借助AI解释与实验，深入理解大脑
微软研究院与合作者提出生成式因果测试（GCT），将黑箱模型转化为可验证的假设，揭示大脑特定区域对语言中不同概念的响应。
近年来，大型语言模型（LLM）在预测大脑对语言的反应方面表现出色，但其内部机制难以解读，阻碍了科学理解。微软研究院联合加州大学伯克利分校、加州大学旧金山分校及哥伦比亚大学，提出生成式因果测试（GCT），旨在将黑箱模型转化为可读且可验证的科学理论。
GCT分为两步：首先，从预测单个脑区或体素的模型中提取最关键的短语，并由LLM总结为简短的文字解释，例如“食物准备”或“地点名称”。随后进入验证阶段，LLM根据这些解释编写全新的故事，让受试者在功能磁共振成像（fMRI）扫描仪中聆听。如果目标脑区对这些故事的响应显著高于基线，则证明解释正确。
实验表明，GCT不仅确认了已知的脑区选择性（如位置区域对应“地点”），还能区分相邻但功能不同的区域。例如，压后皮层（RSC）对专有地名（如“东京”）反应更强，而非一般位置。更令人兴奋的是，GCT发现前额叶皮层中存在多个微小的“微区域”，分别对对话（如“说”和“告诉”）、时钟时间（如“一点钟”）和数值测量（如“50英尺”）高度敏感，这些发现此前从未被报道。
GCT的意义超越神经科学：它展示了黑箱模型并非科学解释的终点，而是可以蒸馏出可实验验证的假说。这一“生成-验证”循环有望加速大脑图谱绘制，并为其他领域提供借鉴——当预测模型超过人类理解时，我们仍能通过恰当框架重建理论。该研究已发表于《自然·神经科学》。