繼喉嚨皮膚震動就能讀出想說的話之后，閱讀大腦思想再往前進一步，即使不用說話，AI系統(tǒng)就能將大腦活動轉(zhuǎn)化成文本內(nèi)容。

目前，該系統(tǒng)已經(jīng)可以檢測到有人大聲說話時的神經(jīng)模式，離最終目標的實現(xiàn)還有很長一段距離，但是專家表示，最終成型的系統(tǒng)可以幫助無法說話或打字的患者，例如患有一些癥狀的患者，進行交流。

加州大學舊金山分校Joseph Makin博士及其他研究者在雜志上發(fā)表了研究，文章揭示了他們?nèi)绾瓮ㄟ^招募四名將電極陣列植入其大腦中以監(jiān)測癲癇發(fā)作的參與者開發(fā)這一系統(tǒng)的。Joseph Makin表示：“這可能是‘語言假肢’的基礎?！?/p>

論文鏈接：

https://www.nature.com/articles/s41593-020-0608-8

實驗參與者被要求多次朗讀50個固定句子，比如“蒂娜·特納是流行歌手”和“那些小偷偷走了30件珠寶”，研究者們跟蹤了他們講話時的神經(jīng)活動。這些數(shù)據(jù)隨后被輸入到機器學習算法中，系統(tǒng)能將每個口述句子的大腦活動數(shù)據(jù)轉(zhuǎn)換為數(shù)字字符串。

為了確保數(shù)字僅與語音方面有關，系統(tǒng)將根據(jù)大腦活動數(shù)據(jù)的小塊預測的聲音與實際記錄的音頻進行了比較，然后將數(shù)字字符串輸入用來轉(zhuǎn)換為單詞序列的系統(tǒng)的第二部分。

萬事開頭難，開始時系統(tǒng)會顯示不少廢話，但當系統(tǒng)將單詞的每個序列與實際朗讀的句子進行比較時，通過不斷改善，從而了解了數(shù)字串與單詞之間的關系以及哪些單詞趨于彼此相連。團隊接下來對系統(tǒng)進行了測試，僅從語音過程中的大腦活動生成書面文本。

系統(tǒng)并不完美，“那些音樂家很合拍”被解釋為“菠菜是著名的歌手”，而“一卷電線躺在墻上”變成“威爾賓會戴黃色百合花”。但是，新系統(tǒng)的準確性遠遠高于以前的方法，盡管準確度因人而異，但對于一名參與者，平均每個句子僅需要糾正3%的單詞，高于專業(yè)人類筆錄者5%的單詞錯誤率。但是，團隊擔心該算法僅能處理少量句子。

Makin說：“如果使用50個句子之外的單詞，解碼會變得很糟糕?！彼a充說，系統(tǒng)可能依賴于學習特定句子，從大腦活動中識別單詞以及識別英語一般模式的組合 。

研究小組還發(fā)現(xiàn)，根據(jù)一個參與者的數(shù)據(jù)對算法進行訓練意味著最終用戶需要的訓練數(shù)據(jù)更少，這可以減少對患者的繁瑣訓練。

馬斯特里赫特大學的專家Christian Herff博士沒有參加這項研究，他認為這項研究很有意思，因為系統(tǒng)只為每個參與者使用不到40分鐘的訓練數(shù)據(jù)，并且句子的收集數(shù)量有限，而不是需要幾個小時的數(shù)百萬數(shù)據(jù)?！斑@讓他們達到了迄今為止尚未達到的準確性水平?！?/p>

但是該系統(tǒng)尚不能用于許多嚴重殘疾的患者，因為該系統(tǒng)依賴于大聲說出句子的人記錄的大腦活動。他說：“當然，這是一項了不起的研究，但是那些人也可以使用'OK Google就好了'，這不是思想的翻譯，而是言語中涉及的大腦活動?！?/p>

Herff說，人們現(xiàn)在還不必擔心別人會讀懂他們的想法，這必須要植入大腦電極，而想象中的語音與內(nèi)在的聲音大不相同。 謝菲爾德大學腦機接口專家Mahnaz Arvaneh博士認為，現(xiàn)在考慮道德問題很重要。她說：“我們距離機器能夠讀懂我們的思想的距離仍然非常非常遙遠。但這并不意味著我們不應該考慮它，我們也不應該計劃它?！?/p>