Nature：AI与神经科学再现模拟大脑

新智元报道

来源：Nature

编辑：大明

【新智元导读】AI和神经科学越来越紧密的结合，为处理海量数据、再现感官等任务提供了更加便利的条件，二者的融合促进了彼此的发展，为更精确地模拟人类大脑创造越来越有利的环境。本文选自Nature特刊《大脑》。

Chethan Pandarinath是佐治亚理工学院的生物医学工程师，他想帮助瘫痪病人操作机械臂，让他们也能像正常人那样抓取目标。要解决这个问题，首先要识别神经系统中发出的和“移动手臂”相关的电信号，尤其是大脑中的电信号，再将这个信号传给接收装置。

结果发现，最难办的问题就是识别信号。大脑发出的信号太复杂了。为了寻求帮助，他将信号作为输入传给了AI神经网络，让后者负责如何再现这些数据。

这些信号记录取自大脑神经的一小部分，大脑中1亿神经元中，只有200个是负责控制人的手臂运动的，计算机需要找到基础的数据结构，即研究人员所说的“隐藏因素”，它控制着纪录活动的总体行为，可以提现大脑的时间动态，也就是神经活动随时间的变化方式。“现在我们已经能够在毫秒级精度上掌握细微动作的角度和方向了，而控制机械臂需要的正是这些信息。”Pandarinath说道。

这个例子只是近年来AI和认知科学实现交互和融合的众多应用之一。AI技术的核心神经网络正是在模拟人的大脑计算和处理信息的模式。随着近十年来AI技术的迅猛发展，认识科学开始从AI技术中获得越来越多的帮助。

“这两个学科之间的融合是自然而然的事，因为基本上研究的都是一样的东西，比如研究如何将学习问题数学化，让机器能够计算解决，同时也在寻找着这个问题确实能够解决的证据，这就是大脑的任务。”伦敦大学学院盖茨比计算神经科学团队的理论神经学专家Maneesh Sahani说。

模拟大脑

人工神经网络只是大脑工作方式的一个粗略类比，David Sussillo是Google大脑团队的计算神经科学家，他与Pandarinath合作研究二者之间联系的潜在因素。比如将突触模型化为矩阵中的数字，而实际上它们是生物机械的复杂部分，利用化学和电活动来发送或终止信号，并以动态模式与相邻的突触进行交互。“你无法进一步了解突触实际上到底是怎么回事，只能化为矩阵中的一个个数字，”Sussillo说。

尽管如此，人工神经网络已被证明对研究大脑很有用。如果这样的系统可以产生类似于从大脑记录的模式的神经活动模式，科学家就可以验证系统如何产生输出，然后推断大脑是如何完成同样的事情的。该方法可以应用于神经科学家感兴趣的任何认知任务，包括处理图像。“如果你可以训练一个神经网络去做，”Sussillo说，“那么也许你可以理解这个网络是如何运作的，然后用它来理解生物数据。”

处理数据

AI技术不仅能够方便地建模，生成信息，也能方便地处理数据。比如功能性核磁共振，会以每秒1-2毫米的分辨率捕捉大脑活动的图像，神经科学上的难点在于，如何在数据量巨大的图像信息中找到想要的信号。

使用机器分析这些数据可以加速研究。“这是神经科学如何完成的巨大变化，”Sussillo说。“研究生不需要做那么多盲目的工作 - 他们可以专注于更大的问题，同时可以通过自动化技术获得更准确的结果。“

斯坦福大学的计算神经学家Daniel Yamins正在开发一套能够模拟大脑活动的神经网络

再现感官

斯坦福大学计算神经科学家Daniel Yamins采用的方法是建立一个可以复制大脑数据的人工系统。2014年，当Yamins在麻省理工学院做博士后研究员时，他和同事训练了一个深度神经网络来预测猴子在识别某些物体时的大脑活动。这个网络架构具有两个主要特征。

首先，它是一个视网膜，也就是说大脑中的视觉处理途径反映了眼睛获取视觉信息的方式。其次，这个系统是分层的。皮层中的特定区域负责执行越来越复杂的任务，从仅识别物体轮廓的层，到识别整个物体的更高层。

