万字长文：为什么AI读心术的研究，大多是对资源的浪费？| 追问顶刊

▷本文为追问深度文章，约1w字，阅读需要30min。本文发表于Trends in Cognitive Sciences，批判的是那些为求曝光度，只满足于证明特定任务下心理解码可行的研究，指责用于大脑基础研究或是作为探测神经活动的工具用于医疗应用的解码技术太少。文章内容为编辑部主导，仅做交流分享，不代表天桥脑科学研究院观点。

追问快读：许多关于“读心术”（mind-reading）的功能性磁共振成像论文将解码器描述为最终产品，认为解码器能提供神经生理的洞察，并具备现实世界的应用价值。然而，心理状态解码器的构建常常使得直接的生理解释变得不可能，这削弱了解码器可解释性或捕捉心理状态“表征”的说法。与解码模型相比，基于任务的fMRI的编码模型在计算上直接明了，更易于解释。读心术研究应当从单纯的解码是否成功，转向不同实验的参数如何影响解码过程上，这将有助于呈现解码器对哪些信息敏感（例如，比起方向，解码器可能对香蕉的颜色更敏感）。

在过去的二十年中，利用功能性磁共振成像（fMRI）解码心理和感知状态变得越来越流行，多篇高引用的论文在高影响力的期刊中陆续出炉。然而，我们从这些解码器中学到了什么？本文将批判性地分析基于fMRI的解码器在神经生理学上的局限性，以及探讨其在现实世界决策制定中的实用性问题。前一个问题源于解码模型无法将神经机制与其附带现象区分开来这一事实，后一个问题源于逻辑和伦理上的限制。构建解码器需要宝贵的时间和资源，然而，或许这些时间和资源应该用于更有可能带来有意义进展的科研方向。

▷Vigotsky, Andrew D., Gian Domenico Iannetti, and A. Vania Apkarian. "Mental state decoders: game-changers or wishful thinking?." Trends in Cognitive Sciences (2024).

解码模型在认知神经科学领域兴起

fMRI技术通过捕捉血氧依赖性（BOLD）信号，革命性地推进了对大脑神经活动的无创监测。已发表的数千篇研究探讨了BOLD信号如何在各种任务条件下变化，这些任务通常涉及刺激的时序或强度等独立变量。编码模型与fMRI的实验设计相得益彰，研究人员通过这一模型，将大脑的响应视为对外部刺激的反馈，并从中推断出局部BOLD信号变化与任务之间的联系。

与此相对，解码模型采用不同的分析方法，已在过去二十年中广泛流行。解码过程不仅在神经科学领域受到广泛关注，工程学和信息理论领域的研究者也对此深入探讨。在这里，作者仅限于讨论人类fMRI的解码应用。解码模型利用BOLD信号推断任务参数或心理状态，从而彻底颠覆了标准的BOLD分析模式——它将大脑活动作为模型输入（IV），而输出（DV）则是任务的具体方面，如刺激属性或感知状态等。

鉴于编码过程依赖于实验中测量的fMRI信号，它被定义为“正向推理”；而解码则是“逆向推理”。因其能够可靠地重建任务或个体心理状态的特定特征，解码器常被视为近似的“读心术”。心理状态解码因两个重要的宏大主张而在人类神经影像学文献中备受关注：一是解码器揭示心理状态的神经基础；二是解码器作为主观体验的客观生物标志物，在临床、法庭及其他领域的实际应用价值。本文中，作者将批判性地讨论这些主张的实现情况。

关于编码和解码的大量文献通常集中于技术细节或成果，却往往忽视解码器在提升神经科学认知中的潜力。本文将直接回应这些高层次的问题，指出基于fMRI的解码器在神经生理学上的局限，并论证其在实际决策中的不适用性。

