谷歌AI论观察碳基生物脑回路的正确姿势

近几年，人工智能发展迅速，

涌现出不少骚操作满满的AI。

如扬言要毁灭人类的机器人第一网红Sophia

及在围棋界吊打人类的AlphaGo

随着人类在人工智能领域的不断深入，

我们对AI的认知也逐渐加深，

那AI是如何“理解”我们的呢？

就让谷歌脑神经地图AI来告诉你

一只AI观察碳基生物脑回路的正确姿势。

第一步，就是选一个能够理解的研究对象，

所以人类是不可能选的，

只能挑个脑回路比较简单的小鸟欺负欺负这样子

选定研究对象后，就要确认研究内容：

小鸟究竟如何唱歌，及如何学习唱歌？

这两步都很简单，真正困难的是第三步：

对脑组织进行3D成像，制成脑神经地图，

帮助AI和人类研究鸟鸣时的大脑活动，

及大脑活动时走过的神经路线。

为了确保脑神经地图的精准，

不仅要对脑组织进行纳米级成像，

还要分析图像数据，

找到细胞与细胞之间的突触连接。

这就对画面质量提出了极高的要求，

因此就算是一立方毫米的脑组织

也能产生 1000 多 TB 的数据，

极大增加了数据自动读取的难度，

更遑论要在数以亿计的细胞中，

追踪神经突触了。

在传统算法中，

寻找神经突触至少需要两步：

即利用边缘检测器或机器学习分类器

找到神经突触之间的边界，

再使用分水岭或图像分割等算法

将每个像素分配到对应的组别，

没有被分割线隔开的像素，

则会被分到一起。

而谷歌和马克思·普朗克研究所（MPI）合作，

尝试将这两个步骤并做一步：

他们把一个基于循环神经网络的算法

嵌在特定的像素位置上，

再用循环卷积神经网络预测

哪些像素和这个种子像素相同，

最后用Flood Filling算法，

为这些像素自动填上相同的颜色。

那么这种合二为一的方式准确率如何？

又该如何测量精准度呢？

谷歌和MPI设计出一种

叫做“预期运行长度（ERL）”的度量标准，

用来测量给定某个神经元上的某个随机点后，

算法会在跟踪多远后出错。

下图中蓝线代表预期追踪距离

红线表示将两个神经元认成一个的出错频率

结果显示，随着时间的推移，

预期追踪距离和出错频率都出现可观的进步，

用谷歌原话来说，

就是准确度比以前提升了“一个数量级”。

那么这一切是如何帮助

AI和人类观察鸟鸣时的大脑活动呢？

谷歌团队用上述算法为

一只珍珠鸟做了部分脑神经地图，

并且已经用这些脑神经地图

来研究鸟鸣时的大脑活动了。

虽然现在还未能彻底揭秘

鸟鸣时小鸟的脑回路，

但易点君相信随着科技发展，

人们对自然及自身的认识会不断加深。

而人工智能，

也会从方方面面影响甚至改变人们的生活——

至少，谷歌已经用AI来优化广告，

让你的Google AdWords广告变得更精准啦~