▲图源：GiroScience / Shutterstock.comGoogle旗下人工智能（AI）企业DeepMind的联合创始人，AI程序师兼神经科学家Demis Hassabis曾指出，人类大脑是构建具有类人智能AI的重要灵感来源。他不是唯一一个这么说的专家。深度学习的巨大成功展示了如何将神经科学——记忆、学习、决策、视觉——的洞见提炼成算法，将我们强大的认知赋予硅脑。本月，权威杂志《自然》（Nature）发表了一整个系列文章，强调神经科学与AI之间的共生关系。长久以来，这两门学科都在解决同样的核心问题——智能——但是从不同的角度和不同的抽象层次。在AI领域，科学家们希望破解使用机器语言进行高效精准学习的奥秘。在神经科学领域，我们解剖我们两耳之间这三磅重脂肪粘稠物的里里外外——大脑，试图通过现有的唯一证据来说明智力问题是可以解决的。我们就是“AI是可能的”的生动证明。

亚特兰大佐治亚理工学院（Georgia Tech）的生物医学工程师Chethan Pandarinath博士通过分析大脑信号来控制机器肢体，对他来说，神经与AI之间的联系正在形成一个完整的循环。AI作为神经科学领域的一种宝贵工具，正以两种主要方式迅速取得进展。其中一个是技术。由于AI能够在大量数据中寻找规律，它越来越多地被用于管理和理解大脑活动的方法中。第二个可能更令人兴奋：随着算法不断进化出类似大脑的输出，它们成为测试神经科学基本概念的温床。在某些情况下，即使算法的计算方式与我们有很大不同，AI也会抽象出我们认为大脑在做什么的高级概念。

争论数据

尽管数学方程式在神经科学的最初阶段就已经存在，但该领域的实验部门一直依赖于观察生物受体、神经递质、信号分子来解开大脑的谜团。突然之间，神经科学家们不再研究单个的蛋白质和大脑区域，而是有了在基因水平上分析单个神经元的工具，或者用数字技术重建大量的神经连接。例如，在生物化学领域，“组学”开始兴起：这是一种大脑范围内对一定程度的生物学的研究，包括基因组学、表观基因组学、代谢组学等等。为了绘制神经连接图，“详细描述神经元如何在物理上连接正在迅速变成守旧派”；现在的诀窍是进一步将大脑图谱与其他功能图谱相关联，比如在越来越长的时间跨度内大脑范围内的基因表达。试图解析神经信号——并将特定的激活模式与感觉、运动，甚至特定的记忆联系起来——正在至少数百个神经元的范围内发生。

▲

图源：Heiti Paves / Shutterstock.com以大脑植入物来控制的机器手臂为例，Pandarinath博士一直在研究如何理解控制手臂运动的1000万到1亿神经元中200个左右的神经元发出的信号。这就是AI发挥作用的地方：算法可以帮助识别数据中的底层结构——即使是隐藏在干扰之下——来提取与特定细微行为相关的电子指纹。计算机还可以计算出这些激活模式是如何随着时间变化的，从而生成一个用于控制手臂的细粒度指令手册。类似地，AI大大加快了脑映射项目或功能脑成像的研究，这些项目可以轻松解决需要处理、重建和注释的万亿字节级图像文件。计算机视觉甚至可以帮助分析规模较小但容量较大的图像，这些图像可以检测神经死亡或蛋白质水平。研究人员可以把重点放在重要的事情上——用更准确的结果解决问题，而不是荒谬的把工时花在不需要动脑筋的工作上。到目前为止，神经科学中的大多数数据集都是以非标准的、专有的形式，隐藏在各自的本地硬盘中。随着“神经数据无国界”（Neurodata Without Borders, NWB）等项目获得标准化数据架构的支持，更多的数据将被上传到云端，并贴上适合机器学习的标签。至于谁来翻译？将来会有更多AI生成的大脑见解。