▷研究人员检查功能磁共振成像图像，研究人员可以通过不同颜色（beta权重）看到哪些脑区被激活以及激活强度如何。图源：Wikipedia

背景知识：解码器的构建和评估

在传统的fMRI实验中，解码器的开发始于编码模型的建立。这一过程通过将每个体素或体素组的BOLD信号时间序列，回归至相应的任务向量时间序列上来完成。通过这种方法，编码模型能够为每个任务向量生成大脑活动图，其中每个体素或体素组通过参数估计反映其与任务相关的大脑活动。在fMRI研究文献中，这些图谱通常被称作“beta图”，它们为解码工作提供基础。

在这些大脑活动图构建完成之后，它们本身或者其内部的特定感兴趣区域，会被用作解码模型的预测变量。构建这些模型的目的是回答这样一个问题：“鉴于当前观测到的大脑活动，我们能判断出正在执行的任务是什么吗？”这种预测模型即是解码器。如果这些解码器能够可靠地预测任务，那么它们理应能够适用于训练集之外的新大脑活动数据。因此，通过在未经训练的数据上测试这些解码器，可以通过准确度、接收者操作特征曲线（ROC）下的面积、相关性等多种量化方法来评估其性能。

解码器不具备揭示内在机制的价值

在构建和评估解码器之后，通常会对解码模型本身进行解释，这已成为研究实践中的常态。例如，一些研究团队倾向于分析解码器的结构，并对其组成部分（如体素或区域）进行假设检验。他们认为，可靠的预测能力能够带来具有更深解释性和机制意义的发现。

在这种情况下，fMRI解码器被认为有能力揭示心理状态的“神经解码”（neural codes）或“表征”。这些术语虽略显模糊，但这种主张暗示：解码模型的结构（包括其权重和空间排列）可能在某种程度上代表了推导出的心理状态、行为结果或任务参数的神经过程。

如果解码器真能揭示神经过程，那么这种洞察确实在神经生理学上极具价值，并可能允许我们从解码发现中推导出适用于新情景的一般性原则（例如，特定大脑区域执行的计算）。然而，在这里，作者指出这种主张是不正确的，并提供多条推理和证据来界定解码的认识论边界。

（1）普遍认同的解码器原则

成功的解码器依靠BOLD活动的模式来区分心理状态。但是，这些神经活动的模式究竟意味着什么或者捕获了什么？一个普遍认同的解码器原则是：“如果信息可以从神经活动的模式中被解码出来，那么这就为这些模式所代表的信息提供了有力的证据。”尽管这一主张具有吸引力，但已有强有力的论证显示，这一原则是错误的，而且成功的解码并不能提供合理的依据来推断用于解码的模式。

解码器的这一原则之所以错误有几个原因，但主要是因为我们不知道正在被解码的信息是什么。从经验上讲，这种不确定性部分源于fMRI无法在局部神经元群体水平上解析神经活动，如大脑皮层柱的大小。从理论上讲，没有理由相信解码模型能够捕获神经编码，部分是因为这些模型没有生物学基础或理论约束。在这一部分作者通过提供更强的经验支持和数学语境化，对解码器的基本原则进行了扩展和深化。

（2）解码器的复杂性与因果推断的局限

解码器在进行因果推断时显得过于复杂。统计建模通常有两个明确的目标：解释和预测。解释性模型旨在发展因果假设，而预测性模型则专注于预测新的或未来的观测结果。值得注意的是，解释性模型不一定依赖于实验操作来评估因果假设，而是主要依靠理论来构建和模拟数据生成过程，包括反事实情境（例如，如果感兴趣的区域[ROI]活动发生变化会怎样）。这是可以理解的，因为解释性模型可能难以追踪（例如，涉及大脑中数百个ROI的复杂性），并且它们在推断许多预测因子时需要明确地提出因果结构。

与依赖解释性建模的解码器相比，解码器更倾向于进行预测性建模。解码器预测任务的某些方面，基于大量预测因子——可能包括数十个、数百个甚至数千个，这些因子源自大脑激活数据。在不同的研究甚至同一研究的不同环节中，解码器的应用并无统一标准。例如，一些研究更侧重于评估表现最佳的模型，而非研究由几个受限制的解释性假设推导出的模型。由于解码器旨在预测而不是推导理论假设，它们的预测活动严格关注于准确预测（例如，从大脑活动预测任务的能力），而不关心模型是否与理论或实验设计一致。因此，预测模型的结果可能与理论和实际的数据生成机制完全不一致。

