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(dāng)?shù)娜斯ぶ悄埽ˋI）來說，人類大腦就是一個(gè)至高無上的靈感來源。持這種觀點(diǎn)的不止他一個(gè)。深度學(xué)習(xí)的成功向人們展示了如何把來自神經(jīng)科學(xué)的啟迪（記憶、學(xué)習(xí)、決策、視覺）轉(zhuǎn)換成各類算法，并以此把我們?nèi)祟悘?qiáng)大認(rèn)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(xué)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(xué)和人工智能之間的共生關(guān)系。這兩個(gè)領(lǐng)域之間的交叉與相互促進(jìn)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(xué)家們希望通過機(jī)器語言從數(shù)學(xué)角度解開有效、高效學(xué)習(xí)之謎；而在神經(jīng)科學(xué)領(lǐng)域，我們仔細(xì)剖析了兩耳間這三磅脂肪團(tuán)的里里外外，希望通過研究這絕無僅有的實(shí)例來理解智能問題。沒錯(cuò)，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(xué)生物醫(yī)學(xué)工程師，主攻大腦信號控制機(jī)械肢體方向的塞詹·潘德瑞納斯（Chethan Pandarinath）博士看來，神經(jīng)科學(xué)-人工智能之間的聯(lián)系正在形成一個(gè)完整的循環(huán)。

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

第一個(gè)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(xué)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(gè)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(xué)紛繁復(fù)雜的基礎(chǔ)概念的絕好實(shí)驗(yàn)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(jìn)行計(jì)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(xué)相互促進(jìn)的三種寶貴方式。

1 整理數(shù)據(jù)

雖然從神經(jīng)科學(xué)誕生的時(shí)候起，數(shù)學(xué)方程就融于其中了，但一直以來，這個(gè)領(lǐng)域?yàn)槠平獯竽X之謎而采取的實(shí)驗(yàn)手法始終都要依賴那些可以觀察的生物學(xué)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(shí)代來了。

神經(jīng)科學(xué)家突然就擁有了可以在基因?qū)用婷枥L單個(gè)神經(jīng)元，或是運(yùn)用數(shù)字手段重建海量神經(jīng)連接的工具，而不用再挨個(gè)研究蛋白質(zhì)和大腦區(qū)域了。例如，生物化學(xué)中各類“組學(xué)”的興起，也就是在一定生物學(xué)層面上的全腦研究，其中包括基因組學(xué)、表觀基因組學(xué)、代謝組學(xué)，以及我們很快就會歸類出來的各種組學(xué)。就映射神經(jīng)連接這項(xiàng)工作來說，細(xì)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(shí)的方法?，F(xiàn)在大家常用的方法是進(jìn)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(shí)間跨度內(nèi)考察全腦基因表達(dá)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(yùn)動乃至特定記憶聯(lián)系起來——至少是在成百上千個(gè)神經(jīng)元這樣的規(guī)模上進(jìn)行的。

我們還會用大腦的活動模式控制機(jī)械手臂。例如，潘德瑞納斯一直在研究的課題：在控制手臂運(yùn)動的1千萬至1億個(gè)神經(jīng)元中，一次性研究其中大約200個(gè)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(xì)微行為相關(guān)的電子指紋。計(jì)算機(jī)還可以挖掘出這些激活模式隨時(shí)間改變的方式，編寫控制機(jī)械手臂所需的高精細(xì)度操作手冊。

類似地，人工智能還大大加速了大腦映射項(xiàng)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(jì)算機(jī)視覺甚至可以幫助分析那些負(fù)責(zé)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(wù)上——也就是解決根本問題——并得到更準(zhǔn)確的結(jié)果。

就現(xiàn)在的情況來說，神經(jīng)科學(xué)領(lǐng)域積攢的大部分?jǐn)?shù)據(jù)集都以非標(biāo)準(zhǔn)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(jī)接口先驅(qū)、加州大學(xué)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(xiàng)目的驅(qū)動，將建立標(biāo)準(zhǔn)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(jī)器學(xué)習(xí)的標(biāo)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(yùn)動問題

