AI和神經(jīng)科學(xué)越來越緊密的結(jié)合，為處理海量數(shù)據(jù)、再現(xiàn)感官等任務(wù)提供了更加便利的條件，二者的融合促進了彼此的發(fā)展，為更精確地模擬人類大腦創(chuàng)造越來越有利的環(huán)境。本文選自Nature特刊《大腦》。

Chethan Pandarinath是佐治亞理工學(xué)院的生物醫(yī)學(xué)工程師，他想幫助癱瘓病人操作機械臂，讓他們也能像正常人那樣抓取目標(biāo)。要解決這個問題，首先要識別神經(jīng)系統(tǒng)中發(fā)出的和“移動手臂”相關(guān)的電信號，尤其是大腦中的電信號，再將這個信號傳給接收裝置。 結(jié)果發(fā)現(xiàn)，最難辦的問題就是識別信號。大腦發(fā)出的信號太復(fù)雜了。為了尋求幫助，他將信號作為輸入傳給了AI神經(jīng)網(wǎng)絡(luò)，讓后者負(fù)責(zé)如何再現(xiàn)這些數(shù)據(jù)。

這些信號記錄取自大腦神經(jīng)的一小部分，大腦中1億神經(jīng)元中，只有200個是負(fù)責(zé)控制人的手臂運動的，計算機需要找到基礎(chǔ)的數(shù)據(jù)結(jié)構(gòu)，即研究人員所說的“隱藏因素”，它控制著紀(jì)錄活動的總體行為，可以提現(xiàn)大腦的時間動態(tài)，也就是神經(jīng)活動隨時間的變化方式?！艾F(xiàn)在我們已經(jīng)能夠在毫秒級精度上掌握細(xì)微動作的角度和方向了，而控制機械臂需要的正是這些信息?！盤andarinath說道。

這個例子只是近年來AI和認(rèn)知科學(xué)實現(xiàn)交互和融合的眾多應(yīng)用之一。AI技術(shù)的核心神經(jīng)網(wǎng)絡(luò)正是在模擬人的大腦計算和處理信息的模式。隨著近十年來AI技術(shù)的迅猛發(fā)展，認(rèn)識科學(xué)開始從AI技術(shù)中獲得越來越多的幫助。

“這兩個學(xué)科之間的融合是自然而然的事，因為基本上研究的都是一樣的東西，比如研究如何將學(xué)習(xí)問題數(shù)學(xué)化，讓機器能夠計算解決，同時也在尋找著這個問題確實能夠解決的證據(jù)，這就是大腦的任務(wù)?！眰惗卮髮W(xué)學(xué)院蓋茨比計算神經(jīng)科學(xué)團隊的理論神經(jīng)學(xué)專家Maneesh Sahani說。

模擬大腦

人工神經(jīng)網(wǎng)絡(luò)只是大腦工作方式的一個粗略類比，David Sussillo是Google大腦團隊的計算神經(jīng)科學(xué)家，他與Pandarinath合作研究二者之間聯(lián)系的潛在因素。比如將突觸模型化為矩陣中的數(shù)字，而實際上它們是生物機械的復(fù)雜部分，利用化學(xué)和電活動來發(fā)送或終止信號，并以動態(tài)模式與相鄰的突觸進行交互?！澳銦o法進一步了解突觸實際上到底是怎么回事，只能化為矩陣中的一個個數(shù)字，”Sussillo說。

盡管如此，人工神經(jīng)網(wǎng)絡(luò)已被證明對研究大腦很有用。如果這樣的系統(tǒng)可以產(chǎn)生類似于從大腦記錄的模式的神經(jīng)活動模式，科學(xué)家就可以驗證系統(tǒng)如何產(chǎn)生輸出，然后推斷大腦是如何完成同樣的事情的。該方法可以應(yīng)用于神經(jīng)科學(xué)家感興趣的任何認(rèn)知任務(wù)，包括處理圖像。“如果你可以訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)去做，”Sussillo說，“那么也許你可以理解這個網(wǎng)絡(luò)是如何運作的，然后用它來理解生物數(shù)據(jù)?！?/p>

