说出来你可能不信，有一只 AI 刚刚被证明，处理语音的方式跟大脑谜之相似。甚至在结构上都能相互对应 —— 科学家们在 AI 身上直接定位出了“视觉皮层”。
这项来自 Meta AI 等机构的研究一经 po 出，立马在社交媒体上炸开了锅。一大波神经科学家和 AI 研究者前往围观。
LeCun 称赞这是“出色的工作”：自监督 Transformer 分层活动与人类听觉皮层活动之间，确实密切相关。
还有网友趁机调侃：Sorry 马库斯，但 AGI 真的快要来了。
不过，研究也引发了一些学者的好奇。例如麦吉尔大学神经科学博士 Patrick Mineault 提出疑问：
我们发表在 NeurIPS 的一篇论文中，也尝试过将 fMRI 数据和模型联系起来，但当时并不觉得这俩有啥关系。
所以，这到底是一项怎样的研究，它又是如何得出“这只 AI 干起活来像大脑”的结论的?
AI 学会像人脑一样工作
简单来说，在这项研究中，研究人员聚焦语音处理问题，将自监督模型 Wav2Vec 2.0 同 412 名志愿者的大脑活动进行了比较。
这 412 名志愿者中，有 351 人说英语，28 人说法语，33 人说中文。研究人员给他们听了大约 1 个小时的有声书，并在此过程中用 fMRI 对他们的大脑活动进行了记录。
模型这边，研究人员则用超过 600 小时的无标签语音来训练 Wav2Vec 2.0。对应志愿者的母语，模型也分为英语、法语、中文三款，另外还有一款是用非语音声学场景数据集训练的。
而后这些模型也听了听志愿者同款有声书。研究人员从中提取出了模型的激活。相关性的评价标准，遵照这个公式：
其中，X 为模型激活，Y 为人类大脑活动，W 为标准编码模型。
从结果来看，自监督学习确实让 Wav2Vec 2.0 产生了类似大脑的语音表征。
从上图中可以看到，在初级和次级听觉皮层，AI 明显预测到了几乎所有皮层区域的大脑活动。研究人员还进一步发现了 AI 的“听觉皮层”、“前额叶皮层”到底长在哪一层。
图中显示，听觉皮层与 Transformer 的第一层(蓝色)最吻合，而前额叶皮层则与 Transformer 的最深一层(红色)最吻合。此外，研究人员量化分析了人类感知母语和非母语音素的能力差异，并与 Wav2Vec 2.0 模型进行对比。
他们发现，AI 也像人类一样，对“母语”有更强的辨别能力，比如，法语模型就比英语模型更容易感知来自法语的刺激。
上述结果证明了，600 小时的自监督学习，就足以让 Wav2Vec 2.0 学习到语言的特定表征 —— 这与婴儿在学说话的过程中接触到的“数据量”相当。
要知道，之前 DeepSpeech2 论文认为，至少需要 10000 小时的语音数据(还得是标记的那种)，才能构建一套不错的语音转文字(STT)系统。
再次引发神经科学和 AI 界讨论
对于这项研究，有学者认为，它确实做出了一些新突破。例如，来自谷歌大脑的 Jesse Engel 称，这项研究将可视化滤波器提升到了一个新的层次。现在，不仅能看到它们在“像素空间”里长啥样，连它们在“类脑空间”中的模样也能模拟出来了：
又例如，前 MILA 和谷歌研究员 Joseph Viviano 认为，这个研究还证明了 fMRI 中的静息态(resting-state)成像数据是有意义的。
但在一片讨论中，也出现了一些质疑的声音。例如，神经科学博士 Patrick Mineault 除了指出自己做过相似研究但没得出结论外，也给出了自己的一些质疑。
他认为，这篇研究并没有真正证明它测量的是“语音处理”的过程。相比于人说话的速度，fMRI 测量信号的速度其实非常慢，因此贸然得出“Wav2vec 2.0 学习到了大脑的行为”的结论是不科学的。
当然，Patrick Mineault 表示自己并非否认研究的观点，他自己也是“作者的粉丝之一”，但这项研究应该给出一些更有说服力的数据。
此外也有网友认为，Wav2vec 和人类大脑的输入也不尽相同，一个是经过处理后的波形，但另一个则是原始波形。
对此，作者之一、Meta AI 研究员 Jean-Rémi King 总结：
模拟人类水平的智能，确实还有很长的路要走。但至少现在来看，我们或许走在了一条正确的道路上。
你认为呢?
论文地址：
https://arxiv.org/abs/2206.01685
参考链接：
[1]https://twitter.com/patrickmineault/status/1533888345683767297
[2]https://twitter.com/JeanRemiKing/status/1533720262344073218
[3]https://www.reddit.com/r/singularity/comments/v6bqx8/toward_a_realistic_model_of_speech_processing_in/
[4]https://twitter.com/ylecun/status/1533792866232934400
