構建大腦地圖：讓機器像人類一樣“認識”世界

圖片來源：Greg Dunn。

帶個三歲小娃去動物園，她憑直覺就知道這個在吃樹葉的長脖子生物就是她圖畫書中叫做“長頸鹿”的動物。這看起來很平常，但其實非常了不起。圖畫書里是一個單線條組成的靜態(tài)輪廓，而動物園所見的是一個充滿顏色、質(zhì)感和動作的活生生的動物。從每一個不同的角度看，它都變成不同的形狀和樣子。

人類非常擅長這類項目。我們可以輕松地從幾個例子中，領會到一個物品的重要特征，然后在陌生的情景下運用出來。而電腦呢，則需要從非常多的長頸鹿數(shù)據(jù)庫中進行分類，研究從不同的環(huán)境和角度，來學習如何準確識別這種動物。

視覺識別是人類勝過電腦的眾多領域之一。我們還更擅長在大量的數(shù)據(jù)中找到相關信息，更擅長解決非結構性問題，更擅長自主學習，就像嬰兒玩著積木就理解了重力。“人類更擅長總結。“卡內(nèi)基梅隆大學的電腦科學家和神經(jīng)科學家Tai Sing Lee說，“我們更具有靈活性思維，我們可以預計、相信和創(chuàng)造未來事件。”

一項由美國聯(lián)邦政府智能軍隊投資的宏偉新項目，計劃讓人工智能與我們自己的智能更加靠近一些。三支由神經(jīng)科學家和計算機科學家組成的團隊將研究大腦如何實現(xiàn)視覺識別等偉業(yè)，然后讓機器照搬學習。“如今，人類擅長的事情機器搞不定。”Jacob Vogelstein說，他領導智能高級研究項目活動（IARPA），“我們希望通過將大腦的算法和計算能力逆向工程，革新機器學習領域。”

時間不多。每組以前所未有的細節(jié)度，模擬大腦皮層的一個模塊。各組基于自己的發(fā)現(xiàn)，聯(lián)合開發(fā)算法。明年夏天之前，每一個算法將面對一個陌生物體，并需要在幾千個未標記的數(shù)據(jù)庫中選出該物體的例子。”這是個非常緊張的時間表，“Christof Koch說，他是西雅圖艾倫大腦研究院的主席和首席科學家，正在與其中一支隊伍合作研究。

Koch和同事正在建造一個大腦小方塊的完整連線圖——一百萬立方微米，相當于二十分之一個罌粟種子的大小。這已經(jīng)比現(xiàn)有最大的完整連線圖都大很多了，現(xiàn)有的連線圖去年六月發(fā)布，用了大約六年時間完成。

在5年IARPA項目的最后——又稱為“皮層網(wǎng)絡而來的機器智能“(Micron)——研究員目標繪制一張一立方毫米大腦皮層的地圖。這一小小的部分包含了10萬個神經(jīng)元，300萬到一千五百萬個神經(jīng)連接，或者說突觸，以及一張大到可以有曼哈頓島那么寬的連線圖，如果把圖的一端鋪展開到另一端。

從未有人曾嘗試重建如此規(guī)模的大腦部分。但是小規(guī)模的研究已經(jīng)顯示出，此類大腦地圖可以提供大腦皮層內(nèi)部結構的信息。在3月《自然》雜志發(fā)布的一篇論文，與Koch團隊合作的一位哈佛大學神經(jīng)科學家Wei-Chung Allen Lee及其同事繪制了一張圖，包括了50個神經(jīng)元和超過1000個它們的伙伴。通過將這張地圖和這些神經(jīng)元在大腦中的功能配對——例如，有一些神經(jīng)元會對垂直條紋的視覺輸入有反應——人們可以了解大腦皮層這部分的神經(jīng)元在解剖學上是如何連接起來的。他們發(fā)現(xiàn)，相同功能的神經(jīng)元，相比別的神經(jīng)元，更有可能互相連接。

雖然Micron項目的目標是技術性的——IARPA資助可以最終為只能社區(qū)導出數(shù)據(jù)分析工具的項目——首先必須現(xiàn)有關于大腦的深刻新認識。Andreas Tolias，聯(lián)合領導Koch小組的Baylor醫(yī)學院神經(jīng)科學家，將我們目前對大腦皮層的認知比作一張失焦的模糊照片。他希望，此次Microns項目前所未有的研究規(guī)模可以幫助我們對焦，讓我們看見掌管我們神經(jīng)回路的更復雜的規(guī)則。不了解所有部件的話，他說“我們也許不能體會到大腦結構之美。”

