脑图像提取:在形上学上有意义吗?


大脑图像提取技术已经存在了很多年:研究人员测量大脑活动模式,然后能够将这些测量值转换为受试者所见或想象的图像的近似值。这样,可以说“从大脑中读取您的思想”或“提取图像”:可以纯粹基于客观的大脑活动测量来推断第一人称视觉体验。

俄罗斯的一项新研究 脑图像提取可能再次—可以理解,但遗憾的是—将人们引向以下猜想:如果我们能够将人的大脑活动测量结果转化为视觉图像,则该人实际上是从第一人称视角来看的,这是否就意味着我们弥合了解释上的空白?哲学家已经坚持了几十年,我们无法推断出 品质 来自目标的经验 测量。这两个领域之间存在“解释性差距”,因为我们无法用数量来解释质量。但是如果—如俄罗斯研究所示—技术可以将脑电图测量结果转化为视觉图像,当然我们已经消除了差距。不是吗

当然没有。猜想—可能是可以理解和原谅的—是完全错误的;它基于对这里发生的事情的深刻误解。这就是我将在这篇文章中尝试解释的内容。

但是,在开始之前,我首先要澄清一下,我不会判断俄罗斯研究的质量或准确性。 该预印本。我只是假设它是准确的,正如所报道的那样。即使这项特殊的研究结果 to be flawed—我没有理由相信—同样的事情是可能的,或者肯定是可能的。此外, 莫斯科物理技术研究所编写的一般性摘要 非常准确,头脑冷静并且写得很好。西方的大众科学媒体 —除了一些光荣的例外—可以从他们那里学到一两个关于如何以一种可访问但非歇斯底里和无误导性的方式交流科学的知识。因此,您真的不需要阅读完整的技术论文即可关注该帖子。流行的摘要会做。

研究人员所做的第一件事是训练一个人工神经网络(ANN),以将用脑电图测量的某些大脑活动模式链接到某些图像。这听起来很复杂,但实际上并非如此。他们所需要做的就是在他或她看着屏幕上显示的一组已知图像时获取他或她的脑电图读数。然后研究人员通过构造知道 自从对象开始,什么大脑活动模式对应于每个图像 实际上正在看图像 因为他或她的大脑活动正在被测量。接下来,研究人员将每个EEG测量值作为输入提供给ANN,并对其进行训练以生成相应的图像作为输出。同样,后一个图像是  已知的 —当测量他或她的大脑活动时,受试者正在看的是—所以诀窍只在于让ANN产生足够的相似度 复制 of the image. We say 那 the image is the 目标   输出 训练期间的ANN值,当输入相应的EEG数据时应生成。

ANN的训练是这样的:假设输入只是一个数字—say, 5—目标输出另一个数字—例如,21。然后,您需要配置ANN,以便在输入5时,在输出处产生21。 ANN配置为执行的功能可能很简单,只需将输入乘以4然后加1。换句话说,ANN可以简单地实现该功能 f(输入)= 4 x输入+ 1。当输入为5时,我们得到 f(5)= 4 x 5 +1 = 21。 ANN的“培训”在于找到该功能 f(输入)  通过定向试验和错误,因此ANN与目标输出匹配。一旦找到,该函数就构成一个 特别指定 输入和输出数据之间的映射。它丰富并处理输入,直到将其加到目标输出为止。

就俄罗斯研究而言,ANN会接收与每个EEG测量值相对应的数字数组,而不是输入单个数字。 ANN接收一个对应于图像的数字数组,而不是一个数字作为目标输出。然后,它接收到的不仅仅是一对输入/目标输出 一些 训练对—也就是说,一系列的脑电图测量,每个都有其对应的图像—so the function f(输入)  概括各种输入。但是,培训期间发生的事情的实质是我在上一段中所描述的。人工神经网络实现了 特别指定 脑电数据和目标图像之间的映射。它丰富并处理EEG数据,直到将其添加到目标图像为止。

下图来自俄罗斯纸,说明了经过训练的ANN生成的图像(上面两行)和ANN的图像 其实 生产的。请注意,训练是如何使ANN生成与目标图像非常相似的图像的。


人工神经网络设法做到这一点并不是奇迹。事实上,这是微不足道的,经过培训可以直接获得 实际图像。 ANN不会从大脑活动的电化学模式神奇地推断出视觉质量;它没有弥合解释上的差距; 它已经从研究人员那里开始接收图像,他们知道对象在看什么。 ANN之所以输出图像是因为在训练过程中它已经显示过图像,因此,当给定EEG数据作为输入时,它就学会了复制它们。就这样。它会生成大致正确的图像,因为它已经 被迫 —during training—to find an 特别指定 处理和丰富EEG数据的数学方法,以生成某些数字序列,您和我可以将它们可视化为图像。实际上,就ANN而言,实际上根本没有图像,只是 数集 那—it so happens—你和我,有意识的人类,可以 解释 作为图像。

俄罗斯研究的下一步是—训练结束后—present the ANN with 训练期间尚未见过的脑电图样。 这个想法是要检查ANN是否学到了足够的知识来从所看到的内容中推断出来,并在出现新输入时进行推断。—也就是说,检查 特别指定 在训练期间生成的EEG数据和图像之间的映射对于训练期间未使用的数据仍然有效。如果训练有效,则人工神经网络将产生的图像将类似于在进行新的脑电图测量时实际显示受试者的图像。如果训练不佳,它将产生与受试者所经历的图像不符的图像。

在下图(同样来自俄罗斯的论文)中,我们可以看到ANN设法推断出新图像的程度。上面两行显示了在执行脑电图测量时受试者实际上正在观看的图像,下面两行显示了ANN为响应这些新的脑电图读数而生成的图像。这场比赛虽然仍然很合理,但是却不如训练期间获得的那样好,因为现在ANN试图从从未见过的数据中进行猜测。


我希望通过解释整个过程是如何工作的,使您清楚地知道,它们与解释性的差距或意识的难题无关。俄罗斯研究实际上没有新的形而上学意义。它建立的一切只是大脑活动模式与内在经历之间存在相关性,但是我们已经知道了这一点。除了唯物主义之外,这种关联还与许多其他形而上学完全一致(例如,泛精神主义和唯心主义的不同版本解释了相同的关联;甚至二元论的某些版本也是如此),因此它根本没有赋予唯物主义以特权。

ANN会产生图像,因为它经过 已知图像 首先。它成功地将EEG数据链接到图像,因为它是针对对象的EEG测量进行训练的 谁在看图像. So it merely leverages the fact 那 the researchers 已经知道了 对象开始经历了什么。人工神经网络  预设  该对象在其训练集中的经历,根本没有解释它们。你明白这一点吗?

就其而言 假设  一开始的体验质量,大脑图像提取技术并没有 说明 这些特质。它无法解释其先决条件。它要做的就是找到一个数学函数来链接两组数据(输入和输出)。它甚至还没有开始解释可量化的物理参数如何产生或产生质量。
分享: