麻省理工學(xué)院的研究人員使用被稱作深層神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)系統(tǒng),，研發(fā)了第一個(gè)可以模擬人類聽覺表現(xiàn)的模型。

這個(gè)模型由許多信息處理單元組成,，可以通過大量的數(shù)據(jù)完成特定的任務(wù),，例如可以識(shí)別音樂流派。研究人員使用此模型闡明了人類大腦是如何執(zhí)行相同任務(wù)的,?！斑@些模型向我們演示了機(jī)器可以模擬對人類非常重要的感知系統(tǒng)，并且達(dá)到人類自身能做到的標(biāo)準(zhǔn),這是以往從未有過的突破,。從歷史上看,，這種類型的感官處理很難理解,，部分原因是我們還沒有真正的理論基礎(chǔ)和恰當(dāng)?shù)姆椒▉黹_發(fā)一種模型用于感知周圍發(fā)生的情況?！毖芯咳藛T喬什麥克德莫特說,。

來自麻省理工學(xué)院大腦與認(rèn)知科學(xué)系的神經(jīng)科學(xué)助理教授弗雷德里克·A和卡羅爾·J·米德爾頓同樣是這項(xiàng)研究的資深專家。該研究出現(xiàn)在2018年4月19日Neuron期刊上,，并提供了證據(jù)指明人類的聽覺皮層被安排在一個(gè)分層的組織中,，就像視覺皮質(zhì)一樣。在這樣的分布中,，感官信息會(huì)經(jīng)過一系列的處理階段,，早期處理基本信息，后期處理例如提取單詞詞義的高級信息,。麻省理工學(xué)院研究生亞歷山大·凱爾和斯坦福大學(xué)助理教授丹尼爾·亞明斯是此項(xiàng)研究論文的主要作者,，其他作者包括前麻省理工學(xué)院訪問學(xué)生埃里卡和前麻省理工學(xué)院博士后薩姆·諾曼海尼埃爾,。

當(dāng)深層神經(jīng)網(wǎng)絡(luò)在20世紀(jì)80年代首次出現(xiàn)時(shí),，神經(jīng)學(xué)家希望這種系統(tǒng)可以被用作人類大腦建模；然而,，那個(gè)時(shí)代的計(jì)算機(jī)沒有能力建立足夠大的模型演示真實(shí)世界的任務(wù),，如識(shí)別對象或語音。在過去的五年里,，計(jì)算能力和神經(jīng)網(wǎng)絡(luò)技術(shù)的進(jìn)步使得使用神經(jīng)網(wǎng)絡(luò)來執(zhí)行困難的現(xiàn)實(shí)世界任務(wù)成為可能,，并且它們已經(jīng)成為許多工程應(yīng)用中的標(biāo)準(zhǔn)方法。與此同時(shí),，一些神經(jīng)學(xué)家重新審視了這些系統(tǒng)可能被用來模擬人腦的可能性,。亞歷山大·凱爾說：“這對神經(jīng)學(xué)來說是一個(gè)激動(dòng)人心的機(jī)會(huì)，因?yàn)槲覀兛梢詣?chuàng)造出模擬人類感知行為的系統(tǒng)模型,，然后深入調(diào)查這些模型,，并將它們與大腦進(jìn)行比較，從而得出大腦處理感知信息的工作原理,?！?/p>

麻省理工學(xué)院的研究人員訓(xùn)練他們的神經(jīng)網(wǎng)絡(luò)執(zhí)行兩個(gè)聽覺任務(wù)，一個(gè)涉及語音,，另一個(gè)涉及音樂,。在語音任務(wù)中，研究人員給予該模型成千上萬條兩秒鐘的談話錄音,，任務(wù)是確定剪輯錄音中的單詞,。在音樂任務(wù)中，該模型被要求識(shí)別兩秒鐘音樂片段的類型,。任務(wù)中的錄音都包含了背景噪音,，使任務(wù)更加接近現(xiàn)實(shí)（也更加困難),。在經(jīng)過成千上萬次的試驗(yàn)后，模型學(xué)會(huì)了像人類聽眾的大腦一樣準(zhǔn)確地執(zhí)行任務(wù),，并且隨著時(shí)間的推移,，模型會(huì)越來越熟練地完成任務(wù)。亞歷山大·凱爾說,，“我們只是希望它能夠?qū)W習(xí)一些普遍并且基本的聲音,，但是當(dāng)你提出一個(gè)模型以前從未聽過的新聲音時(shí)，它竟然能很好地感知此聲音,，后來我們在實(shí)踐中也證明了此觀點(diǎn)的正確性,。” 該模型也同樣會(huì)在人類最容易犯錯(cuò)誤的片段上犯和人類相同的錯(cuò)誤,。

