為什麼你需要計算神經科學

我想大家看到這個題目已經被嚇到了。什麼？ 計算神經科學？ 神經科學已經夠冷門嚇人的了, 還計算神經科學？究竟是什麼？ 是不是除geek外並沒什麼卵用？ 聽鐵哥給您道來。

先說計算神經科學是什麼，簡而言之，計算神經科學是把大腦看成一個信息處理的器件，用數學物理計算機等綜合方法研究生物的大腦是怎麼工作的，例如學習，記憶，情感，意識等等。它和你有什麼關係？

1. 心理學的啟示

我先改變一下我們討論的題目，你需不需要心理學？

我想瞬間大家會達到共識。看看網上轉載的東西有多少和心理有關，從星座分析到心理測試題。我們日常生活里內心的迷惘實在太多。沒錢的人煩惱有錢的人依然煩惱，我們快被這個人體最為耗費能量的腦袋所製造的問題折磨瘋了，卻不知道它到底想要幹什麼，於是我們求助於心理學。

但是心理學是否解決了我們對自身靈魂的焦慮呢？ 只要看看網上有多少人迷戀於星座分析就知道了。我們能夠登上火星，我們對自己性格的了解卻還需要靠翻越黃曆。心理學家像極了古希臘的哲學，它讓我們看到了問題，卻更加暴露了我們的迷茫和解決問題的無力，也因此給了許多披著科學外衣實際等同占星術的「流行心理學"以溫床.

網上流行過一個著名的心理測試題目，號稱旋轉舞女實驗。我們看到圖片里一個裸女在跳舞， 但是有的人看到她向逆時針轉有的人看到她順時針轉。據說看到順時針轉的人是右腦型情感發達，看到逆時針轉的是左腦型邏輯發達，而看到向兩邊轉的就是天才（為什麼不說是精神分裂？）。

你會相信他嗎? 至少我身邊很多人是信以為真的，總比星座看起來合理多了。

其實這個是純屬扯談。 第一，這是個經典的視覺錯覺實驗（perception bistability），沒有證據表明它和左右腦有聯繫。第二，流行心理學裡籠統的左右腦分工，也缺乏足夠證據。我目前知道的是人在做大多數任務的時候都要同時用到左右腦。這個東西不僅網上火了幾年，居然被當成許多老師教育孩子的材料。

*左右腦在完成任務時候當然有分別，但是方式非常複雜。

動畫請見：The spinning dancer http://en.wikipedia.org/wiki/Spinning_Dancer

為什麼這麼冠冕堂皇的謊言會能大行其道搞懵一批又一批人？因為我們對我們自己的大腦所知太少，一個說法出來，我們既沒法證實它也沒法證偽它，好比一個正確與錯誤難分界限的灰色地帶，而由於其中問題對人生活的重要性，只要騙子揮揮手就能引來一批又一批的受眾，需要的人自然可以在其中找到精神安慰。

舞女的例子其實是眾多神奇的心理學試驗中（被濫用了）的一個，它為我們揭示了大腦認知過程包含的很多不為人知的側面，雖然每天發生在我們生活中我們卻無法覺察。

那麼為什麼我們會看到圖中的舞女在向左轉或向右轉？單純的傳統心理學已經很難回答這個問題，因為他已經開始涉及大腦處理信息的深層機制。至此揭開計算神經科學的大幕。

2. 計算神經科學的序幕- 「會思考的機器」 和 「語言之上的語言」

阿蘭圖靈完全可以進入20世紀最偉大天才名錄， 我們今天驕傲的信息時代或是未來即將進入的人工智慧時代，都離不開他的傑出貢獻。然而這個遠遠超出其時代的人，最出的動機，卻是了解人類大腦運作的機制，他天才性的意識到生命過程本身可以被一連串數學運算表達，而如果一台機器執行相同的數學運算，則會表達同樣的性質。 這算是數學生物學，計算神經科學和人工智慧的共同起點。而在這個過程里，也孕育了世界第一台計算機。而他所設計的圖靈測試今天依然被作為檢驗機器是否真正學會人類思考方式的基準。