不幸的是，用于解码的预测模型不能被因果解释。在流行病学文献中，将协变量不加区分地用于因果解释被称为“表二谬误”，因为模型的结果通常在论文的第二张表中呈现。表二谬误最近也在人类神经影像学的背景下被讨论过。此类谬误最初是用年龄、HIV和吸烟如何影响中风风险的例子来描述的。从多变量逻辑回归分析来看，HIV对中风风险的影响与吸烟的影响有根本不同的解释，因为HIV的效应可能部分地介导了吸烟的效应。这种情况可能发生在例如由于吸烟引起的免疫抑制增加了HIV风险的情况下。具体来说，HIV的参数会被视为总效应，代表HIV对中风风险的整体贡献。相比之下，吸烟的参数将被视为直接效应，即在排除其通过吸烟→HIV→中风路径的间接效应后，吸烟对中风风险的影响。我们下面将展示一个类似的神经影像领域的类比。

梅苏拉姆（Mesulam）的感觉-离心梯度信息流描述可以被视为一个有向无环图（DAG），这为解释模型参数提供了一个框架。在这一框架下，神经成像技术中的多变量回归系数——例如多体素或多ROI预测模型中的参数——的解释也被特定的结构所限定。例如，如果一个解码器使用“下游单模态”和“并联双模态”区域来预测对听觉刺激的反应，由于并联双模态激活包含来自下游单模态区域的信息，一个包含这两个区域的模型将会估计下游单模态激活的直接效应而非总效应。因此，不同区域的解码器参数具有不同的解释，这些解释取决于假定的因果结构，排除了直接解释的可能性。

▷听觉和视觉感觉离心的信息流梯度可以被视为大脑中信息流动的因果模型。感觉信息沿着几条平行且相互作用的路径流动。由于箭头表示推测的信息流动顺序，这可以解释为一种因果模型，促进对因果假设的严格评估和解释。例如，如果用所示区域构建一个解码器，可以基于假定的信息流动约束分析和推论。通过这样做，可以选择从模型中排除边缘系统区域和下丘脑，同时认识到运动前区参数与旁边缘区参数相比具有不同的解释。基于约束理论的假设使神经假设更加明确，有助于推断，但对许多问题而言可能显得笨重。

解码器如果不受假设的约束，可能会产生在因果关系上缺乏实质内容的参数。例如，考虑一个不受约束的解码器，它使用“边缘系统”活动来解码任务。尽管边缘系统的激活可能不直接贡献于输出，但它可能包含来自其他有贡献区域的信息，如并联双模态区、下游单模态区和异模态区，这可能导致研究人员得出错误的结论。

类似地，解码器可以利用噪声来增强预测效果。例如，假设有两个区域：区域A包含任务相关信号和噪声，而区域B仅包含与区域A相同的噪声，而无任务相关信号。解码器可以通过从区域A的数据中减去区域B的数据来提取区域A的信号。这并不意味着区域B有任何感兴趣的信号，更不用说抑制效应；相反，这仅仅意味着调整区域B中的噪声可以改善区域A的预测能力。随着模型中预测因子数量的增加，这些解释上的问题也会变得更加复杂。因此，解码器是对整个预测因子集合进行推断，而不是对每个预测因子单独的信息进行推断。

由于fMRI数据的高维性质，这些心理状态解码器在因果推理方面遇到了难题。除非研究者拥有大量的样本（如多个受试者或多次实验重复），或选择一小部分体素或感兴趣区域，否则解码器通常会从数据中得出比样本还多的预测。这样的数据是简并的（即，可以完全用较低维度空间捕获），这导致因果结构不可识别。因此，如果不对因果结构做出若干假设，反向处理心理状态解码是不恰当的。

