「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。

最常见的例子就是电子邮件中的垃圾邮件过滤程序。机器学习通过扫描足够数量的垃圾邮件，学习其中内容的特性，从而在收到新的邮件时帮你进行分析和拦截。

机器学习可以是非常简单的程序，仅仅进行数学回归运算（这只是中学数学知识，比如从一些已知条件中算出一条线段的斜率）；也可以是非常复杂的系统，就像谷歌 DeepMind，经过了数以百万条数据的训练，从而在围棋上打败人类世界冠军（围棋的棋局变化数量超过了宇宙中所有原子的数量）。

神经科学家正在使用机器学习进行着一些研究。如编码与解码。

通过「编码」，研究人员试图使用机器学习来预测不同刺激在大脑中造成的影响。

「解码」则与之相反，通过观察大脑活动来反推受试者正在思考什么。（注：神经科学家可以使用不同大脑扫描方式为机器学习提供数据，除了 fMRI 以外还有 EEG 和 MEG 等）

俄勒冈大学的神经科学家 Brice Kuhl 最近使用 fMRI 数据解码，重建了受实验者眼睛里看到的内容。

Kuhl 通过核磁共振成像研究的脑区一直被认为与人类记忆密切相关。「这个脑区的活动显示了你所看到物体的细节——或许仅仅是（点亮），因为它是你非常确定的记忆。」Kuhl 说道。机器学习程序可以从这个脑区的活动图像中预测被试者看到的人的面部特征，这表明这个位置就是「你看到的细节」被处理的地方。

第一行是 Kuhl 研究中的原始面孔；第二行是基于大脑的两个不同区域中的活动，机器学习进行的猜测，重建远非完美，但它们表现出了原面部的一些基本细节，如性别、肤色和表情

同样，Gallant 有关艺术作品的实验揭示了一个关于心灵的小秘密：当我们看到相同物体时，我们会激活大脑中相同的区域。

所有接受采访的神经科学家们都表示机器学习并没有彻底改变他们的领域。究其原因——没有足够的数据。扫描大脑活动需要花费大量时间，而且价格昂贵。同时，一项研究通常会招募几十名受试者，而不会有几百人。

「在 20 世纪 90 年代，神经影像学刚刚起飞时，人们关注类层面（category level）的表征——大脑的哪个部分处理人的面孔（而不是房子和物体），这是大尺度的问题，」匹茨堡大学的神经科学研究院 Avniel Ghuman 解释道。「现在我们可以研究很多细节上的问题，比如：这让他/她回忆起了十分钟前想到的同一件事吗？」

「这种进步是革命性的。」Ghuman 说道。

神经科学家希望机器学习可以帮助诊断和治疗精神障碍

目前，精神科医生还不能通过让病人接受 fMRI 扫描来确定他/她是否患有精神疾病（如精神分裂症）。他们仍然不得不依靠在临床上与患者进行对话（毫无疑问，这种方式获得的信息具有很大价值）。但机器学习带来的新型诊断方法将会让疾病的诊断更加准确，这无疑会给医疗领域带来新的进步。为了做到这一点，美国国家精神健康研究院（NIMH）的 Bandettini 表示，神经科学家们需要获得 10,000 份以上 fMRI 扫描结果的数据集。

机器学习程序可以从精神病人的大脑活动图像中寻找模式，学会进行识别。「随后你可以开始把它应用在临床上，扫描一个病人然后说：基于容量为 10,000 的数据集的训练，我们现在可以作出初步诊断，此人患有精神分裂症。」Bandettini 表示，现在，这些研究仍然处于初级阶段，新的突破还没有出现。

但是，如果我们理解了大脑中各区域组成的网络是如何工作的，这些方向很快就会转化为成果。「在未来，我们也许能设计复杂的干预措施在大脑出现病变时进行治疗，」MIT 计算神经科学家 Dan Yamins 说道。「也许我们可以把某种植入物放进大脑，用来治疗阿尔茨海默病，或者也可以治疗帕金森症。」