研究人员对于网络高层运行机制的细节知之甚少，但最后结果是，大脑可以在不同的位置和不同的光照条件下成功识别物体，无论是目标因为距离的原因看上去或大或小，即使目标的一部分隐藏不见，也依然能识别。而计算机经常因这些障碍而陷入困境。

Yamins和他的同事根据与大脑相同的视网膜，分层构建了他们的深层神经网络，并展示了数千个64个物体的图像，这些物体的特征如大小和位置不同。当网络学会识别物体时，会产生几种可能的神经活动模式。研究人员将这些计算机生成的模式与猴子神经元记录的模式进行比较，同时执行类似的任务。事实证明，最能识别物体的网络，正是那些与猴子大脑最接近的活动模式。“你发现神经元的结构模仿了网络的结构，”Yamins说。研究人员能够将其网络区域与大脑的相应区域进行匹配，准确率约为70％。

在2018年，Yamins和他的同事使用听觉皮层实现了类似的壮举，他们打造了一个深度神经网络，能够识别2秒视频剪辑中的音乐单词和类型，其精度与人类相当。这一成果有助于研究人员确定大脑皮层的哪些区域负责语音和音乐的识别，而这是了解人类听觉系统的一小步。

一些常见问题：学习行为与智能的起源

计算机科学和认知科学正在解决一些重大问题，而研究如何在这两个领域中回答这些问题，可能会促进共同进步。其中一个问题就是：学习行为是如何发生的。神经网络主要执行监督学习。例如，为了掌握图像识别，它们可能会学习来自ImageNet数据集中的图像。网络对具有相同标签的图像（例如“猫”）的统一理解有共同之处。当学习新图像时，网络会检查它是否有类似的数字属性;如果找到匹配，就会将图像声明为“猫”的图像。

婴儿的学习方式显然不是这样，Tomaso Poggio说，他是MIT的计算神经科学家。“婴儿两岁之前就能看到大约相当于十亿张图像，”他说。但这些图像很少是被标记过的，只有一小部分对象会被主动指出并起名。“在机器学习中，我们还不知道如何应对这种情况，”Poggio说。“我们不知道如何让机器从大多数未标记的数据中学习。”

他的实验室项目还处于初始阶段，神经网络通过推断未标记视频中的模式执行无监督学习。“我们知道生物学上可以做到这一点，”Poggio说。“问题是怎么实现的。”

Yamins正在通过设计像游戏中的婴儿一样的程序来处理无人监督的学习，通过随机交互来审视环境，并慢慢了解世界是如何运作的。实际上是在以好奇心编码来激励计算机进行探索，希望能够出现新的行为。

另一个突出的问题是，智能的某些方面是否是由进化实现的。例如，人们似乎很容易识别面部，一个婴儿可以从生命的最初几个小时就实现了这一点。Poggio认为，这可能是我们的基因编码一种机制，用于在开发过程中快速及早地学习这类任务。分析这个想法是否正确，可能会计算机科学家们找到一种方法来推进机器学习的发展。

还有的研究人员正在研究道德的神经学基础。“人们都害怕'邪恶'的机器，如果我们想要建立‘善良’的机器，‘有道德’的机器，我们可能就能更充分地了解我们的道德行为是如何产生的。”

Yamins说，现在只凭神经科学很难揭示无监督学习的运行机制。“如果没有AI解决方案，如果没有任何人工构建的方式，就不可能建立起大脑的运作模型，” 他认为，计算机科学家更有可能提出一种或多种可供神经科学家测试的解决方案。“最终可能会发现他们错了，”他说，“但这难道不就是你研究的原因吗？”

解答这些谜语可以打造出更智能的机器，这些机器能够从环境中学习，并且可以将计算机的速度和处理能力与人类的更多能力结合起来。计算机的数据处理和建模能力已经带来了脑科学的进步。“人工智能将对神经科学产生巨大影响，”Sussillo说，“而我希望成为其中的一部分。”

参考链接：

https://www.nature.com/articles/d41586-019-02212-4?linkId=71700403