處理數(shù)據(jù)

AI技術(shù)不僅能夠方便地建模，生成信息，也能方便地處理數(shù)據(jù)。比如功能性核磁共振，會以每秒1-2毫米的分辨率捕捉大腦活動的圖像，神經(jīng)科學(xué)上的難點在于，如何在數(shù)據(jù)量巨大的圖像信息中找到想要的信號。

使用機器分析這些數(shù)據(jù)可以加速研究?！斑@是神經(jīng)科學(xué)如何完成的巨大變化，”Sussillo說?！把芯可恍枰瞿敲炊嗝つ康墓ぷ?- 他們可以專注于更大的問題，同時可以通過自動化技術(shù)獲得更準(zhǔn)確的結(jié)果?！?

斯坦福大學(xué)的計算神經(jīng)學(xué)家Daniel Yamins正在開發(fā)一套能夠模擬大腦活動的神經(jīng)網(wǎng)絡(luò)

再現(xiàn)感官

斯坦福大學(xué)計算神經(jīng)科學(xué)家Daniel Yamins采用的方法是建立一個可以復(fù)制大腦數(shù)據(jù)的人工系統(tǒng)。2014年，當(dāng)Yamins在麻省理工學(xué)院做博士后研究員時，他和同事訓(xùn)練了一個深度神經(jīng)網(wǎng)絡(luò)來預(yù)測猴子在識別某些物體時的大腦活動。這個網(wǎng)絡(luò)架構(gòu)具有兩個主要特征。

首先，它是一個視網(wǎng)膜，也就是說大腦中的視覺處理途徑反映了眼睛獲取視覺信息的方式。其次，這個系統(tǒng)是分層的。皮層中的特定區(qū)域負(fù)責(zé)執(zhí)行越來越復(fù)雜的任務(wù)，從僅識別物體輪廓的層，到識別整個物體的更高層。

研究人員對于網(wǎng)絡(luò)高層運行機制的細(xì)節(jié)知之甚少，但最后結(jié)果是，大腦可以在不同的位置和不同的光照條件下成功識別物體，無論是目標(biāo)因為距離的原因看上去或大或小，即使目標(biāo)的一部分隱藏不見，也依然能識別。而計算機經(jīng)常因這些障礙而陷入困境。

Yamins和他的同事根據(jù)與大腦相同的視網(wǎng)膜，分層構(gòu)建了他們的深層神經(jīng)網(wǎng)絡(luò)，并展示了數(shù)千個64個物體的圖像，這些物體的特征如大小和位置不同。當(dāng)網(wǎng)絡(luò)學(xué)會識別物體時，會產(chǎn)生幾種可能的神經(jīng)活動模式。研究人員將這些計算機生成的模式與猴子神經(jīng)元記錄的模式進行比較，同時執(zhí)行類似的任務(wù)。事實證明，最能識別物體的網(wǎng)絡(luò)，正是那些與猴子大腦最接近的活動模式?！澳惆l(fā)現(xiàn)神經(jīng)元的結(jié)構(gòu)模仿了網(wǎng)絡(luò)的結(jié)構(gòu)，”Yamins說。研究人員能夠?qū)⑵渚W(wǎng)絡(luò)區(qū)域與大腦的相應(yīng)區(qū)域進行匹配，準(zhǔn)確率約為70％。

在2018年，Yamins和他的同事使用聽覺皮層實現(xiàn)了類似的壯舉，他們打造了一個深度神經(jīng)網(wǎng)絡(luò)，能夠識別2秒視頻剪輯中的音樂單詞和類型，其精度與人類相當(dāng)。這一成果有助于研究人員確定大腦皮層的哪些區(qū)域負(fù)責(zé)語音和音樂的識別，而這是了解人類聽覺系統(tǒng)的一小步。