因果关系是科学研究的核心，尤其是在试图阐明现象产生机制时更是如此。由于心理状态解码既不在因果框架下进行——无论是实验性的还是分析性的，它的主要目的是最大化预测准确性。因此我们可以得出结论，解码是一种预测工具，而非解释工具。

（3）模型的限制阻碍了合理的推断

确实，许多研究者并不将解码器视为因果关系的模型。在实践中，解码研究往往避免直接探讨因果问题，而是选择使用如“神经编码”、“表征”（representations）、“签名”（signature）或“信息”等较为模糊的术语，这些术语未必彻底排除因果解释的可能性。重要的是，这种术语的使用可能使解码器的应用过程变得程序化且缺乏创新性：解码器的选择和使用显得颇为随意，也不是唯一有效的手段。这种情况反映出，当前领域内对概念和方法论的深入审视和批评是十分必要的。

解码器的不确定性可以通过模型拟合过程中的多样性来清晰展示。例如，解码模型通常包含降维或正则化等步骤，每个步骤都会产生不同的损失函数，从而导致不同的模型参数输出。举例来说，应用L¹正则化的逻辑回归与应用L²正则化的逻辑回归，两者将得到不同的参数集。这种现象不仅存在于理论讨论中，在实际应用中也普遍存在。

例如，在认知科学文献中，尽管在标准解码器的基础上做出了改进，但通常这些改进只是边际性的。更极端的情形囊括三种不同的“疼痛解码器”表现出相似的平均性能。若其中一个解码器真正地反映了潜在的神经编码，则理应明显优于其他解码器；然而，事实上并没有一个解码器能够显著胜出。

疼痛研究领域也存在类似的例子，在其中一个显著的研究中，研究人员训练了5916个模型，专注于单一的“最佳”模型，尽管众多模型表现相近。这引发了一个问题：当这种判定仅基于预测性能的估计，如何确定某一模型为“最佳”?在另一个备受争议的例子中，研究者结合了LASSO与主成分分析逻辑回归，推导出所谓的“神经疼痛表征”（Neurologic Pain Signature，NPS）解码器。然而，研究者自己也指出，这一“神经疼痛表征”的预测能力和准确度在不同情境下几乎与支持向量回归（SVR）模型相当，暗示这一“表征”并非唯一有效。

▷图2.三个空间不一致的“疼痛解码器”表现相似。

(A) 每个解码器（简称NPS、pPV和pNsy）具有独特的体素权重模式。(B) 解码器的权重分布也各不相同。NPS的权重分布在零附近；pPV的权重严格为正；pNsy只有少数负权重。(C) 三个解码器中共有体素权重之间的成对关系。(D) 表示每个解码器的相对大小和它们之间的空间重叠的欧拉图。(E) 对每个解码器区分有害刺激和无害刺激的表现进行元分析。

有人可能会认为，解码器可以在其高维空间中转换，生成具有相似“信息”的新解码器。这一点可以通过实验来验证。即使看似不同的解码器是冗余的，这也会加剧对解码器的质疑：多种不同的模式似乎都能解释相同的神经活动。因此，我们该如何理解任何一个特定模式的意义呢？这样的解释需要一个明确的理论基础，例如，用于生成解码器的成本函数在理论上有特别的意义。

缺乏理论基础的解码器往往导致非实质性的发现。以2006年匹兹堡脑活动解读竞赛为例，一支科研团队构建的分类器主要依赖于脑室及其他区域的体素，这些区域可能受到运动伪影和生理噪声的影响。此外，关于fMRI基础解码的研究发现，运动视觉的解码在视觉皮层V1中表现得比在V5中更为明显，这与预期相悖。这种结果表明，解码过程有时可能产生出人意料的结果，这些结果很可能是由于无关的因素（如噪声或伪影）引起，而非反映真实的神经生理信号。因此，在解释这类发现时，我们应谨慎考虑这些因素，以避免对数据作出过于肯定的解读。