圖靈設計的這個通過一連串數學運算來解決一般性問題的東西被稱作圖靈機。他告訴我們，如果需要一個機器通過「思考」解決問題， 那麼它需要具有一些基本的性質，比如具有輸入輸出，系統狀態（及其存儲器），和一連串基本的運演算法則。 然後通過一連串把輸出記錄在系統狀態里傳遞給輸入的迭代過程生成結果。

語言之上的語言

將認知現象歸結於大腦深層信息處理規律的另一個偉大先驅是生成語法(Generative Grammar)的提出者Noam Chomsky，他認為不同語言之間存在著相同的深層語法結構。這種結構先於語言而存在，是大腦信息處理的基礎，並且能夠利用類似計算機程序的符號化語言表達。 這一套「源語法」直指人類大腦處理信息的共同機理，這種機理簡單有效， 是大腦處理各種信息的共同原理。

對喬姆斯基提出的人腦基本信息處理機制的存在，成為計算神經科學的存在的合法性基礎， 為我們指出了一條探索認知規律的光明而艱難的道路。我們需要站在比生物學更高的視角，從造物者的角度思考大腦的設計原理。

圖：任何句子都包含先於內容的特有形式，而我們先天具有學習理解程序的能力，這是我們學習任何語言的基礎。我們對於一個我們從沒有見過的句子立刻能夠理解，在於我們先驗的預設了這種程序。

3.大腦像台超級計算機

我們再回到旋轉舞女的例子。裸女無論是順時針轉還是逆時針轉，都是你的幻覺。因為真實世界的裸女的旋轉是發生在三維空間，而這張電腦圖像是個二維圖，它描繪的是一個唯一確定的左右振動（物理書里常見的單擺）。 二維圖所包含的信息量本來就不能重構三維世界，之所以我們能夠感知到三維世界的轉動是因為大腦在做他最擅長的工作—-推斷和模式識別（inference and pattern recognition），大腦在把看到的現象歸類於它熟悉的現象的過程中添加了大量本來不存在的信息。 大腦太擅長模式識別（Pattern recognition），你看了什麼是因為你想要看到什麼，那個什麼早在你的大腦預先存在。就想很多神經科學家指出的，我們的大腦里有個自己的世界（internal world），我們錯以為它就是真實世界本身，其實它只與真實世界相切。它試圖通過計算，模擬真實世界。

首先我們基於日常生活的大量觀測形成了物體旋轉的概念以及它所有的兩個狀態-順時針和逆時針。 什麼叫概念？ 概念=大腦對真實世界所做的模型（internal representation of external world）。好比剛出生的嬰兒沒有物體的概念（concept of object），他們無法理解在視覺範圍內的某個東西的移動，旋轉，變化，消失其實是一個東西在運動過程中的不同形態，他們無法理解如果閉上眼睛物體的畫面消失，它們也依然存在。 嬰兒在大量的摸索中學了物體的概念，認識到上述一切，在萬千變化中找到物體這個不變的東西。然後在大腦里做個模型把那些變化套在「物體」這個不變的概念里。

什麼叫學習到一個概念？ 你要是學過計算機編程，就知道這其實類似於那些object， class 一類的東西。class其實是一個變數組合加上一些作用於他們之上的函數，是對真實事物建立的一個小模型。神經系統就像一個超級計算機，把經常一起出現的一些感官，比如各種視覺，聽覺，嗅覺信號綜合成一個變數組合。比如蘋果這個概念，就是一個概念。一個紅色的圓形的硬的物體，有香氣咬一口很甜。 變數組合=顏色+形狀+味覺+觸覺，咬一口很甜就是一個函數關係，給這個物體輸入一個動作=咬一口，返回一個結果=很甜。符合這類屬性的一大類東西都被大腦放進蘋果這個籃子（class）里。

大腦的基本功能就是模式識別和分類決斷（Pattern recognition and classification ），根據已經掌握的概念推斷一個東西是不是屬於其中。比如一個圓形的東西是不是一個蘋果還是一個皮球。這個對生物的生存特別重要，因為他要做決策，是蘋果還是皮球，決定了吃還是不吃，生存還是毀滅，這是一個問題。