一些常見問題：學(xué)習(xí)行為與智能的起源

計算機科學(xué)和認(rèn)知科學(xué)正在解決一些重大問題，而研究如何在這兩個領(lǐng)域中回答這些問題，可能會促進共同進步。其中一個問題就是：學(xué)習(xí)行為是如何發(fā)生的。神經(jīng)網(wǎng)絡(luò)主要執(zhí)行監(jiān)督學(xué)習(xí)。例如，為了掌握圖像識別，它們可能會學(xué)習(xí)來自ImageNet數(shù)據(jù)集中的圖像。網(wǎng)絡(luò)對具有相同標(biāo)簽的圖像（例如“貓”）的統(tǒng)一理解有共同之處。當(dāng)學(xué)習(xí)新圖像時，網(wǎng)絡(luò)會檢查它是否有類似的數(shù)字屬性;如果找到匹配，就會將圖像聲明為“貓”的圖像。

嬰兒的學(xué)習(xí)方式顯然不是這樣，Tomaso Poggio說，他是MIT的計算神經(jīng)科學(xué)家。“嬰兒兩歲之前就能看到大約相當(dāng)于十億張圖像，”他說。但這些圖像很少是被標(biāo)記過的，只有一小部分對象會被主動指出并起名?！霸?a href="http://m.makelele.cn/v/tag/557/" target="_blank">機器學(xué)習(xí)中，我們還不知道如何應(yīng)對這種情況，”Poggio說?！拔覀儾恢廊绾巫寵C器從大多數(shù)未標(biāo)記的數(shù)據(jù)中學(xué)習(xí)?！?

他的實驗室項目還處于初始階段，神經(jīng)網(wǎng)絡(luò)通過推斷未標(biāo)記視頻中的模式執(zhí)行無監(jiān)督學(xué)習(xí)?！拔覀冎郎飳W(xué)上可以做到這一點，”Poggio說?！皢栴}是怎么實現(xiàn)的。” Yamins正在通過設(shè)計像游戲中的嬰兒一樣的程序來處理無人監(jiān)督的學(xué)習(xí)，通過隨機交互來審視環(huán)境，并慢慢了解世界是如何運作的。實際上是在以好奇心編碼來激勵計算機進行探索，希望能夠出現(xiàn)新的行為。

另一個突出的問題是，智能的某些方面是否是由進化實現(xiàn)的。例如，人們似乎很容易識別面部，一個嬰兒可以從生命的最初幾個小時就實現(xiàn)了這一點。Poggio認(rèn)為，這可能是我們的基因編碼一種機制，用于在開發(fā)過程中快速及早地學(xué)習(xí)這類任務(wù)。分析這個想法是否正確，可能會計算機科學(xué)家們找到一種方法來推進機器學(xué)習(xí)的發(fā)展。 還有的研究人員正在研究道德的神經(jīng)學(xué)基礎(chǔ)。“人們都害怕'邪惡'的機器，如果我們想要建立‘善良’的機器，‘有道德’的機器，我們可能就能更充分地了解我們的道德行為是如何產(chǎn)生的?！?

Yamins說，現(xiàn)在只憑神經(jīng)科學(xué)很難揭示無監(jiān)督學(xué)習(xí)的運行機制?！叭绻麤]有AI解決方案，如果沒有任何人工構(gòu)建的方式，就不可能建立起大腦的運作模型，” 他認(rèn)為，計算機科學(xué)家更有可能提出一種或多種可供神經(jīng)科學(xué)家測試的解決方案。“最終可能會發(fā)現(xiàn)他們錯了，”他說，“但這難道不就是你研究的原因嗎？” 解答這些謎語可以打造出更智能的機器，這些機器能夠從環(huán)境中學(xué)習(xí)，并且可以將計算機的速度和處理能力與人類的更多能力結(jié)合起來。計算機的數(shù)據(jù)處理和建模能力已經(jīng)帶來了腦科學(xué)的進步?！?a target="_blank">人工智能將對神經(jīng)科學(xué)產(chǎn)生巨大影響，”Sussillo說，“而我希望成為其中的一部分?！?