大腦的信息處理單元

覆蓋我們大腦表層的復雜卷曲的皺褶形成了大腦皮層，一個匹薩大小的組織層，壓縮進我們的頭顱內(nèi)。從很多方面來說，這就是大腦的微型處理器。這個組織層大約有3毫米厚，由一系列重復模塊（或者說微型回路）組成，類似電腦芯片中的一排排邏輯門電路。每一個模塊內(nèi)包含大約10萬個神經(jīng)元，安置在相互連接的細胞所組成的復雜網(wǎng)絡中。有證據(jù)顯示，這些模塊的基本結構在大腦皮層中大致都是一樣的。但是，不同位置上的模塊是專門針對不同的功能，例如視覺、運動、聽覺。

Andreas Tolias（左）與他的學生R.J. Cotton一起，共同帶來Micron的一個團隊。圖片來源Baylor醫(yī)學院。

科學家對于這些模塊長什么樣子和如何運作只有一個粗略的概念。他們通常限制于在更小范圍內(nèi)研究大腦：幾十個或幾百個神經(jīng)元。新科技專門設計用于追蹤幾千個神經(jīng)元的形狀、活動和連接，這讓研究員終于可以分析模塊內(nèi)的細胞如何與其他細胞互動，系統(tǒng)內(nèi)一個地方的活動如何引發(fā)或阻礙另一個地方的活動。“歷史上第一次，我們可以查看這些模塊，而不只是猜測里面是什么。”Vogelstein說，”不同的團隊會猜里面是不同的東西。“

研究員會專注在大腦皮層負責視覺的部分，神經(jīng)科學家已經(jīng)對這個感官系統(tǒng)進行了深入探索，計算機科學家一直在努力模擬。“視覺看起來很簡單——只要睜開眼睛——但是要教計算機做同樣的事情就非常困難。”哈佛大學的神經(jīng)學家David Cox說，他領導其中一支IARPA團隊。

每支隊伍最初對視覺的基本認識都是相同的，一個被稱為合成分析的幾十年的理論。根據(jù)這個理論，大腦對馬上將發(fā)生的事情做出預測，并將預測與它所見的融合。這種方法的力量在于其高效性——這比時時刻刻創(chuàng)造新內(nèi)容所要求的計算更少。

大腦可能按不同方式執(zhí)行任何次數(shù)的合成分析，因此每隊探索不同的可能性。Cox的團隊將大腦看成某種物理引擎，用現(xiàn)存的物理模型來模擬世界應該是什么樣子。Tai Sing Lee與George Church共同帶領的團隊，提出理論認為大腦已經(jīng)建設了一個各種部件的圖書館——物體和人的各個部分——并學會了如何將這些部件組裝起來的規(guī)律。舉個例子，葉子，通常是在樹枝上的。Tolias的團隊在以更加數(shù)據(jù)驅(qū)動的方式研究，大腦創(chuàng)造對外在世界的統(tǒng)計預期。他的團隊將測試各種假設，看回路的不同部分如何溝通。

三個團隊都會監(jiān)測目標區(qū)域內(nèi)幾千個神經(jīng)元的活動。然后他們會用不同的方法繪制這些細胞的連線圖。例如Cox的團隊，會將大腦組裝切成比人的頭發(fā)還細的切片，用電子顯微鏡分析每一個切片。然后將切片在計算層面連接起來，創(chuàng)造一個濃縮版的三維地圖，記錄幾百萬個神經(jīng)元聯(lián)系，它們在大腦皮層間的錯綜復雜的路徑。

有了地圖和活動模式，每一隊將試圖套出一些掌管大腦回路的基本規(guī)則。然后他們會把這些規(guī)則編程到模擬器，并測試模擬器與真實大腦的匹配度。

Tolias和團隊已經(jīng)對這種方法的實力略見端倪。在11月發(fā)表于《科學》雜志的一篇論文中，他們繪制了10，000個神經(jīng)元組的鏈接，在過程中發(fā)現(xiàn)了五種新類型的神經(jīng)元。“我們還是沒有一個大腦皮層組成部件的完整名單，每一個細胞是什么樣子，它們?nèi)绾芜B接。“Koch說，”那是Tolias開始做的事情。“

Adreas和伙伴們繪制出了神經(jīng)元組的連接，記錄了它們的電子活動。五個神經(jīng)元（左上）的復雜結構可以簡化為一個簡單的回路圖（右上）。在2號神經(jīng)元注入電流會刺激神經(jīng)元，引起下游兩個神經(jīng)元中的電流變化，神經(jīng)元1號和5號。

在這幾千個神經(jīng)連接中，Tolias的團隊發(fā)現(xiàn)了三個掌管細胞連接的總則：有一些主要與自己同類的神經(jīng)元聯(lián)系；有一些避開自己同類的神經(jīng)元，主要只和其他種類聯(lián)系；第三種只和少數(shù)幾個神經(jīng)元聯(lián)系。只用這三種連接規(guī)則，研究員可以比較準確地模擬出大腦回路。“現(xiàn)在的挑戰(zhàn)是，必須研究出這些連接規(guī)則在計算上的意義是什么，”Tolias說，“他們都做哪些計算。”

