神經(jīng)科學引入AI得到的啟示

編譯 喬琦

深度思維（DeepMind）創(chuàng)始人丹米斯·哈撒比斯（Demis Hassabis）曾經(jīng)指出，對于構(gòu)建智能水平與人類相當?shù)娜斯ぶ悄埽ˋI）來說，人類大腦就是一個至高無上的靈感來源。持這種觀點的不止他一個。深度學習的成功向人們展示了如何把來自神經(jīng)科學的啟迪（記憶、學習、決策、視覺）轉(zhuǎn)換成各類算法，并以此把我們?nèi)祟悘姶笳J知能力賦予人工智能的硅大腦。

不過，人工智能又會對神經(jīng)科學的發(fā)展有何啟示呢？2019年8月，《自然》雜志策劃了一系列文章，凸顯了神經(jīng)科學和人工智能之間的共生關(guān)系。這兩個領(lǐng)域之間的交叉與相互促進由來已久。根本來說，它們致力于解決的中心問題是一樣的，那就是智能，只不過研究角度不同，抽象化的程度也不同。在人工智能領(lǐng)域，科學家們希望通過機器語言從數(shù)學角度解開有效、高效學習之謎；而在神經(jīng)科學領(lǐng)域，我們仔細剖析了兩耳間這三磅脂肪團的里里外外，希望通過研究這絕無僅有的實例來理解智能問題。沒錯，我們就是證明人工智能可行的活證據(jù)。

在亞特蘭大佐治亞理工大學生物醫(yī)學工程師，主攻大腦信號控制機械肢體方向的塞詹·潘德瑞納斯（Chethan Pandarinath）博士看來，神經(jīng)科學-人工智能之間的聯(lián)系正在形成一個完整的循環(huán)。

人工智能正迅速成為神經(jīng)科學領(lǐng)域的重要工具，這主要體現(xiàn)在兩個方面。

第一個方面是技術(shù)。憑借處理海量信息并從中發(fā)現(xiàn)相關(guān)模式的能力，人工智能融入神經(jīng)科學研究方法（尤其是管理和探究大腦活動方面的）中去的現(xiàn)象已經(jīng)愈發(fā)常見了。第二個方面或許更令人激動。隨著算法不斷演化出與大腦類似的輸出，它們已經(jīng)成為測試神經(jīng)科學紛繁復雜的基礎(chǔ)概念的絕好實驗田。在某些案例中，人工智能會抽象出大腦在做什么的高級概念，哪怕這些算法在進行計算的過程與我們的大腦活動有極大的差別。

以下討論了AI和神經(jīng)科學相互促進的三種寶貴方式。

1 整理數(shù)據(jù)

雖然從神經(jīng)科學誕生的時候起，數(shù)學方程就融于其中了，但一直以來，這個領(lǐng)域為破解大腦之謎而采取的實驗手法始終都要依賴那些可以觀察的生物學部件，比如感受器、神經(jīng)遞質(zhì)和信號分子。然后，大數(shù)據(jù)時代來了。

神經(jīng)科學家突然就擁有了可以在基因?qū)用婷枥L單個神經(jīng)元，或是運用數(shù)字手段重建海量神經(jīng)連接的工具，而不用再挨個研究蛋白質(zhì)和大腦區(qū)域了。例如，生物化學中各類“組學”的興起，也就是在一定生物學層面上的全腦研究，其中包括基因組學、表觀基因組學、代謝組學，以及我們很快就會歸類出來的各種組學。就映射神經(jīng)連接這項工作來說，細致入微地說明神經(jīng)元物理連接的方式在人工智能出現(xiàn)后已經(jīng)迅速變成了過時的方法。現(xiàn)在大家常用的方法是進一步把大腦圖譜和其他功能圖譜聯(lián)系起來，比如，在逐漸變長的時間跨度內(nèi)考察全腦基因表達模式?，F(xiàn)在，解析神經(jīng)信號事宜——并且把特定的激活模式同感官、運動乃至特定記憶聯(lián)系起來——至少是在成百上千個神經(jīng)元這樣的規(guī)模上進行的。

我們還會用大腦的活動模式控制機械手臂。例如，潘德瑞納斯一直在研究的課題：在控制手臂運動的1千萬至1億個神經(jīng)元中，一次性研究其中大約200個神經(jīng)元發(fā)出的信號。而這就是人工智能可以發(fā)揮作用的地方：相關(guān)算法可以幫助識別數(shù)據(jù)中的底層結(jié)構(gòu)——哪怕它們深埋在噪聲之中——從而提取出與特定細微行為相關(guān)的電子指紋。計算機還可以挖掘出這些激活模式隨時間改變的方式，編寫控制機械手臂所需的高精細度操作手冊。

類似地，人工智能還大大加速了大腦映射項目和腦功能成像技術(shù)方面的研究，它可以輕松處理這類研究中需要處理、重構(gòu)、注解的海量圖像文件。計算機視覺甚至可以幫助分析那些負責檢測神經(jīng)死亡或蛋白質(zhì)濃度水平的小規(guī)模大信息量圖像。有了人工智能的幫助，研究人員就可以把精力集中在重要事務上——也就是解決根本問題——并得到更準確的結(jié)果。

就現(xiàn)在的情況來說，神經(jīng)科學領(lǐng)域積攢的大部分數(shù)據(jù)集都以非標準的專有形式埋藏在本地硬盤中。隨著神經(jīng)數(shù)據(jù)無國界（NWB）——腦機接口先驅(qū)、加州大學舊金山分校的洛倫·弗蘭克（Loren Frank）博士就是其創(chuàng)始人之一——這類項目的驅(qū)動，將建立標準化數(shù)據(jù)結(jié)構(gòu)，越來越多的數(shù)據(jù)會上傳到云端，并且?guī)е晒C器學習的標簽。未來將會出現(xiàn)更多人工智能對大腦的洞見。

