芯耀
23
大腦，可以說是人類身上最奇妙的器官。但有趣的是，關于大腦研究的熱度，似乎并不是跟著醫(yī)學發(fā)展曲線前進，而是跟著智能科技的發(fā)展前行的。
或許因為人工智能本身就是為了模擬人類智慧出現，于是幾乎在人工智能發(fā)展的每個周期之中，往往是當我們受算力或應用環(huán)境一類基礎所限，AI 技術無法產生效率上的突破時，便會轉向對人腦的研究，試圖用計算機來模擬大腦的運轉方式。
現如今，雖然深度神經網絡應用越來越廣泛，我們卻也能越來越多地發(fā)現人腦運作的特殊性。
例如同樣是辨識動物，深度神經網絡需要在黑箱中投入大量長頸鹿的圖片，才能讓 AI 辨識出“長頸鹿本鹿”。但對于人類兒童來說，通常見過一次長頸鹿圖片，就能識別出長頸鹿的骨架。
這一神秘的認知過程，值得被不斷探索推演。
對 1 立方毫米的腦組織進行逆向工程
近年來一項名為 Machine Intelligence from Cortical Networks（皮層網絡機器智能，以下簡稱 Microns）的項目為行業(yè)提供了全新的思路——對于大腦灰質皮層進行“逆向工程”，破解出其中的運行策略，轉換成可為機器所用的算法。
這一項目來自 2013 年奧巴馬政府提出的“BRAIN 倡議”，通過一億美金的支持，倡導科學家們從認知科學、神經科學、融合科學等多個角度來對人類大腦的運行方式進行研究。
這一倡議被視作第二個人類基因組計劃——后者由多個國家的政府、學術機構共同參與，耗時十三年對人類基因組進行測序。曾經有很多人質疑過人類基因組計劃的意義，但如今這一項目正在遺傳學研究上發(fā)揮著重要意義。
Microns 目前是該倡議中完成度最高的項目，由美國高級情報研究計劃署主導資助。具體研究方式是，繪制出一塊 1 立方毫米的小鼠腦組織神經元結構，研究其神經元間電路連通的模式，從而逆向推演動物的大腦如何對外界刺激進行反應。
1 立方毫米的小鼠腦組織，與人類相比，只達到了人類大腦體積的百萬分之一?？杉幢闳绱耍匀灰馕吨?5 萬個互相連接的神經元，以及 5 億個突觸。
我們知道，逆向工程意味著在已知某一產品的最終形態(tài)后，重新推演這項產品的誕生過程。那么面對這樣龐大的問題，要怎樣進行“逆向工程”呢？
從顯微鏡到 DNA，
記錄神經元運動都有哪些方式？
美國高級情報研究計劃署選擇和三個研究團隊合作，三種方式齊頭并進一起對 1 立方毫米的小鼠腦組織進行研究。
哈佛大學選擇的是電子顯微鏡。通過對大鼠注入熒光蛋白并進行訓練，為大鼠播放視頻刺激大腦活動，當神經元活動時，熒光蛋白中的鈣離子就會融入細胞使其發(fā)亮。這時再用激光顯微鏡記錄下神經元活動狀況。另一方面，一立方厘米的腦組織被切割成薄片，在高分辨率下顯微鏡下成像。將活動時的神經元狀況和完整的非活動狀態(tài)下神經元連接狀況進行對比映射，從而去挖掘實驗鼠的“思維活動方式”。
來自哈佛醫(yī)學院的專家則選擇了另一種方法，他們通過一種特殊的 DNA 條碼對神經元進行標注，通過這種特殊的標注來識別神經元運動。至于腦組織切片，則可以通過基因測序機進行信息分類，從而重現神經元的運動情況。
來自美國科學促進會的團隊，則干脆選擇數據驅動的方式，通過對腦神經元連接方式的全面記錄來構建研究基礎。
在計劃中，三個團隊將一起監(jiān)測出大腦中數萬個神經元的運動情況，并且將腦組織切片的橫截面計算拼接，將神經元的活動路徑連接起來，構成一幅大腦運動的三維地圖。建立在這一基礎上，在嘗試模擬神經元運動的模式。
逆向工程中的悖論：
通過大數據實現少樣本？
如此看來，針對大腦的逆向工程除了在研究方式上更為特出，分工上更聚焦細節(jié)之外，跟以往的大腦模擬工程等等也并無差別。
但值得注意的是，Microns 和其他大腦模擬最大的差別，就在于目標明確。
在 13 年“BRAIN 倡議”被提出時，當時定下的目標是通過研究大腦來研究阿爾茨海默病、自閉癥等等疾病。但實際上真正開始啟動時，最受關注的項目 Microns 卻將目標圈定在了人工智能應用方面，三個團隊每個都配上了至少一位算法科學家，為了把神經學的結果轉換成可應用的計算機科學。
如此來看，大腦研究與人工智能之間有種“有事鐘無艷，無事夏迎春”的感覺。平時腦科學研究總將目標放在心理學、神經學、醫(yī)學學科上，可一旦人工智能有熱度可蹭，與腦科學有關的類腦計算、認知計算等等，又立刻成為了人工智能的明日之光。
就拿 Microns 這一個項目來說，就存在著嚴重的悖論。
首先 Microns 的目標，是通過對大腦的模擬推演，實現更高效的少樣本甚至無樣本學習，讓神經網絡不再需要依靠大量的數據就行建立模型。
而以目前這種對大腦逆向工程的手段來看，Microns 率先輸出的并不是算法，而是海量的神經元運動數據——每立方毫米的腦組織就會產生 1 到 2 PB 的數據。
所以為了處理這些數據，Microns 率先要研發(fā)出能夠承載海量數據的神經網絡模型，耗費大量時間進行訓練，興許還要利用上超算。
整個過程，是與 Microns 項目的初衷背道而馳的。
Microns 是誰的磚石瓦片？
其實對于 Microns 的未來，研究人員自己也很悲觀。雖然如今 Microns 的贊助費用已經高達上億美元，參與研究的哈佛大學神經學家 David Cox 卻表示，人腦研究實在是太過龐雜的命題，他們一定會得出結果，但這些結果很難符合人們的預期。
目前來說，Microns 已經能夠為實驗鼠的一些神經元進行簡單的分類。例如在分辨出在受到刺激時，哪些神經元互相連接，哪些神經元又是相對獨立的。只是這樣的結果不僅離應用還很遠，就連理論化和體系化都很難做到。
最后 Microns 項目的結果，很有可能只是累積下來大量關于神經元運動的數據，在開放給社會之后，等待更多力量共同挖掘。這個過程就像蓋房子，或許今天我們見證的，僅僅是準備磚石瓦片的過程。利用這些磚石瓦片的，或許是人工智能，也或許是腦科學。
腦科學與人工智能之間的關系，有時候就像狗血言情小說里面的男女主角，看似天生一對，卻歷經波折總是不能在一起。但是在彼此追逐的過程中，都獲得了更好的成長。
閱讀全文
版權聲明：與非網經原作者授權轉載，版權屬于原作者。文章觀點僅代表作者本人，不代表與非網立場。文章及其配圖僅供工程師學習之用，如有侵權或者其他問題，請聯系本站作侵刪。
侵權投訴
人工客服
（售后/吐槽/合作/交友）
人工客服（售后/吐槽/合作/交友）
