一句话是由男性还是女性说出口，便于我们理解音调信息。
在列举近期的研究发现时，Edward Chang 教授提到了此前与华山医院之间的合作经历。为了探究音调信息的神经加工，他希望能与中国研究者合作。这是因为与英文语言系统不同，对于诸如中文在内的有声调语言而言，音调信息非常重要：在这类语言中，音调信息决定了文字的语义信息。
Edward Chang 教授表示，他非常荣幸能够在毛颖教授之后进行发言，这是因为此前他曾与华山医院的中国团队合作，一同探究了在有声调及无声调语言使用者中，人类皮质对音调信息的编码有何不同。研究对比了中美两国的被试，发现在单个电极记录条件下，两组被试对音调加工没有显著差异，而在神经元群水平上，他们仅在中文使用者中发现了具有音调特殊性的编码活动。
Evelina Fedorenko：人工神经网络作为人类大脑语言理解的模型
Fedorenko 博士是一位研究语言系统的认知神经科学家。她于 2002 年获得了哈佛大学的学士学位，并于 2007 年从麻省理工学院获得博士学位。随后，她获得了美国国立卫生研究院国家儿童健康与人类发展研究所颁发的 K99R00 职业发展奖。2014 年，她成为了哈佛医学院 / 马萨诸塞州波士顿总院的教职员工。她于 2019 年回到麻省理工学院，目前在大脑认知科学系和麦戈文脑科学研究所担任副教授。Fedorenko 博士使用 fMRI、EEG / ERP、MEG，颅内记录和刺激以及计算模型等技术来研究成人和儿童，研究对象中包括患有发育性和后天性脑部疾病的患者。
Evelina Fedorenko 教授的研究关注人类思维以及大脑中与语言相关的计算及表征，她的报告主题是通过人工神经网络理解人类语言的表征及其背后的神经元活动。
语言功能问题一直困扰着科学家们。针对这个问题，从哲学层面一般存在两种假设：其一是，语言的功能在于交流思想，另一种是，在演化进程中，语言让我们具有了更深邃的思维。她认为哲学无法解决这两种假设，我们应当从实证的角度为这个问题找到答案。
在这次报告中，她通过两支实证研究反对了语言的功能是为了承载更复杂思想：1. 语言与复杂思想、推理能力之间的关系；2. 语言用于交流的实用特征。
在第一支研究中，Fedorenko 教授列举了一系列来自功能性成像技术及针对大脑损伤患者的研究。这些研究显示，高级语言能力不与认知执行功能（如注意、工作记忆等）共享认知资源。与之相对的是，语言与社会认知功能存在极大的关联性。
在第二支研究中，Fedorenko 教授列举了自然语言的形态一般便于高效传递信息；随后，她报告了通过人工智能网络进行的语言预测研究。此前的语言模型存在的问题是，我们没有能从语言中提取语义的算法。但近年来，随着人工智能算力的提升，出现了如生成预训练转化器（GPT）这样的语言预测算法。这证明从语言中提取语义是可能的。我们这样的语义生成算法与人脑进行对比研究，探讨了人脑是如何处理语言的。研究发现，语言预测能力更强的网络也能够更好地预测人类神经活动。
文章来源：天桥脑科学研究院
