正文
MRI——我们用来窥探和分析大脑功能及其解剖学的工具——诞生于上世纪九十年代，效果透光不均匀。为了让效果透视化，fMRI 能够观察到的脑部活动最小单元到了体素（voxel）层面。这些体素通常小于 1 立方毫米。而一个体素中可能有 10 万个神经元。德克萨斯大学的神经科学家 Tal Yarkoni 告诉我，fMRI「就像飞过城市，找到哪里亮着灯。」
传统的 fMRI 成像可以呈现出对某个行为至关重要的广阔区域在哪里——比如，你可以看到大脑哪里处理负面情绪或者当我们看到熟悉面孔时，哪里会亮起来。
但是，你无法确切知道这个区域在行为中扮演什么样的角色，或者其他不那么活跃的区域是否也扮演着重要作用。大脑不是乐高玩具，每块玩具都有着特定的功能。大脑是一张活动之网。Gallant 说，「每个大脑区域会有 50% 的可能与大脑其他区域连接起来。」
这就是为什么简单的实验——识别「hunger（饥饿）」或者「vigilance(警觉）」所在大脑区域——无法真的得出让人满意的答案。
美国国家精神健康研究院（National Institute of Mental Health）fMRI 部门负责人 Peter Bandettini 告诉我，「过去十五年中，我们一直研究这些一团一团东西的活动。结果，每一团中细微差别、每一次波动的细微差别都包含着大脑运动的信息，而我们无法真正挖掘出来。这也是我们需要这些机器学习技术的原因。我们可以看到一团团的东西，却识别不出模式，因为这些模式太复杂了。」
举个例子。大脑如何处理语言？传统的看法是活动发生在左半球的两个特定区域——布洛卡区和威尔尼克区域——这是语言活动的中心区域。如果它们受损，人就会失去语言能力。不过，Gallant 实验室的博士后 Alex Huth 最近发现，这个观点太过简单。他想知道整个大脑是否都与语言理解相关。
实验中，他请几个被试听两个小时的故事节目 The Moth，与此同时，同事们用 fMRI 扫描仪记录被试大脑活动。他们想要将大脑不同区域与所听到的单个语词关联起来。
实验产生了很多数据，人力很难处理。Gallant 说。但是，可以训练计算机程序寻找数据中的模式。因此，Huth 设计了可以揭示出语义地图的程序，地图显示出每个语词所在大脑区域。
「Alex 的研究表明，语义理解需要动用大脑的大部分区域，」Gallant 说道。Alex 同时也展示了意义相似的单词（如 poodle 和 dog）在大脑中的刺激到的位置彼此靠近。
这个研究的意义何在？在科学里，预测就是力量。如果科学家可以预测让人眼花缭乱的大脑活动是如何进行语言理解的，他们就可以受此启发构建更高效的模型。而一旦新的模型被建立起来，他们就可以更好地认识变量改动后的情况——大脑出现病变时。
什么是机器学习？
「机器学习」是一个内容广泛的概念，包含了各类算法与系统。机器学习目前已经被大量应用到消费级产品中去了——例如让计算设备学会识别图片中的物体，其准确程度堪比人类。机器学习的一个分支「深度学习」是最近最为引人注目的词汇，这种技术已经让谷歌的翻译服务从生硬的单词翻译进化到可以把海明威的著作翻译成各国语言，同时保留原作风格的水平。
在最基本的层面上看，机器学习程序需要先使用数据集进行「训练」。在训练中，程序会在数据中寻找模式。通常来说，训练越多的数据，系统就会有更好的表现。一旦经过训练，在遇到同类型的数据之后，系统就可以展开预测了。