模型中組成神經(jīng)網(wǎng)絡(luò)的處理單元可以以多種方式組合在一起,，形成不同的架構(gòu)，從而影響模型的性能,。麻省理工學(xué)院的研究團(tuán)隊(duì)發(fā)現(xiàn),，執(zhí)行這兩項(xiàng)聽覺任務(wù)的最佳模型是將聲音處理分為兩個(gè)階段。第一個(gè)階段是在語音任務(wù)和音樂任務(wù)之間共享的,，但在此之后,，它分成兩個(gè)分支進(jìn)行進(jìn)一步分析——一個(gè)用于語音任務(wù)的分支，另一個(gè)用于音樂類型任務(wù),。

隨后,，研究人員用他們的模型探索了一個(gè)長期存在的關(guān)于聽覺皮層結(jié)構(gòu)的問題: 它是否按層次劃分。在分層系統(tǒng)中,，當(dāng)感官信息流經(jīng)系統(tǒng)時(shí),，一系列的大腦區(qū)域會(huì)對其進(jìn)行不同類別的計(jì)算。有證據(jù)表明,，視覺皮層有這種類型的組織,。早期區(qū)域，被稱為初級視覺皮質(zhì),，對簡單的特征如顏色或方向作出反應(yīng),；后期階段啟用更復(fù)雜的任務(wù)，如對象識(shí)別,。然而,，檢測這種類型的組織是否也存在于聽覺皮層中對于人類來說很困難，一定原因是由于沒有好的模型可以模擬人類的聽覺行為,。喬什麥克德莫特說：“如果能構(gòu)建一個(gè)模型用來模擬人類的行為,，我們或許能夠?qū)⒉煌A級的模型與不同部位的大腦做比較，并且得到證據(jù)證明此部分大腦是否存在分級結(jié)構(gòu),?！?/p>

研究人員發(fā)現(xiàn),，在他們的模型中，如頻率等聲音的基本特征在早期階段更容易提取,，隨著聲音信息被處理并沿著網(wǎng)絡(luò)進(jìn)一步移動(dòng),，提取頻率這種基本特征則變得更加困難，但提取如單詞這種高級別信息則變得容易,。為了觀察模型處理聲音的各個(gè)階段是否可以重現(xiàn)人類聽覺皮層處理聲音信息的方式,，研究人員使用了功能性磁共振成像技術(shù)（fMRI）來測量當(dāng)大腦處理現(xiàn)實(shí)聲音時(shí)聽覺皮層不同區(qū)域的表現(xiàn)。隨后他們將大腦的表現(xiàn)與模型中處理相同聲音時(shí)的反應(yīng)進(jìn)行比較,，發(fā)現(xiàn)模型的中級階段與初級聽覺皮層中的活動(dòng)相對應(yīng),，后期與主要皮層之外的活動(dòng)相對應(yīng)。研究人員稱,，這些都提供了證據(jù)表明聽覺皮層可能以分層方式排列,，類似于視覺皮層。喬什麥克德莫特說：“我們可以非常清楚地看到初級聽覺皮層和其他部位之間的區(qū)別,?！?/p>

為進(jìn)一步研究這些聽覺任務(wù)是否可以通過此模型中特定的途徑完成，或者是否需要其他單獨(dú)的途徑,，研究人員正在計(jì)劃開發(fā)可以執(zhí)行其他新型聽覺任務(wù)的模型,，如確定特定聲音來源位置的模型,。此結(jié)果將會(huì)成為研究大腦如何處理聲音的一大重要突破,。

內(nèi)容來源：Massachusetts Institute of Technology. 'Machine-learning system processes sounds like humans do: Neuroscientists train a deep neural network to analyze speech and music.' ScienceDaily. ScienceDaily, 19 April 2018. .

編譯 / Fiona

責(zé)編 / 劉愛蓮

美編 / 九夏