人工智能在生物学和神经科学中的应用

什么是人工智能？

人工智能（AI）一词没有严格的定义。广义上说，人工智能指的是旨在模仿人类智能的计算机系统，其目标是执行人类可以完成的任何任务（图1）。人工智能通常被认为是计算机科学的一个子领域，但它与其他几个研究领域密切相关，包括数据科学和机器学习，以及统计学。人工智能在科学领域的大部分前景来自于它在大型数据集中发现（或“学习”）结构的能力，以及使用这种结构来做出预测甚至执行任务的能力。这种人工智能系统的优势可以补充人类的优势。例如，人工智能系统能够在非常高维的数据中看到模式，因此可以作为一个强大的工具来帮助而不是取代人类研究人员。几乎所有的现代人工智能系统都依赖于人工神经网络（ANN）的变化，这是受到神经系统组织的启发。

图1.现代人工智能成功的例子。这个插图是由一个“文本到图像”的人工智能系统自动生成的。该系统的输入是文本提示，“三个盲人触摸一只大象，试图弄清楚它是什么，除了这些盲人是人形机器人。”

人工智能有三种从数据中提取结构的经典范例。在“监督学习”中，数据由成对的数据组成——一个输入项目（例如，一个大象的图像）和它的标签（例如，单词“大象”）——其目标是预测新项目的标签。监督学习可以被看作是一种特别强大的非线性回归形式。在“无监督学习”中，“数据没有标签，其目标是找到潜在的统计结构（例如，从一组狩猎图片中推断出大象和长颈鹿的存在）。” 无监督学习可以看作是经典统计技术的推广，如聚类和主成分分析。（许多现代人工智能系统也依赖于“自我监督学习”，通过使用自动方法对数据进行标记，例如，对不同的对象应用相同的标签，从而实现与无监督学习相同的目标）。最后，在“强化学习”中，“任务是利用从之前的行动中获得的奖励信息，发现实现某些目标的策略。”强化学习方法最近已被用于在国际象棋和围棋等游戏中实现超人的表现，以及在新药物的设计中。

接下来，我们首先讨论人工智能工具在分析和解释生命科学数据方面的影响，特别关注神经科学。然后，我们关注人工智能的第二个应用，特定是神经科学，即神经网络被用作生物神经网络如何计算的模型。这篇评论补充了最近几个关于人工智能在生物学和医学上的应用的综述。

用于分析和解释数据的人工智能工具

人工智能的第一个重要应用涉及开发分析和解释数据的工具。例如，运动跟踪软件Deeplabcut，它依赖于人工智能工具，现在可以分析视频为了识别和/或标签动物的精确姿态，使更精确的描述动物行为（个人和社会群体）在神经记录或扰动。机器学习的另一个应用是利用机器学习的分割和跟踪算法从串行电子显微镜数据中重建突触连接图，到目前为止，它已经重建了整个果蝇的大脑、整个小鼠视网膜和一个立方毫米的小鼠V1脑区。这样的系统正在改变实验数据的收集和解释的方式。

虽然这篇评论的主要焦点是人工智能在神经科学中的应用，但人工智能在生物学的许多其他领域也有应用。例如，人工智能在蛋白质建模、基因序列分析、医学诊断和药物发现等各个领域都有重要的应用。一个惊人的突破是Alphafold-2，一种基于人工智能的预测一维氨基酸预测三维蛋白质结构序列，最近在最近的比赛中跨越了所有以前的算法。我们可以期待在未来几年在广泛的领域取得更多这样的突破。

用于大脑建模的人工智能工具

人工智能的第二个重要应用涉及到使用人工神经网络作为神经计算的模型。ANN最初是作为大脑的模型开发的。开创性的研究人员，如约翰·冯·诺伊曼（发明了现代“冯·诺伊曼”计算机架构）和弗兰克·罗森布拉特（他发明了“感知器”的第一个神经网络系统学习的例子），作为他们的目标不仅建立机器可以模仿人类思想和推理，也了解大脑计算。20世纪80年代，认知科学家进一步利用人工神经网络作为真实神经计算的模型，他们的明确目标是理解和建模人类认知。同样，20世纪80年代导致强化学习发展的研究也主要关注动物如何从“试错”中学习。事实上，在那个时候，认知科学的一个关键驱动前提是，我们可以将智力作为一种普遍现象来研究，使用人工智能模型来理解思维，进而利用我们对思维的理解来构建更好的人工智能系统。研究人员从不同的领域，包括那些使用神经网络或强化学习模型和那些使用更传统的逻辑模型（有时被称为“老式的人工智能，或GOFAI），认为神经科学/心理学和人工智能关心许多相同的问题，这将受益于跨学科的互动。