基于真實神經(jīng)元的神經(jīng)網(wǎng)絡

類似大腦的人工智能不是新鮮事。所謂的神經(jīng)網(wǎng)絡，模擬大腦的基礎結構，在八十年代非常流行。但是當時還缺乏有效算法所需的計算能力和數(shù)據(jù)。畢竟，當時互聯(lián)網(wǎng)上還沒有這么多標記出的貓咪照片。盡管神經(jīng)網(wǎng)絡經(jīng)歷了復興——迅速進入我們?nèi)粘Ｉ畹恼Z音識別和人臉識別就是基于神經(jīng)網(wǎng)絡算法，打敗了世界圍棋冠軍的阿爾法狗同樣也是——不過，人工神經(jīng)網(wǎng)絡改變連接的規(guī)則，與我們大腦使用的規(guī)則當然是不同的。

當代的神經(jīng)網(wǎng)絡“是基于我們上世紀六十年代對大腦的認識。”Terry Sejnowski說，他是圣地亞哥Salk研究院的計算神經(jīng)科學家，他與多倫多大學的計算科學家Geoffrey Hinton開發(fā)了早期神經(jīng)網(wǎng)絡算法。“我們對于大腦組織架構的知識正在大爆炸。“

例如，如今的神經(jīng)網(wǎng)絡是由前饋控制的架構組成，信息從輸入經(jīng)歷一系列層次后輸出。每一層都會識別特定的特點，例如眼睛或者胡子。這個分析結果又被推到下一層，接下來的每一層都會有越發(fā)復雜的數(shù)據(jù)計算。通過這種方式，軟件最終認出了一大堆彩色像素是一只貓。

但是這種前饋系統(tǒng)忽略了生物系統(tǒng)中的一個關鍵環(huán)節(jié)：反饋，每一層之中的反饋，以及從高級到低級層的反饋。“反饋連接在大腦皮層網(wǎng)絡中非常重要，”Sejnowski說，“反饋與前饋連接一樣多。”

神經(jīng)科學家目前還未精確理解這些反饋回路的運作，雖然他們知道這些回路對控制人的注意力是很重要的。舉個例子，它們讓我們可以在注意電話里的聲音，過濾背景里的雜音。這種合成分析理論的好處之一是，它解釋了所有這些重復出現(xiàn)的連接。他們幫助大腦比較預測結果和現(xiàn)實結果。

Microns研究員希望解密控制反饋回路的規(guī)則——例如，這些回路連接哪些細胞，什么觸發(fā)他們的活動，這種活動如何影響回路的輸出——然后將這些規(guī)則轉(zhuǎn)化為算法。“現(xiàn)在機器所缺的是想象和內(nèi)省。我相信這些反饋回路可以讓我們在不同的層面進行想象和內(nèi)省。”Tai Sing Lee說。

也許有一天，反饋回路可以讓機器擁有我們認為人類才有的特點。“如果你能在深度網(wǎng)絡中實現(xiàn)（反饋回路），你就能從類似膝跳反應的網(wǎng)絡——只有輸入、輸出——實現(xiàn)一個更加能反省的網(wǎng)絡，可以開始思考輸入，測試各種假設。”Sejnowski說，他在奧巴馬總統(tǒng)的一億美元大腦項目中擔任顧問，Microns項目也是此項目一部分。

人類意識的線索

與所有IARPA項目一樣，Microns項目風險很高。研究所需的大規(guī)模繪圖的技術已經(jīng)存在，但是還沒有人在這樣的規(guī)模上應用過。有一項挑戰(zhàn)將是處理研究帶來的大規(guī)模數(shù)據(jù)——每立方毫米的大腦，帶來1到2千兆字節(jié)的數(shù)據(jù)。團隊應該需要開發(fā)新的機器學習工具，來分析所有數(shù)據(jù)，這也算是一個挺搞笑的反饋回路。

一小塊大腦的信息能否讓我們更加了解大腦更宏觀的能力，我們尚未知曉。”大腦不只是一個皮層。“Sejnowski說，”大腦有幾百個不同的系統(tǒng)，專門用于不同的功能。”

大腦皮層本身是由看起來差不多的重復單元組成的。但是大腦的其他部分可能非常不同。例如，阿爾法狗利用的增強學習是與大腦基底的運行有關，大腦基底與上癮現(xiàn)象有關聯(lián)。“如果你希望AI超越簡單的模式識別，你需要許多不同的大腦部分。”Sejnowski說。

如果項目成功，它所做的就不只是分析智能數(shù)據(jù)了。成功的算法將告訴我們大腦是如何認知世界。具體來說，這將幫助確認大腦的確是通過分析合成運作的。它會顯示，構成人類意識的關鍵是不斷變化的想象與感覺的結合。“是想象讓我們預測未來事件，用于指導我們的行為。”Tai Sing Lee說。通過建造能夠思考的機器人，研究員們希望揭開的秘密。

via Wired

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。