現(xiàn)代深度學(xué)習(xí)的概念起源于20世紀(jì)60年代對視覺通路的研究。因此，神經(jīng)科學(xué)家現(xiàn)在使用人工智能重新檢驗(yàn)有關(guān)大腦加工感官和運(yùn)動信息的觀點(diǎn)，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(tuán)隊(duì)設(shè)計(jì)了一種名叫“XDREAM”的生物學(xué)算法，以此來研究一種神秘視覺細(xì)胞的“視覺字母表”。這個(gè)算法最終生成了大量圖像。這些圖像運(yùn)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(xì)胞語言，從而為研究者提供了一個(gè)可供進(jìn)一步測試的基本觀點(diǎn)。另一項(xiàng)近期開展且運(yùn)用了卷積神經(jīng)網(wǎng)絡(luò)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(yùn)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(xué)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(biāo)是究明目標(biāo)識別過程中的神經(jīng)網(wǎng)絡(luò)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(xùn)練了一張深度神經(jīng)網(wǎng)絡(luò)，并且發(fā)現(xiàn)這個(gè)網(wǎng)絡(luò)中的神經(jīng)活動與在猴子執(zhí)行類似目標(biāo)辨別任務(wù)時(shí)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(xué)家從新的角度認(rèn)識大腦處理此類任務(wù)所采取的方式?！叭绻阌?xùn)練神經(jīng)網(wǎng)絡(luò)做這些事，”谷歌大腦（Google Brain）的計(jì)算神經(jīng)科學(xué)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(luò)的運(yùn)作方式，進(jìn)而利用這點(diǎn)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(dǎo)理論和實(shí)踐。它可以扮演體現(xiàn)大腦活動表征的過渡替身角色，科學(xué)家就不用在提出假設(shè)之后，直接拿到動物身上檢驗(yàn)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(gè)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(yùn)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(jī)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(xué)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(yùn)動問題的策略也有助于我們破解更多抽象的大腦功能，當(dāng)然具體實(shí)施起來要復(fù)雜得多。例如，在計(jì)算機(jī)芯片中模擬負(fù)責(zé)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(rèn)知過程卸載到“記憶補(bǔ)丁”上，待到記憶所有人年邁或遭遇嚴(yán)重腦損傷之后再從這些補(bǔ)丁上把記憶加載回去。美國國防部高級研究計(jì)劃局（DARPA）已經(jīng)在開展此類實(shí)驗(yàn)了。其他實(shí)驗(yàn)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(diǎn)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(shí)做出反應(yīng)來抵消這些癥狀。

在這兩個(gè)例子中，人工智能集中在幫助神經(jīng)科學(xué)家破解所謂的神經(jīng)密碼——形成思維或行為的各個(gè)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(diǎn)放在了驅(qū)動人工智能類人工作的數(shù)學(xué)理念上，并且提出問題：這些數(shù)學(xué)理念是否也存在于我們的大腦中。長久以來，認(rèn)知科學(xué)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(xué)方法）是否也影響了我們認(rèn)識世界、做出決策的方式?？茖W(xué)家發(fā)現(xiàn)，受貝葉斯定理啟發(fā)而設(shè)計(jì)的人工智能有時(shí)可以仿真人類認(rèn)知過程，這重新點(diǎn)燃了正反兩方的辯論熱情。

當(dāng)然，人工智能的輸出與大腦的真實(shí)輸出頗為相似，僅這一點(diǎn)并不意味著大腦就是像人工智能那樣工作的。與機(jī)器智能不同，我們的大腦是進(jìn)化壓力下的產(chǎn)物。我們大腦掌握的那些高效學(xué)習(xí)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(gè)或更多可供神經(jīng)科學(xué)家通過實(shí)驗(yàn)驗(yàn)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(xué)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。