尽管人工智能模型在认知科学和神经科学中的应用在20世纪90年代和21世纪初失去了青睐，但最近“深度学习”的成功在过去十年里重新点燃了人们对这些方法的兴趣。多亏了更大的计算能力、更大的数据集和对模型的一些新调整，人工智能研究人员能够设计出人工神经网络，最终实现它们的潜力。在过去的十年里，人工智能解决扩散问题的能力取得了惊人的进步，这些问题曾经被认为是人工系统棘手的问题。在此期间，神经科学家也开始将ANN作为其最初的目的，作为真实神经计算的模型。在某种程度上，这些最近的成功得益于新开发的监测大量神经元活动的实验技术。这使得研究人员能够更直接地比较神经网络和真实的大脑，从而发现在相关任务训练的神经网络中出现的表征与真实大脑中看到的有惊人的相似之处。这种对应关系已经出现在许多大脑区域的前馈和循环神经网络中，包括低水平和高级视觉区、语言区、运动区和前额叶区（图2A）。例如，研究发现，颞下皮层是一个对代表灵长类动物的物体身份至关重要的区域，它在空间上被组织成一个物体空间的地图，其两个轴与经过物体分类训练的深度网络的后期层相同。与此同时，对理解大脑中的学习和可塑性感兴趣的计算神经科学家开始研究用于训练人工神经网络的技术，并发现在理论上，一些相同的原理可以在大脑中运行（图2B）。其结果是，使用人工智能系统来模拟动物行为和认知的许多方面的研究已经大量增加。

图2. 人工神经网络是如何帮助我们理解大脑的功能和可塑性的。(A)人工神经网络为神经科学家提供了一套丰富的模型来解释大脑不同区域的神经活动，这是朝着理解大脑如何完成面部识别等复杂功能迈出的重要一步。研究人员可以向动物展示一组刺激，记录该区域神经元的反应，然后询问不同的神经网络捕捉这些反应的效果如何。一种流行的策略是将一个神经元建模为人工神经网络单元的线性组合，然后询问神经反应中有多少差异可以用线性模型来解释。(B)在大脑和人工神经网络中，都有许多可能的突触路径，从输入到输出。例如，这里有三种可能的路径和六种可能的突触。这使得要知道在学习过程中哪些突触应该改变具有挑战性，这个问题被称为“信用分配问题”。人工神经网络通过使用损失函数的梯度来确定如何改变突触来解决这个问题。最近在计算神经科学方面的工作表明，大脑的机制可以使其接近梯度下降。

还有一种新的希望是，神经科学将能够为新的神经网络方法的发展提供更多的见解，从而进一步推进人工智能的状态。在很多领域，大脑明显优于人工神经网络为新的、受神经系统启发的人工神经网络模型提供了丰富的基础。其中一个例子是灾难性遗忘的机器学习问题，即学习新的例子会导致对旧样本的遗忘。美国国防部高级研究计划局最近对解决这个问题提出的重大挑战表明，“重播”是最有效的解决方案。这是一种由海马体重新激活已经习得的记忆的生物学机制。另一种研究方向来自于人们认识到，许多动物（包括人类）的行为都是天生的，因此以某种方式嵌入到基因组中。这激发了创建神经网络的尝试，其结构与生物网络的结构一样，必须通过“基因组瓶颈”。人们越来越认识到，神经科学在指导未来的人工智能创新方面可以发挥作用。

未来展望

人工智能正通过提供分析高维数据的新工具来影响着所有的科学学科。特别是，在神经科学领域，人工智能提供了强大的新模型来解释大脑如何计算。使用人工智能作为神经计算的模型可以被认为是人工智能最初的出生目的的实现。然而，人工智能也显示出自己是一个真正具有颠覆性的、具有范式转变的孩子，最近的进展迫使神经科学家重新思考他们工作的整个认识论基础。理解大脑意味着什么？在神经科学的大部分历史中，答案是，理解需要“能够用一个简单的模型来解释尽可能多的神经活动”。例如，Hubel和Wiesel的初级视觉皮层神经元作为边缘探测器的模型被认为是成功的，因为它可以用一个单一参数模型（“边缘取向”）来解释神经元对各种不同刺激的刺激诱发反应。然而，随着包含数百万个参数的模型的出现，“简单解释”的概念现在变得模糊起来。用一个包含无数单元的神经网络来解释一个大脑区域的价值是什么？许多答案是可能的，例如，使新的预测（即使天气模型包含数百万的参数，它仍然是有用的，如果它可以准确地预测天气），识别最优架构和大脑使用的学习规则（这些系统描述更低维度，因此理解模式的权重和刺激选择性的单位），或使重要的实际应用（例如，脑机接口和感觉假肢）。

伟大的物理学家理查德·费曼曾说过：“我不能理解我不能创造的，”但最近人工智能的成功表明，“我甚至连我能建造的东西都不能理解。”即使在深度学习领域，也有一种强烈的感觉，即这些模型令人震惊地、不合理地有效。该领域目前正以一种进化模式发展，在这种模式中，最成功的模型上升到顶端，不是由于基于基本原理的工程，而是由于适者生存。因此，人们对机器学习理论的兴趣越来越浓厚，希望对有效模型有更深入的理解（例如，已经出现的一个见解是，深度网络不会陷入局部极小值，因为在高维中，真正的局部极小值几乎是不存在的）。对于一个神经科学家来说，这就提出了一个问题：当我们甚至不理解完全透明的深度网络的原则时，我们发明了难以置信的技术克服了记录包裹在一个硬和不透明的头骨中脆弱的脑组织的微小神经元的活动的的挑战，并且在应对任何刺激/干扰时每个单位的活动都可以立即测量，这样的价值是什么？一个意志坚定的研究生可能会回答说：“机器是没有意识的，我想理解一种能够产生意识的智力。”但是，如果有一天机器断言它们是完全意识的——甚至可能向我们惊呼它们是多么强烈地梦想着理解意识，那该怎么办呢？神经科学家——至少是那些想要理解大脑的科学家——然后放下他们的显微镜，扔掉电极吗？

参考文献：The application of artificial intelligence to biology and neuroscience