2 解決感官和運動問題

現(xiàn)代深度學習的概念起源于20世紀60年代對視覺通路的研究。因此，神經(jīng)科學家現(xiàn)在使用人工智能重新檢驗有關(guān)大腦加工感官和運動信息的觀點，也就不足為奇了。

例如，瑪格麗特·利文斯頓（Margaret Livingstone）博士領(lǐng)銜的一支哈佛團隊設計了一種名叫“XDREAM”的生物學算法，以此來研究一種神秘視覺細胞的“視覺字母表”。這個算法最終生成了大量圖像。這些圖像運用光柵和抽象形狀把臉部糅合成了一種此前不為人知的細胞語言，從而為研究者提供了一個可供進一步測試的基本觀點。另一項近期開展且運用了卷積神經(jīng)網(wǎng)絡的研究發(fā)現(xiàn)，人類視覺系統(tǒng)會自動植入情感方面的信息，這和人們的普遍觀念大相徑庭。

這些研究并沒有停留在理論層面。究明人類大腦處理感官和運動信息的方式對制造更逼真、受大腦控制程度更高的假肢有著極為重要的意義。與利文斯頓博士類似，斯坦福大學的丹尼爾·雅明斯（Daniel Yamins）博士同樣致力于視覺方面的工作，但他的目標是究明目標識別過程中的神經(jīng)網(wǎng)絡活動。雅明斯根據(jù)我們現(xiàn)在對視覺系統(tǒng)架構(gòu)的理解建立并訓練了一張深度神經(jīng)網(wǎng)絡，并且發(fā)現(xiàn)這個網(wǎng)絡中的神經(jīng)活動與在猴子執(zhí)行類似目標辨別任務時記錄到的活動吻合。幾年后，他又以聽覺皮層為對象，開展了相同的研究。

仿真視覺或聽覺的算法激發(fā)了科學家從新的角度認識大腦處理此類任務所采取的方式。“如果你訓練神經(jīng)網(wǎng)絡做這些事，”谷歌大腦（Google Brain）的計算神經(jīng)科學家大衛(wèi)·蘇西洛（David Sussillo）博士說，“那么你或許就能理解這種網(wǎng)絡的運作方式，進而利用這點理解相關(guān)的生物數(shù)據(jù)。”

換句話說，人工智能模型可以起到模擬大腦的作用，指導理論和實踐。它可以扮演體現(xiàn)大腦活動表征的過渡替身角色，科學家就不用在提出假設之后，直接拿到動物身上檢驗了。這類模擬允許“干跑”（dry-runs）擾動神經(jīng)活動并且觀察隨后的結(jié)果，而不用把電極連到人身上。這個想法——雖然還剛剛起步——已經(jīng)得到了越來越多的支持并且開始了商業(yè)化運作。

這些結(jié)果在智能假肢與大腦之間架起了一座橋梁，也就是由大腦控制的機械假肢或外骨骼，以及可以繞過眼睛和耳朵直接激活相關(guān)大腦區(qū)域的視覺、聽覺假體。近期，加州大學舊金山分校在Facebook的資金支持下，發(fā)布了一款通過閱讀腦電波精確解碼語音的系統(tǒng)。

3 破解神經(jīng)密碼

上述這些解決感官和運動問題的策略也有助于我們破解更多抽象的大腦功能，當然具體實施起來要復雜得多。例如，在計算機芯片中模擬負責記憶功能的神經(jīng)回路未來有可能會把記憶或其他更高級的認知過程卸載到“記憶補丁”上，待到記憶所有人年邁或遭遇嚴重腦損傷之后再從這些補丁上把記憶加載回去。美國國防部高級研究計劃局（DARPA）已經(jīng)在開展此類實驗了。其他實驗中的大腦假體包括一些智能植入物，它們可以檢測神經(jīng)活動，重點尋找是否有即將發(fā)生癲癇或抑郁的跡象，并且在發(fā)病前及時做出反應來抵消這些癥狀。

在這兩個例子中，人工智能集中在幫助神經(jīng)科學家破解所謂的神經(jīng)密碼——形成思維或行為的各個神經(jīng)元組的激活模式。大腦植入物已經(jīng)有幾十年的歷史了，但最近人工智能的注入使其內(nèi)部過程（比如識別神經(jīng)活動的脈沖峰）變得高效多了。

最后，還有一種稍有爭議的方法，它把重點放在了驅(qū)動人工智能類人工作的數(shù)學理念上，并且提出問題：這些數(shù)學理念是否也存在于我們的大腦中。長久以來，認知科學家一直想知道貝葉斯定理（一種把證據(jù)納入現(xiàn)有理念的數(shù)學方法）是否也影響了我們認識世界、做出決策的方式。科學家發(fā)現(xiàn)，受貝葉斯定理啟發(fā)而設計的人工智能有時可以仿真人類認知過程，這重新點燃了正反兩方的辯論熱情。

當然，人工智能的輸出與大腦的真實輸出頗為相似，僅這一點并不意味著大腦就是像人工智能那樣工作的。與機器智能不同，我們的大腦是進化壓力下的產(chǎn)物。我們大腦掌握的那些高效學習方式很可能和生存本能緊密聯(lián)系在一起，這是人工智能模型可能無法捕捉到的信息。

相比直接給出三磅宇宙之謎的答案，人工智能更有可能給出一個或更多可供神經(jīng)科學家通過實驗驗證的解決方案。無論如何，人工智能帶來的沖擊已經(jīng)從本質(zhì)上改變了神經(jīng)科學生態(tài)圈，并且這種影響未來只會有增無減。

“我希望能成為這場偉大變革的一部分?！碧K西洛說。