我們真的找對了方法？新研究為歐美腦計劃響起警鐘

UC Berkeley 的最新研究告訴我們，大部分研究者用於分析大腦運行規律的演算法也許並不準確。

神經科學就像其他很多學科一樣，對獲取數據有著無窮的慾望。在 2013 年，前總統奧巴馬宣布的美國腦計劃——和同年的歐盟腦計劃一樣，都致力於探尋人類大腦中數千個神經細胞的交互形式。科學家們希望在數量龐大的信息中找到一些規律，能讓我們距離揭開大腦運行機制的面紗更進一步。

但是最近在 PLOS 計算生物學上發表的一篇論文對於量變能否產生質變提出了質疑。Eric Jonas 等人使用了神經科學界常用的方法：將人類大腦與計算機類比。就像大腦一樣，計算機通過電信號與複雜的環路來處理信息。我們知道計算機的所有運行機制，而面對大腦卻只能假設。

Eric Jonas 來自 UC Berkeley，論文的共同作者 Konrad Kording 則來自西北大學，他們都擁有神經科學和電子工程的複合背景，他們都認為計算機是測試現代神經科學分析工具的最佳方法。他們的思路是：將這些分析技術應用到計算機晶元中去，看看分析結果是否和計算機架構相符。

他們用於測試的硬體是 MOS Technology 6502 處理器，它是一種 8 位 CPU，於 1975 年面世，曾經在 Atari 遊戲機、蘋果電腦和 Commodore 上出現。以現在的眼光看來，它顯得有點落後——只有 3510 個晶體管。6502 的結構非常簡單，這讓研究者可以構建一個模型，模擬在運行特定程序時 CPU 中所有晶體管的運行狀態，與和這些晶體管相連的數萬個通路的所有電壓。這一模擬程序每秒鐘能夠產生 1.5G 的數據，這還處在用於探索大腦運行機制的演算法的能力範圍內。

大腦向左，晶元向右

對比受損和健康大腦的不同特性是一個常見的腦科學研究方式。如果特定部位受損的大腦展現出另一種預測行為，研究人員就可以得知這一部分腦區主要負責處理何種任務。以老鼠為例，如果掐斷海馬體（兩個位於大腦底部，細長形狀的小結構）就可以有效地影響它們識別物體的能力。

當應用於晶元時，這種方法呈現了有趣的假陽性。研究人員發現，禁用一個特定的晶體管組就可以完全阻止「Donkey Kong」程序（第一個出現超級馬里奧形象的遊戲）啟動。「這也許是一個錯誤，」Jonas 說道。「它們不像是組成基礎計算功能循環，實現軟體載入的一部分，而更像是其他的什麼東西。」

另一種神經科學研究方法，是尋找神經細胞群的活動與特定行為之間的相關性。在晶元上，研究人員的演算法發現其中五個晶體管的活動與屏幕上顯示圖像的亮度強烈相關。然而再一次，這個發現隨即被否定了。Jonas 和 Kording 知道這些晶體管的計算結果並不會直接與屏幕顯示的內容相關（在 Atari 遊戲機中，顯示處理的工作由 Television Interface Adaptor 晶元完成）。這些晶體管只包含一些簡單的意義——它們被程序的某些部分使用，最終決定屏幕上會出現什麼。

對此，研究人員分析了這種晶元的接線圖（在生物學家那裡，對應的東西應該是連接組），隨後把這張圖輸入了分析演算法。演算法生成了很多看起來讓人印象深刻的數據，暗示著晶元處理任務時，內部存在著一些複雜的結構。然而仔細檢查以後，這些推論很少被證明成立。這些性狀非常具有誤導性，而且經不起推敲——這倒很符合真正神經科學令人沮喪的研究歷史。研究人員有一個完整的蠕蟲連接組（Caenorhabditis elegans，來自 1986 年），其中只包含 302 個神經細胞。現在，我們知道自己對於如此簡單的「腦結構」也無能為力了（相比之下，英特爾 Skylake K Core i7 約有 17 億個晶體管——而且我們清楚它的內部機制）。

「這其中最基本的問題，」Jonas 說道。「在於現代神經科學的研究方式無法探明我們已知的晶元結構，而這對於我們理解真正發生的事情至關重要。計算機晶元由晶體管組成，它們是微小的電子開關。它們被組成邏輯門，從而實現簡單的邏輯運算。這些邏輯門又可以組織成為更複雜的結構，如加法器。算術邏輯單元由一系列加法器組成。再往後更為複雜的結構也是這樣層層遞進的關係。」

但是，用神經科學的方式分析這種高級結構是非常困難的，分析演算法無法探知晶元內部的電流如何計算出超級馬里奧的形象。這不是神經科學才會遇到的問題，Jonas 把他們遇到的麻煩與人類基因組計划進行了比較，人類基因組計劃是一項規模龐大的計劃，已於 2003 年結束。科學家們希望通過這一計劃攻克癌症、衰老這樣的難題。然而十幾年過去了，事實證明我們不能從浩如煙海的數據中獲得太多啟示，我們面對無數條四個字母編寫的密碼一籌莫展。

人類腦計劃也要面臨長達十幾年的困局嗎？或許不會。在這項研究中，演算法還是探測到了主時鐘信號，它協調 CPU 中不同的部位的運行。同時，一些神經科學家也批評了論文給出的結論，他們認為計算機晶元和大腦的機制並不能完全類比，同樣的分析方式並不能直接移植應用。

法國計算機科學與自動化研究所機器學習專家 Ga?l Varoquaux 表示：「6502 與當代 CPU 相比，前者和大腦的區別更明顯。這種原始的晶元按照順序處理輸入內容。而大腦（和現代 CPU）是多線程同時計算的。」正如他所說的，神經科學在近年來已經走過了很長的一段路。例如在視覺系統的複雜細節上，人們對於大腦如何區分線和面這樣的概念已經有了合乎情理的解釋。

Jonas 對這些看法表示部分接受。「我並不否認神經科學近年來的成就，」他辯解道，他繼續用人類基因組計劃作類比。「這項工程產生的數據，以及其後更先進手段收集得來的數據都為人類的基因研究打下了基礎，但由基因組計劃引起的對於未來的不實際期待則被打破。收集數據是一回事，想搞清楚數據背後的意義，我們還要等很久。」

• 《Could a Neuroscientist Understand a Microprocessor?》

摘要：在神經科學領域，我們有一個普遍的觀念：研究非常依賴於數據，在大型數據集和高級分析演算法的幫助下，我們可以探求大腦運行方式。這種量級的數據集尚不存在，而且即使它們存在，我們也無法得知我們演算法生成的分析結果是否有效。

為了證明這個觀點，我們使用了一個具有代表性的微處理器作為生物模型，並進行了一系列實驗以檢查目前主流的分析方法是否可以理解 CPU 的信息處理方式。微處理器是人造信息處理系統的組成部分，它們形式複雜，同時結構完全已知——從邏輯流程，到邏輯門，再到晶體管的動態。我們的研究展示了現有神經科學分析方法對於 CPU 的運行數據產生了有趣的見解，但這些分析隨後被證明對於解釋晶元在信息處理時的層級結構毫無意義。這意味著目前神經科學領域的分析方式可能對於我們理解神經系統毫無幫助——無論我們是否擁有足夠數據。

此外，我們的研究結果表明，科學家們需要使用複雜非線性動態系統在已知內容的基礎上開展研究，微處理器對於時間序列和結構發現方法而言就是一個可用的平台。

選自The Economist 機器之心編譯