（4）信息的普遍性削弱了解码分析的意义

人类的fMRI和动物实验表明，与任务相关的神经信号在大脑中普遍存在。这种广泛分布的信号使得解码过程变得相对容易。通过汇聚大量的信息——例如数千或数万个体素——即使是单个变量的t统计值接近零的体素，也能够区分不同的任务。这种从大脑任何体素组进行解码的能力，使得解码器在生理学上的解释变得更加复杂。也就是说，解码器的权重不仅如前所讨论的那样是任意的，其包含的体素也可能具有非特异性，进一步加剧了对解码结果生理意义的质疑。

（5）解码器是否带来了有意义的进展？

在过去20年的“读心术”研究中，基于fMRI的解码技术确实取得了一些技术上的突破，然而，这些技术是否真正为我们提供了新颖而有意义的神经生理学见解，这一点还需慎重评估。

以一项使用概率生成模型的研究为例，研究者试图从参与不同听力任务的志愿者的大脑皮层中解码出语义信息，并声称在新的大脑区域中发现了处理语义信息的特定区域。这一发现听起来颇具吸引力，但其是否代表了对语言处理背后大脑机制的真正进展仍有待商榷。如果这种广泛的语义“表征”确实具有因果性，那么不同皮层的损伤应该导致明显的语义缺陷，但现实中并非如此。

再举一个例子，尽管有研究通过解码来自梭状回和海马旁回的信号来识别不同的视觉刺激，然而，这种方法并未显著增进我们对视觉处理机制的理解。原因在于，梭状回和海马旁回已被广泛认为是对高级视觉刺激有反应的区域，因此使用这些区域的信号进行解码，并不提供关于视觉处理新的或深入的见解。此外，尽管解码模式能够区分不同刺激，这些模式所含的信息并没有阐释这些大脑区域如何具体参与视觉信息的处理。此外，尽管越来越多的研究尝试从fMRI信号中解码不同的疼痛状态，但这些研究并没有使我们更深入的理解疼痛体验是如何产生的。

尽管存在这些问题，fMRI解码领域仍然蓬勃发展，产生了一些具有较高影响力的研究成果。然而，声称这些研究成果显著推进了我们对大脑工作原理的理解，往往过于乐观。幸运的是，一些研究者持有更加谨慎的观点。例如，一篇评论文章指出，使用多体素模式分析（MVPA）的研究在很大程度上只是确认了之前单变量fMRI研究的发现，并没有揭示更多新的洞见。此外，许多基于解码的研究依赖于一种逆向推理的方式，即从编码研究中得出结论，这种逻辑过程本身可能存在漏洞。

（6）解码是否优于编码？

在神经科学领域，解码和编码是两种分析功能性磁共振成像（fMRI）数据的主要方法。虽然解码方法由于其灵敏度和能够揭示大脑空间结构的能力而被广泛使用，但编码方法提供了一种更加原则性和系统性的分析方式。编码通过检查编码向量，可以自然地采用多变量方法研究大脑活动“模式”，而这种方法在某些情况下被证明比基于分类的解码模型更为有效。

此外，从概念上讲，多变量编码分析也具备优势。具体来说，多变量编码器测试的无效假设与解码器的无效假设不同：解码器的无效假设认为所有受试者都没有效应，而编码器的无效假设认为在不同条件下平均编码向量是相同的。因此，挑战并拒绝编码的无效假设通常比解码的无效假设提供更多洞察力；我们通常更关注于理解大脑活动的模式，而非简单地对个体进行分类。

鉴于这些优势，许多研究人员和作者认为，应该考虑使用多变量编码方法替代传统的解码方法，例如采用多变量方差分析。这种方法不仅更符合研究条件差异的需求，也更易于解释和实施。

重要的是，线性多变量编码模型与线性解码模型在本质上并非截然分离。实际上，解码的权重可以用来推导编码的权重。由于线性多变量编码模型能够捕捉与线性解码器相同的信息，并且具有更高的敏感性和可解释性，因此编码方法应继续作为任务型fMRI研究的基础。这种方法不仅增强了我们对大脑功能的理解，还推动了神经科学研究方法的进步。