解决感官和运动问题

现代深度学习起源于20世纪60年代对视觉路径的研究。因此，神经科学家现在使用AI来重新研究我们的大脑是如何处理感官和运动的想法也就不足为奇了。例如，由Margaret Livingstone博士领导的哈佛大学研究小组设计了一种基于生物学的算法XDREAM，来理解一种神秘视觉细胞的“视觉字母表”。该算法最终生成了大量图像，这些图像通过光栅和抽象形状将人脸混合在一起，形成一种此前未知的细胞语言，为研究人员提供了一个坚实的思路，以进行进一步的测试。最近另一项使用卷积神经网络的研究发现，与人们普遍认为的相反，人类视觉系统会自然地嵌入情感信息。

▲图源：advances.Sciencemag.org这些研究不仅仅是理论上的。了解我们的大脑是如何处理感觉和运动的，对于制造出更逼真的、由大脑控制的假肢至关重要。与Livingstone博士相似，斯坦福大学的Daniel Yamins博士也研究了视觉，但目标是理解物体识别背后的神经网络活动。根据我们目前对视觉系统架构的理解，他建立并训练了一个深度神经网络，发现当猴子执行类似的物体识别任务时，该网络的神经活动与它们记录的生物活动相匹配。几年后，他对听觉皮层也做了同样的实验。模拟视觉或听觉的算法可以激发大脑产生如何解决这些任务的想法。“如果你能训练一个神经网络来做到这一点，”谷歌旗下深度学习AI研究小组Google Brain的计算神经学家David Sussillo博士说，“那么或许你就能理解这个网络是如何运作的，然后用它来理解生物数据。”

▲

图源：Dan Hixson/University of Utah Collegeof Engineering.

换句话说，AI模型扮演着虚拟大脑的角色，引导假设和实验。AI模型可以充当实验中间的替身，捕捉大脑活动的基本表征，而不是立即在动物身上测试假设。这些大脑模拟允许“演习”扰乱神经活动并观察发生了什么，而无需将电极插入人体。这个想法虽然还很新，但已经得到了越来越多的支持，并已投入商业运作。研究结果为智能假肢与大脑之间的连接架起了一座桥梁:大脑控制的机器人肢体或外骨骼，视觉或听觉相关的假肢绕过眼睛和耳朵，直接激活相关的大脑区域。就在上周，加州大学旧金山分校（UCSF）在Facebook的资助下，推出了一个可以通过读取脑电波来准确解码语音的系统。

破解神经运作

虽然要复杂得多，但同样的解决感官和运动的策略也可以帮助破解更抽象的大脑功能。例如，模仿计算机芯片中隐藏记忆的神经回路，可能会将记忆或其他更高的认知过程卸载到“记忆补丁”上，以便在年老时或脑损伤后传递回去。美国国防高级研究计划局（DARPA）正在进行这些实验。其他实验性的大脑假体包括智能植入物，它可以测量神经活动，以发现癫痫或抑郁症即将来临的迹象，从而在发病前及时发出快速反应，消除这些症状。在这两种情况下，AI都在帮助神经科学家破解所谓的“神经代码”——构成思维或行为基础的单个神经元群的激活模式。大脑植入物已经存在了几十年，但最新的AI注入正在使它们的内部过程，如识别活动的电尖峰，变得更加有效。最后，还有一种稍微有点争议的方法，它着眼于推动AI中类人表现的数学思想，并询问它们是否也存在于我们的大脑中。长期以来，认知科学家一直想知道贝叶斯推理（Bayesian inference）是否也会影响我们如何看待世界或做出决定。贝叶斯推理是一种将证据融入现有观点的数学方法。AI受该定理启发，有时能模仿人类认知，这一发现正重新点燃这场辩论。当然，仅仅因为AI输出与大脑相似并不意味着大脑就是这样工作的。与机器智能不同，我们的大脑是进化压力的结果。我们高效学习的方式很可能与生存本能密切相关，而AI模型可能无法捕捉到这一点。AI将更有可能提供一种或多种神经科学家可以通过实验证实的解决方案，而不是直接回答大脑的谜题。无论如何，它们的影响已经从根本上改变了神经科学生态圈，而且影响只会继续增长。

https://www.nature.com/collections/jigfghaejehttps://singularityhub.com/2019/08/08/three-invaluable-ways-ai-and-neuroscience-are-driving-each-other-forward/https://singularityhub.com/2019/07/18/the-first-complete-brain-wiring-diagram-of-any-species-is-here/https://www.pnas.org/content/111/23/8619