神经科学AI终解脑区功能之谜：生成式因果测试揭示大脑各部分真实作用

多年来，预测人脑对语言反应的最准确工具一直是大语言模型。将一个人在fMRI扫描仪中听到的同一段故事输入大语言模型，模型的内部表征能够以惊人的保真度预测单个皮层区域的活动。但这种成功伴随着一个难以解读的代价：这些模型是庞大的学习参数集合，而不是任何人都能解读的科学理论。一个能预测脑区活动的模型告诉研究者某个区域对语言有反应，但并未说明它实际捕捉的是什么, , 是食物、地点、数字，还是其他完全不同的东西。随着黑箱模型的普及，预测与理解之间的鸿沟已成为计算神经科学的核心问题之一。

在《自然·神经科学》接受发表的一篇新论文中，来自微软研究院、加州大学伯克利分校、加州大学旧金山分校和哥伦比亚大学的科学家介绍了一个旨在解决这一问题的框架：生成式因果测试（GCT）。该方法将脑预测模型提炼为简短、可读的说明，揭示每个皮层区域响应的内容。然后，它通过让大语言模型编写旨在激活特定脑区的新故事来检验这些说法。受试者在扫描仪中聆听这些故事。如果解释正确，目标区域就会亮起。其结果是将不可解读的预测模型重新转化为科学的通用语言：可以通过后续实验确认或驳斥的简洁假设。

GCT如何运作：解释，然后验证

GCT分两步进行。首先，为了生成解释，该方法从一个针对单个体素或区域的预测模型出发，识别出最强烈驱动其预测响应的短句。然后，大语言模型将这些词汇总结为简洁的口头解释，通常是一个短语，如“食物准备”或“地点名称”。第二步是闭环。为了建立对解释的信任，GCT利用大语言模型编写新故事，其中每个段落都经过精心构建，以根据其解释驱动一个脑区。三名受试者返回扫描仪阅读这些合成故事。如果一个区域对其驱动段落的活动显著高于基线文本，则该解释通过了真正的因果检验，而不仅仅是相关检验。

在全部三名受试者中，核心方法都得到了验证。合成故事可靠地驱动其目标区域高于基线，证实了GCT的简短解释捕捉到了皮层真正响应的内容。这些解释在底层脑预测模型最强时最可信：模型越稳定，其解释在扫描仪中被确认的可靠性就越高。

细化地点处理区域的地图

在已知选择性区域上验证了方法后，研究者转向了更困难的问题。三个相邻的涉及地点处理的区域通常被视为功能相似：压后皮层（RSC）、海马旁回位置区（PPA）和枕叶位置区（OPA）。起初，为一个区域编写的故事也会激活其他区域。但通过生成差异刺激, , 旨在开启一个区域同时保持其邻居安静的故事, , 团队将三者区分开。例如，RSC对专有名词地名（如东京或康涅狄格州）反应更强，而非一般地点描述。这是一种细微的、区域特定的理论，原始预测模型无法自行提供。

发现新的前额叶微区域

除了已知区域外，作者们发现了之前未被绘制的新前额叶微区域。通过扫描候选位置的网格并只保留最稳定的那些，GCT揭示了这些区域对非常特定的概念有选择性：一个对人与人之间的对话（如“说”或“告诉”这类词）有选择性，一个对提及时钟时间（如“一点钟”）有选择性，还有一个对数字度量（如“50英尺”）有选择性。这些区别没有人曾经寻找过；它们之所以出现，是因为该方法能够提出假设并立即检验。

对神经科学及其他领域的影响

GCT的影响超越了神经科学。从基因组学到气候科学等领域的研究者越来越面临同样的困境：一个模型预测得很好，但解释不了任何东西。GCT表明，数据驱动的模型不一定是探究的终点。它可以被提炼为可读的、可实验检验的理论，并且可以通过按需生成新实验来对照现实检验这一理论。对神经科学而言，GCT指向一种更快、更丰富假设的皮层映射方式：AI系统提出一个脑区可能编码什么，然后一个闭环实验在同一研究中确认或否定它。更广泛的启示是，科学中黑箱模型的兴起并不意味着人类可读理论的终结。有了正确的框架，两者可以共同进步。