▷图源：Paweł Jońca

心理状态解码器

不能用于现实世界的决策

尽管许多解码研究强调其在现实世界中的潜在应用，这种观点在多个学科中受到了广泛关注。例如，11年前，一个研究团队宣称他们发现了一种通过大脑信号识别疼痛的方法，并指出：“如果这些发现能够扩展到临床人群，那么在病人无法有效沟通疼痛感受，或者当他们的自述在其他方面显得不可靠时，这些基于大脑信号的特征可能有助于确认疼痛。”然而，这种过分乐观的看法已遭到批评，许多专家呼吁需要更加谨慎的评估。

在现实世界中，提出的解码器可能被用来回答各种复杂的问题：病人是否真的感到痛苦？被告是否有犯罪行为？如果有，这种行为是否属于故意？进一步解析某人的思维可能看似能解决这些问题。例如，通过确定病人是否真正经历痛苦，医生可能决定是否开具阿片类药物的处方；保险公司可能基于此判断是否赔付病人的医疗费用；陪审团甚至可能仅凭大脑扫描的结果来判断被告的有罪。

然而，尽管这些应用看似具有重大的社会和医学意义，心理状态解码器在现实世界的应用却面临诸多困难和挑战。诸如此类的技术不仅需要考虑科技的准确性和可靠性，更要重视伦理、隐私及法律等方面的复杂问题。因此，虽然这些技术提供了前所未有的洞察力，它们在实际应用中的价值和适用性还需经过严格的科学验证和社会审慎考虑。

（1）解码器的构建常常与现实世界情境脱节

在探讨心理状态解码器的有效性时，我们面临一个核心问题：这些工具与现实世界的情境往往存在较大差异。心理状态解码器是为了补充或替代传统的自我报告方法而提出的，尤其适用于那些无法通过常规方式表达自己的人群。然而，这些预测模型往往只有在与训练环境类似的条件下才能展现出较好的表现。现实中，许多解码器是基于简单的刺激来设计的，与复杂多变的真实环境相去甚远，这就无法保证解码器在实际应用中的效果。

因此如果解码器的目标时在现实世界应用，那应该本着诚信的原则进行，确保这些工具在开发和测试过程中真正符合其预期的应用目标，而非仅依赖于理论上有待证实的假设。

（2）解码器无法取代自我报告

旨在揭示主观状态的解码器（如刺激或任务属性）引入了关于心理隐私和测量的关键问题。这些意图解码主观状态的解码器通常使用自我报告进行训练和描述。例如，在一项研究中，研究者构建了一个解码器，想要在捕捉药物用户和非用户对视觉线索反应中的“渴望”评分。作者们指出：“……鉴于自我报告的渴望分数在预测结果中的作用，这种基于大脑模式的方法可以作为诊断和预测临床相关个体差异和未来结果的一种潜在工具。”换句话说，作者认为他们的解码器输出提供了超越简单自我报告的信息。

然而，这种看法可能过于乐观。实际上，解码器通常是基于自我报告的数据进行训练的，这意味着解码器在很大程度上只是自我报告的一个嘈杂反映。在实际应用中，当解码器的预测与个体的自我报告发生冲突时，这便产生了一个关键问题：为何我们应依赖一个基于自我报告训练出来，并旨在预测类似自我报告的解码器，而不是直接信赖自我报告本身？

正如许多研究所指出的，自我报告可用的情况下，依赖解码器的额外价值是有限的。解码器可能在无法获取自我报告的特定情境下提供辅助信息，但它们无法完全取代自我报告的直接且原始输入。因此，解码技术的使用需要谨慎考虑其局限性，特别是在评估个体心理状态时。

