【英译中】神经科学:“我知道你在想什么”1——2014年7月19日

Neuroscience: ‘I can read your mind’
神经科学:“我知道你在想什么”

What are you looking at? 

Scientist Jack Gallant can find out by decoding your thoughts, as Rose Eveleth discovers.

你正在思考着什么?一位名叫杰克·加伦特的科学家可以通过解密你的思想密码来知道


Jack Gallant can read your mind. Or at least, he can figure out what you’re seeing if you’re in his machine watching a movie he’s playing for you.
杰克·加伦特可以知道你在想什么。或者至少可以在当你坐在他的机器看着他给你播放的电影时,他知道你在想着什么。

Gallant, a researcher at the University of California, Berkeley, has a brain decoding machine – a device that uses brain scanning to peer into people’s minds and reconstruct what they’re seeing. 
加伦特是一个在加利福尼亚洲伯克利市某所大学的研究员。他研发出了一个大脑解码装置,这个装置可以利用对大脑的扫描来窥探一个人的思想,甚至可以重建他们眼前的图景。

If mind-reading technology like this becomes more common, should we be concerned? Ask Gallant this question, and he gives a rather unexpected answer.
如果像这样的读心术越来越普及,我们应该为此而担心吗?当问到加伦特这个问题的时候,他给出了让我们意想不到的答案。

In Gallant’s experiment, people were shown movies while the team measured their brain patterns. 
在加伦特的试验当中,被窥探的人们是经过我们谨慎地测量过他们的大脑模式之后的。

An algorithm then used those signals to reconstruct a fuzzy, composite image, drawing on a massive database of YouTube videos. In other words, they took brain activity and turned it into pictures, revealing what a person was seeing.
每一个解码的方法都是通过这些个信号来构建一个模糊的、混乱的图像,然后利用他们来构建一个像YouTube网络视频库那样的庞大的影像数据库。换句话说,就是他们将大脑活动转换成图像,从而得知一个人的想法。

For Gallant and his lab, this was just another demonstration of their technology. While his device has made plenty of headlines, he never actually set out to build a brain decoder. 
对加伦特和他的实验室来说,这是这项技术的另一种展示。而当他的这个装置博得了大量的头条新闻时,他并没有真正地制作出这样一个大脑解码器

“It was one of the coolest things we ever did,” he says, “but it’s not science.” 
“这是我们做过的一件最酷的事情,”他说,“但这并不是科学。”

Gallant’s research focuses on figuring out how the visual system works, creating models of how the brain processes visual information. The brain reader was a side project, a coincidental offshoot of his actual scientific research. 
加伦特的研究重心是在于搞清楚视觉系统是如何工作的,大脑是如何处理那些视觉信息的。这种对大脑的解码将是一个庞大的工程,并且他巧妙地与其他科学研究相结合的了。

“It just so happens that if you build a really good model of the brain, then that turns out to be the best possible decoder.”
“事情就是这样,如果能成研制出这样一个完美的大脑模型,那么这将会是一个最棒的解码器”。



深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值