据美国哈佛大学网站2016年1月26日报道,哈佛大学工程与应用科学学院(SEAS)、脑科学中心(CBS)、分子和细胞生物系共同获得美国高级情报研究计划局(IARPA)授予的2800万美元(约合1.84亿人民币)资助,用于发展高等机器学习算法以推动神经科学前沿领域的研究。参加该项目的科研人员分别来自美国哈佛大学、麻省理工、圣母大学、纽约大学、芝加哥大学和洛克菲勒大学。
如今情报机构被淹没在数据的海洋之中,远远超过其处理能力。一方面,天生擅长识别模式的人类无法跟上新信息的涌入。与此同时,机器的学习能力和模式识别能力即使与最简单的哺乳动物大脑相比,还显得很落后。IARPA希望找到大脑拥有卓越学习能力的原因,并在计算机系统中开展仿生应用,使得机器能够像人类一样快速有效地解释、分析和学习。为了解决这个问题,哈佛大学的研究人员将记录大脑视觉皮层的活动细节,并首次尝试测量它们之间的联系,最后通过逆向工程处理这些数据,用以研发更智能的计算机算法。
相关负责人宣称该项目相当于计算机领域的人类基因组计划。记录多重神经元活动以及单映射联系的科学价值是巨大的,但这仅仅只是项目的一部分;如果能够了解大脑学习的基本准则,则不难想象,最终将设计出媲美甚至超越人脑的计算机系统。这些系统可以被用来检测网络入侵、扫描磁共振图像(MRI)、驾驶汽车等。
该研究首先将对老鼠进行视觉训练,识别计算机屏幕上的各种物体。与此同时,研究团队使用洛克菲勒大学特制的新一代激光显微镜记录其视觉神经元的活动情况,以观察大脑活动的变化。接着,会从老鼠的大脑中抽取出一块约1立方毫米的脑组织并制作成超薄型切片。然后,研究人员使用脑科学中心的世界首台多波束扫描电子显微镜对这些切片进行扫描,并拍摄成照片。
上述过程会产生超过1 PB的数据,相当于160万张CD的容量。这些数据将被送给计算机科学家,以重构出细胞的边界、突触和连接,最终形成三维的可视化图像。即使只完成这一步,其科学影响也已经是巨大的。然而一旦清楚视觉皮层神经元联结的方式,下一步就是推断大脑识别和解读图案的机制。现今计算机科学面临的最大挑战之一就是深度学习需要庞大的训练数据量。譬如计算机为了识别一辆汽车,需要先认识成百上千的汽车,但是人类或其他哺乳动物则根本不需要那么多样本。
在项目的后续阶段,哈佛的研究人员和其合作伙伴将通过分析出的数据开发一套用于机器学习和模式识别的算法。这些生物启发式算法将提高模式识别的能力,从有限的输入数据中做出推论。同时,这项研究也可以提高计算机视觉系统的性能,帮助机器人在新环境中的识别与导航。