未来的研究方向：

追求质量而非数量

道格拉斯·阿尔特曼（Douglas Altman）在《英国医学杂志》（The British Medical Journal）中指出：“我们需要更少但更好的研究，以及出于正确原因进行的研究。”在众多关于解码器的研究文章层出不穷的今天，我们不得不严肃地问自己：这些研究真的是对宝贵的时间和资源的最佳利用吗？

到目前为止，解码器既没有显著推动我们对大脑生理学的理解，也未为实际的现实世界应用铺平道路，这种现象在生物医学研究中不幸地成为了“研究浪费”的典型例子。很多以解码器作为主要成果的研究似乎更多是为了提高曝光度（visibility），而不是为了科学的实质进展。

作者主张，除非解码器能提供对神经生理学的深刻洞察或明确的现实世界益处，否则将资源投向其他可能更有成效的科学努力，无疑是一种更为明智的选择。然而，这并不意味着解码器在科学研究中没有其位置。心理状态解码器可以成为一个更广泛、更扎实的、以问题为中心的研究范式的一部分。在这种范式中，解码器不仅仅是研究的目标，而是达成不同研究目的的手段。研究者应致力于不仅仅是识别信息的存在，更应深入探究这些信息的本质。例如，实验者可以通过使用解码器来研究信息内容如何随着任务或参与者的反应而变化。

这种方法区分了两类解码研究：一类是作者仅仅满足于展示解码器能工作的研究；另一类是主要成果是通过应用解码器获得知识的研究。目前，前者的研究仍然占多数，这些研究假设解码器本身代表了基本的科学贡献，推动了整个领域的发展。然而，正如作者所论证的，这种假设并不牢固。相比之下，那些使用解码器作为探测神经活动的工具，从而推理出实验操纵的效果的研究虽然不多见，却能提供更深入的见解。

最后，作者的观点并不排除在科学探索中使用编码或解码作为“第一步”来理解大脑活动的本质。例如，一项研究发现，随着镇静水平的增加，大脑内与听力相关的信号的解码能力减弱，而听觉皮层活动保持稳定，从而得出结论，至少某些广泛的信息对于意识感知是必需的。这一结论依赖于使用解码器来理解不同实验条件下的信息性质，这是单纯通过展示解码器的工作是无法实现的。尽管fMRI不能直接操纵大脑活动以建立因果关系，但它可以为未来实验提供可通过扰动大脑回路来验证的假设。

总结

作者认为，解码器本身在机制方面并不引人注目，也没有显示出在实际决策中的应用前景。解码器的机制有效性来源于它们的不唯一性、不可解释性，以及与数据生成过程的不兼容性。解码器的应用困难源于哲学上的挑战和模型与现实之间的不匹配。因此，将研究重点从解码本身转移到解码器所做预测的实验背景和具体应用中很重要的。

最后作者提出了一些需要关注的重要问题：如何提高心理状态解码器的可解释性？解码研究能否改进以产生超越编码的新的机制性见解？哪些测试可以用来证明解码器的特异性？这些问题的探索将有助于我们更有效地利用解码技术，获得新的神经机制和知识，推动相关领域的科学发展。

关于追问nextquestion

天桥脑科学研究院旗下科学媒体，旨在以科学追问为纽带，深入探究人工智能与人类智能相互融合与促进，不断探索科学的边界。如果您有进一步想要讨论的内容，欢迎评论区留言，或扫二维码添加小助手微信questionlab，加入社群与我们互动。

关于天桥脑科学研究院

天桥脑科学研究院（Tianqiao and Chrissy Chen Institute, TCCl）是由陈天桥、雒芊芊夫妇出资10亿美元创建的全球最大私人脑科学研究机构之一。

TCCI与华山医院、上海市精神卫生中心设立了应用神经技术前沿实验室、人工智能与精神健康前沿实验室；与加州理工学院合作成立了TCCI加州理工神经科学研究院。

TCCI建成了支持脑科学研究的生态系统，项目遍布欧美、亚洲和大洋洲，包括学术会议和交流、夏校培训、AI加速科学大奖、科研型临床医生奖励计划、特殊病例社区、中文媒体追问等。