大脑是人类最精妙、复杂的器官。它控制着人的思想、情绪，储存着人的记忆。而音乐，由人类创作而成，转而又影响人类，成为了人和人之间交流的桥梁。随着AI技术的强劲加持，如今AI音乐的一系列创新又将为人类理解大脑带来无限的可能与契机。

北京时间7月19日，天桥脑科学研究院（Tianqiao and Chrissy Chen Institute，TCCI）与网易云音乐联合举办了AI for Brain Science系列会议第三期，主题为“探索音乐创造的未来：AI、人脑与治疗”。

会议邀请了计算机科学、生命科学、心理学以及音乐治疗学等领域的5位专家学者聚焦AI创作音乐、人脑创作音乐、音乐人机交互系统，以及音乐在脑疾病治疗中的应用，分享他们的研究成果和经验，共话对未来的展望。本次会议由网易云音乐梁晓晶博士和天桥脑科学研究院耿海洋博士共同主持。

AI作曲会受人类欢迎吗？

前不久，“AI孙燕姿”火遍全网，她的音色被逼真地合成在了各种各样的歌曲当中。那么，AI是否真的可以创作音乐呢？为此，卡内基梅隆大学计算机科学系博士生戴舒琪介绍了生成式人工智能背景下音乐感知分析与治疗应用前景。

首先，想要自动生成一段音乐并不简单。除了旋律生成，还需要考虑多轨伴奏生成、歌词生成、配器和编曲等元素。既往，这些过程都需要靠作曲家的灵感、合理排布和个人经验来完成。如今，利用AI技术也可以将这些复杂过程进行处理，来自动生成一段音乐。

据戴舒琪介绍，生成式人工智能在音乐方向的应用主要包括以下三种类型：（1）符号层面的乐谱生成，如旋律生成、多轨伴奏生成、歌词生成、配器、编曲等；（2）音频层面生成，如歌声合成、器乐合成、演奏控制合成、音频端到端作曲等；（3）多模态生成。这些相应的技术主要基于规则的模板、传统机器学习模型、以及深度学习大模型来实现。

戴舒琪指出，以重复为基础的音乐结构，是音乐的重要特征，且具有多层次、技法多样性、和高度逻辑化的特点。音乐的重复和结构会影响人听音乐时对音乐的预期，从而进一步影响人对这些预期的情感反应。基于此，可以通过算法分析音乐的重复结构和预期的感知曲线，针对用户熟悉且喜欢的音乐进行风格模仿产生个性化定制音乐。

在应用层面，生成式人工智能音乐存在着诸多有价值的应用场景。例如，帕金森患者可采用节律性音乐治疗有效改善其运动功能障碍，提高肢体的协调性；在辅助行走方面，老年人也可以通过耳机或穿戴感知设备传输的音乐或节律性声音，提升日常行走的安全性。此外，音乐还可以用于刺激和唤醒植物人。未来，AI生成音乐势必还能带来应用层面的更多可能性。

用脑波创造的音乐能否自我疗愈？

音乐与大脑有着紧密的联系——它从大脑中产生，也影响着大脑。由此，几十年来科学家们也试图通过脑电波制作音乐。1965年，世界上第一首脑波音乐发布。它通过放大物理信号，组织几个乐器生成音乐片段。如今随着技术的发展，人们也开始借助人工智能技术生成脑波音乐。

电子科技大学生命科学与技术学院副教授卢竞展示了脑波音乐的制作过程和原理，并从神经科学角度介绍了人们会喜欢音乐的原因。人听到音乐后，人类大脑的奖赏系统会被激活，并分泌多巴胺，从而让人们感到快乐。经过研究探索，大脑的神经信号与音乐遵循一种1/f α的幂定律（power law），可以通过这种相同的信号特征，建立EEG信号到音乐之间的无标度映射。

在无标度脑波音乐的应用层面，科学家们将癫痫、阿尔兹海默症患者的脑波转化成音乐，可以进行疾病状态的检测，观察紧张和平和两种不同状态；在拔牙时，如果患者听脑波音乐，镇痛效果会比认知行为疗法更好；此外，脑波音乐还有调节睡眠的作用，且慢波睡眠期音乐具有更好的促眠效果。

最后，卢竞展望道，脑波音乐可以有更广泛的应用，改善人的生活行为方式，甚至治疗某些疾病。

音乐治疗，在神经系统疾病中大有可为？

音乐能怡情，但音乐能够在临床医学中起到治疗的作用吗？为此，中国康复研究中心心理科音乐治疗中心副研究员张晓颖介绍了音乐治疗的循证基础与临床应用。

张晓颖首先介绍了文献中提出的音乐信号刺激对听觉通路、皮层及脑网络的三个不同轴线，及其对中枢神经系统的影响；随后介绍了音乐治疗在干预脑疾病中起效的原因。从系统解剖学的角度来说，目前临床音乐治疗在神经系统、运动系统、循环系统、呼吸系统、内分泌系统等领域中有明确的应用。

在神经系统疾病方面，一些常见的脑损伤疾病主要会影响到患者的言语认知、感觉运动、心理情绪等功能，这些功能障碍大多与损伤脑区有关。研究探索显示，音乐治疗可以改善脑损伤导致功能障碍患者的康复预后。

此外，张晓颖介绍，针对不同功能障碍的患者设计相应的音乐治疗方案，可以改善患者的功能水平，提高生活质量，更快地回归家庭和社会。这些音乐治疗的新技术都已经被临床证实有效，但如何设计更好的标准化音乐治疗方案还有待进一步探索。

跟着机器学习音乐，或许学得更快、更好？

学音乐是一个漫长且需要积累的过程。如果你尝试过学乐器，但半年弹不出一个曲子，就会明白有多么挫败。然而，“手把手”教音乐的机器，可以让你在最快的时间形成“肌肉记忆”学会一首曲子，还能修正你的错误。

国王AI大学助理教授夏光宇和上海纽约大学博士生秦楠枫以新颖的双簧形式对于用机器教音乐主题展开了分享。

首先，他们介绍了采用触感指导在物理层面上指导用户的肢体完成目标动作，从而实现用机器教人类演奏音乐的目标。同时，这也可以用于机器辅助的神经康复训练，使本来无法完成动作的用户能够在辅助下完成动作；或者通过逐渐减弱触感指导，让用户逐渐自主完成训练动作。

然而，夏光宇坦言，这种“强迫式”的物理教学方式体验感不佳，难以让习练者产生较好的练习依从性。由此，他们进一步介绍了借助触感反馈和其他模块建立的智能多模态音乐教育系统。触感反馈学习主要由三种模式：（1）在傀儡模式中，用户无脑地被动完成动作学习；（2）在提示模式中，用户主动用力维持手指状态；（3）在自适应模式中，用户采用自主演奏和安全网两种方式进行学习。实验结果表明，论学会单曲时间，通过这三种模式结合训练比仅采用傀儡模式的效率提高45%。

最后，秦楠枫介绍了音乐在音、象、动的三个模态，从内、外两种角度又分为内音、内象、内动、外音、外象、外动共六种模态。其中，内音是人类内在的听觉、内象则是内在的视觉、内动是内在的运动感知。同时，他们指出，相比只有动作训练的神经康复训练，这种多模态的音乐学习与演奏教学方式刺激了更多更广的神经通路。而这种技能-任务形成的课程网络图，结合图算法寻找最短路径，有望在课程网络技能树学习上展开应用。