资料来源:Nanzao.com
认知科学在过去的十年里取得了巨大的进步。几年前被认为是一门强大的科学技术，现在已经迅速成为全球前沿实验室的标准方法和日常工作。这体现了现代神经科学的跨学科思维，科学家正在用跨学科的方法攻克与人类思维和认知相关的深层问题。与此同时，所有这一切都因不断涌现的革命性技术而成为可能。
天桥脑科学研究院和《科学》杂志每年都会举办认知科学大会，各方聚焦认知科学领域的最新突破性成果。本次大会期间，中美两国科学家介绍了前沿研究成果，并热情回答了观众的提问。
茅颖:临床神经外科和应用神经科学中的机器学习
茅颖教授是TCCI转化中心主任、华山医院院长、中华医学会神经外科分会主任委员。兼任上海市抗癌协会副会长、中华医学会神经外科学分会副主任委员、中华医学会神经外科学分会副主任委员、上海市医学会神经外科学分会主任委员。茅颖教授曾在美国密执安大学克罗斯比神经外科实验室担任博士后研究员，并在日本、中国和美国的许多学术机构深造。2017年，茅颖教授被上海市医学会授予上海市医学发展杰出贡献奖。
茅颖教授从医学图像处理、脑电数据处理和机器学习技术在手术辅助中的应用三个方面介绍了机器学习在神经病学诊断中的应用。
首先，机器学习可以应用于辐射组学研究中的图像处理、特征提取、分类预测等方面，大大提高了数据处理的效率。茅颖教授通过机器学习技术开发了一个用于脑瘤诊断的人工智能系统。该系统中的核心机器学习模型，通过300多个案例的训练，最终可以达到对脑肿瘤85%以上的诊断准确率。
此外，基于脑电图仪的应用，茅颖教授开发了一种更精确的脑深部刺激方法。传统的电极刺激方式范围广，刺激不准确，强度不可控，容易引起癫痫。然而，茅颖教授的实验室开发的新刺激方法可以准确地刺激各个大脑区域，并为患者的大脑制作高精度的功能图。茅颖教授举了一个他们绘制中央沟周围大脑区域的例子，并强调这种“被动功能绘图”技术可以在患者清醒和麻醉时使用。
机器学习也给临床神经外科带来了一系列变革。传统的神经开颅术不仅耗费人力，而且耗时较长。近年来，算法、人工智能和虚拟现实技术的逐步发展，将立体定向神经外科技术带入临床，但仍费时费力。
茅颖教授介绍，如今，他们通过将手术机器人与前沿的人工智能技术相结合，研发出了新一代神经外科机器人，较好地解决了传统手术的不足。尽管如此，茅颖说新技术不能取代神经外科医生。这项新技术的作用是帮助医生更准确、更快速地完成手术。
最后，茅颖教授总结说，机器学习技术为临床医生提供了更强大的工具，进一步加强了神经外科的诊断准确性和治疗有效性。这项技术的核心是让手术更简单，帮助医生做出更正确的诊断。
然而，为了更好地发展这项技术，我们需要更多的研究人员参与技术研发，需要更多的诊断案例训练模型。他认为，我们很快就会揭开大脑“黑匣子”的神秘面纱，证明机器学习应用于诊断技术的有效性。我们应该相信机器学习技术，但更应该相信新一代的神经外科医生。
张智威:语音的神经编码
张智威是旧金山加州大学神经外科教授和系主任。他擅长通过先进的大脑功能定位手术保留大脑的语言功能区。他还是加州大学伯克利分校和加州大学旧金山分校神经工程和修复中心的联合主任，该中心由加州大学旧金山分校和伯克利分校共同建立。他的研究重点是人类行为背后的大脑机制。例如，通过研究演讲过程中与身体运动相关的大脑活动，他的团队成功地使用计算机解码这些大脑信号，并将其转换为合成语音。这项技术最终可能为失去言语能力的瘫痪者提供言语假肢。他被授予Blavatnik国家生命科学奖和美国国立卫生研究院院长创新奖。他也是美国霍华德休斯医学研究所的学者成员。
张智威教授希望探索人类听觉皮层中的高级感知调节，例如人们如何将听觉信号转换为音素。在他的演讲中，他分享了一些在听觉和语言系统之间的连接中起关键作用的因素。
在过去的十年里，张智威的实验室在探索语音信息的神经处理时主要集中在以下几个方面:语音信息处理中我们关注的三个因素是:这次谈话的内容是什么，处理的信息包括语音信息中的元音和辅音；其次，这句话怎么说，比如一句话中音高所强调的关键信息，最后，这句话是谁说的。这对理解语义起着重要的作用。比如知道一句话是男的还是女的，方便我们理解声调信息。
在列举近期的研究成果时，张智威教授提到了之前与华山医院的合作经历。为了探索声调信息的神经处理，他希望与中国的研究人员合作。这是因为，与英语语言系统不同，声调信息对于有声调的语言非常重要，比如汉语:在这类语言中，声调信息决定了词语的语义信息。
张智威教授表示，他非常荣幸在茅颖教授之后发言，因为他之前曾与华山医院的中国团队合作，探索有声调的用户和没有声调语言的用户在人类皮层中声调信息编码的差异。通过对比中美被试发现，在单电极记录的条件下，两组被试的声调处理没有显著差异，但在神经元组水平上，他们只在汉语者中发现了具有声调特异性的编码活动。
Evelina Fedorenko:作为人脑语言理解模型的人工神经网络
Fedorenko博士是研究语言系统的认知神经科学家。她于2002年获得哈佛大学学士学位，2007年获得麻省理工学院博士学位。后来，她获得了美国国立卫生研究院儿童健康与人类发展研究所颁发的K99R00职业发展奖。2014年，她成为哈佛医学院/马萨诸塞州波士顿总医院的一名教员。她于2019年回到麻省理工学院，目前在大脑认知科学系和麦戈文脑科学研究所担任副教授。Fedorenko博士使用fMRI、EEG/ERP、MEG、颅内记录和刺激以及计算模型来研究成人和儿童，包括患有发育性和获得性脑部疾病的患者。
Evelina Fedorenko教授的研究重点是人类的思维以及大脑中与语言相关的计算和表示。她的报告主题是通过人工神经网络理解人类语言的表征及其背后神经元的活动。
语言功能的问题一直困扰着科学家。要解决这个问题，一般从哲学层面有两个假设:一是语言的功能是交流思想，二是在进化过程中，语言让我们有了更深层次的思考。她认为哲学无法解决这两个假设，我们应该从实证的角度来寻找这个问题的答案。
在这份报告中，她反对语言的功能，以便通过两项实证研究进行更复杂的思考:1。语言与复杂思维和推理能力的关系；2.交际语言的实用性特征。
在第一项研究中，Fedorenko教授引用了一系列关于功能成像技术和脑损伤患者的研究。这些研究表明，高级语言能力并不与认知执行功能共享认知资源。相反，语言和社会认知功能有很大的相关性。
在第二项研究中，费多伦科教授列举了自然语言的形式一般便于信息的高效传递；后来她通过人工智能网络报道了语言预测的研究。以前的语言模型的问题是，我们没有一个可以从语言中提取语义的算法。但近年来，随着人工智能计算能力的提高，出现了生成预训练转换器等语言预测算法。这证明了从语言中提取语义是可能的。我们的语义生成算法与人脑进行了对比，讨论了人脑是如何处理语言的。发现语言预测能力更强的网络也能更好地预测人的神经活动。
