设计人工大脑可以帮助我们更多地了解真实的大脑

           了解大脑的计算是如何出错的，可以帮助科学家开发神经紊乱的治疗方法。

尽管花费了数十亿美元和数十年的研究，人脑的计算在很大程度上仍然是个谜。与此同时，我们在人工神经网络的发展上也取得了长足的进步，这些神经网络的设计可以粗略地模仿大脑的计算方式。我们已经从这些人工大脑中学到了很多关于神经计算的本质，现在是时候把我们学到的应用到生物学上了。

神经系统疾病在世界范围内呈上升趋势，这使得更好地理解大脑的计算成为一个紧迫的问题。鉴于现代人工神经网络具有解决复杂问题的能力，一个由机器学习洞察力(machine learning insights)指导的神经科学框架，可能会解开有关我们大脑及其如何失灵的宝贵秘密。

我们的思想和行为是由大脑中的计算产生的。为了有效地治疗那些改变我们思维和行为的神经系统疾病，比如精神分裂症或抑郁症，我们可能必须了解大脑的计算是如何出错的。

然而，理解神经计算已经被证明是一个非常困难的挑战。当神经科学家记录大脑的活动时，通常是无法解释的。

在《自然神经科学》(Nature Neuroscience)上发表的一篇论文中，我和我的合著者认为，我们从人工神经网络中学到的经验教训，可以引导我们正确理解大脑是一个计算系统，而不是一群无法破译的细胞。

大脑网络模型

人工神经网络是一种模拟真实神经元的整合和激活特性的计算模型。它们在人工智能领域无处不在。

要构建人工神经网络，首先要设计网络架构:网络的不同组件如何相互连接。然后，您定义架构的学习目标，例如“学习预测您接下来将看到什么。”然后，定义一个规则，告诉网络如何更改，以便使用它接收到的数据实现这个目标。

你没有指定网络中的每个神经元是如何工作的。你让网络来决定每个神经元应该如何工作以最好地完成任务。我相信大脑的发展可能是类似过程的产物，无论是在进化的时间尺度上，还是在个体一生中学习的时间尺度上。

神经元分配角色

这就对试图确定大脑中单个神经元的功能的有效性提出了质疑，因为这些神经元很可能是优化过程的结果，就像我们在人工神经网络中看到的那样。

人工神经网络的不同组成部分通常很难理解。没有简单的语言或简单的数学描述来解释它们的行为。

在我们的论文中，我们提出同样的道理也适用于大脑，所以我们必须放弃试图理解大脑中每个神经元的作用，而是看看大脑的结构，也就是它的网络结构;优化目标，无论是在进化的时间尺度，还是在人的一生;以及为了达到这些目标，大脑通过代代相传或终生更新自身的规则。通过定义这三个组成部分，我们可以更好地理解大脑是如何工作的，而不是试图表述每个神经元的功能。

优化框架

这种方法的一个成功应用表明，大脑中释放多巴胺的神经元似乎编码有关意外奖励的信息，例如，一些食物的意外传递。这种信号被称为奖励预测错误，经常被用来训练人工神经网络，使其获得的奖励最大化。

例如，通过编程一个人工神经网络来将在视频游戏中获得的分数解释为奖励，您可以使用奖励预测错误来训练网络如何玩视频游戏。在真实的大脑中，就像在人工神经网络中一样，即使我们不理解每一个单独的信号意味着什么，我们也可以理解这些神经元以及接收到它们的信号的神经元在最大化奖励学习目标中的作用。

虽然系统神经科学的现有理论是美丽和深刻的，但我相信，一个建立在进化和学习塑造我们大脑的方式上的有凝聚力的框架可以填补很多我们一直在努力解决的空白。

要在系统神经科学方面取得进展，既需要自下而上的描述性工作，如追踪大脑细胞的连接和基因表达模式，也需要自上而下的理论工作，如使用人工神经网络来理解学习目标和学习规则。

鉴于现代人工神经网络具有解决复杂问题的能力，一个由机器学习洞察力(machine learning insights)指导的系统神经科学框架可能会解开有关人类大脑的宝贵秘密。