藉助AI解釋與實驗，深入理解大腦

近年來，大型語言模型（LLM）在預測大腦對語言的反應方面表現出色，但其內部機制難以解讀，阻礙了科學理解。微軟研究院聯合加州大學伯克利分校、加州大學舊金山分校及哥倫比亞大學，提出生成式因果測試（GCT），旨在將黑箱模型轉化為可讀且可驗證的科學理論。

GCT分為兩步：首先，從預測單個腦區或體素的模型中提取最關鍵的短語，並由LLM總結為簡短的文字解釋，例如“食物準備”或“地點名稱”。隨後進入驗證階段，LLM根據這些解釋編寫全新的故事，讓受試者在功能磁共振成像（fMRI）掃描儀中聆聽。如果目標腦區對這些故事的響應顯著高於基線，則證明解釋正確。

實驗表明，GCT不僅確認了已知的腦區選擇性（如位置區域對應“地點”），還能區分相鄰但功能不同的區域。例如，壓後皮層（RSC）對專有地名（如“東京”）反應更強，而非一般位置。更令人興奮的是，GCT發現前額葉皮層中存在多個微小的“微區域”，分別對對話（如“説”和“告訴”）、時鐘時間（如“一點鐘”）和數值測量（如“50英尺”）高度敏感，這些發現此前從未被報道。

GCT的意義超越神經科學：它展示了黑箱模型並非科學解釋的終點，而是可以蒸餾出可實驗驗證的假説。這一“生成-驗證”循環有望加速大腦圖譜繪製，併為其他領域提供借鑑——當預測模型超過人類理解時，我們仍能通過恰當框架重建理論。該研究已發表於《自然·神經科學》。