GCT：新AI方法将大脑预测黑箱转化为可检验的语言学理论

LLMs能够以高精度从语言中预测大脑活动，但其运作原理仍不透明。微软研究院、加州大学伯克利分校、加州大学旧金山分校和哥伦比亚大学的研究人员引入了生成式因果测试（GCT），将这些黑箱模型转化为可读、可检验的理论。GCT首先提取最能驱动脑区预测反应的短语句，并将其总结为“食物准备”或“地点名称”等解释。随后，LLM编写旨在激活该特定区域的新故事；受试者在功能性磁共振成像扫描仪中聆听这些故事，若该区域相对于基线被激活，则该解释通过了因果检验。在实验中，GCT确认了已知的选择性，并区分了三个相邻的场所处理区域：压后皮层（RSC）对专有地点名称反应更强，海马旁回位置区（PPA）对一般地点反应更强，枕叶位置区（OPA）对场景布局反应更强。它还发现了对对话（如“said”这个词）、时钟时间（如“one o'clock”）和数值测量（如“50 feet”）敏感的新的前额叶微区域。该方法证明，数据驱动模型可以提炼成实验可检验的理论，推动了神经科学及其他广泛科学领域的发展。