回到舞女，真實世界的舞女順時針還是逆時針旋轉，投影到二維平面，都可能取得動畫里的效果，你認定她的方向關鍵你大腦里當時被激活的是逆時針還是順時針的模型，具體點是看對哪只腳在前和在後的判斷，圖像里的陰影沒有這個信息，它是你大腦添加的。你大腦在你不知不覺中添加了這個本來沒有的信息，然後你就看到她是順時針轉或者逆時針轉的。

圖：旋轉舞女的前後腳，被大腦添加的信息。

以上只是想說明，人腦的根本功能是計算，無論你喜不喜歡數學，你是情感豐富還是理智豐富，本質都是計算。對大腦認知的理解脫離不開數學模型，因為大腦就是靠著它對數學模型的天賦，模擬世界把握人生的。

3.人腦真的是計算機嗎？-作為生命科學的神經科學

那麼基於計算機的概念逐步的定義大腦的功能，是不是就夠了呢？ 如果行的話，媲美人腦的計算機應該早實現了。恰恰是，人腦不是計算機。因為，畢竟我們都見過被剖出的大腦，那是一團血肉，是由水和蛋白質組成的，而電子管卻是沙子里打磨的。

當然，這是一個玩笑。從數學的角度說，這種區別只要體現在大腦是由大量具有隨機性的單元組成的，這些單元通過自由的演化形成的智能組織，與人類設計的幾乎不允許隨機性存在的計算機具有天壤之別。如果給晶體管哪怕稍微一點類似的隨機性，它也就一點用沒有了。而相反，如果取消生物大腦的隨機性，它就不能工作了。 因此，生物系統這種特殊的容納隨機性的能力， 給我們提出了巨大的理論挑戰。

計算神經科學，就是這樣一門超級跨學科的新興學科，它幾乎綜合了信息科學，物理學， 數學，生物學，認知心理學等眾多領域的最新成果。

大腦像一台超級計算機，同時它又迥異於計算機，因為它是活生生的細胞組成的，屬於生物那個不確定性的世界。

構成一台計算機的原件是晶體管而大腦是細胞。他們屬於截然相反的世界。硬邦邦的晶體管只有開和關兩個狀態，每個晶體管都相同而且始終不變，不變是它的本質，可靠是它的本性。細胞類似一兜水，它的狀態無窮多，沒有哪兩個細胞相同，即使同一個細胞也沒有兩個時刻是相同的，變化是它的本質，辯通是它的本性（adaptation）。

還有一個重要的事實是計算機是設計出來的，而大腦的形成是生物發育過程中自發演化的產物，並無預先設定的圖紙。即使每一個細胞都包含全套DNA編碼，但是它所包含的信息依然不能告訴它大腦的全貌，而最多提供演化過程中在特定環境下的行為指令（類似圖靈機的行為列表）。

綜上，我說大腦是計算機不如說它是一片胡亂生長的原始森林，每個神經元就是一棵樹，都努力的爭奪水分陽光拚命生長。但是整體看一片森里卻秩序井然。

研究生物的方法研究神經科學夠用嗎？

生物學的核心任務是認識生物體作為化學反應的機器，並且準確的描述DNA和它們控制的每一種蛋白的功能。 作為生命科學的神經科學，依然以DNA和蛋白質為基礎，橫跨分子，細胞，組織，動物行為等各個尺度，描繪神經系統的形態和行為。

生物學研究神經科學的目標是，把神經系統當做一個相互連接的電路研究，看清它們每一部分的功能和每個部分之間的聯繫。好像在做一部記錄片，把大腦這片原始森林的每一棵樹的春夏秋冬記錄下來。

生物學的這套方法取得了巨大的成就，給予我們對我們身體幾乎全部的理解。但是神經系統的問題卻相比其它系統進步緩慢，原因是什麼？

首先一個問題，海量細節，先說人腦的神經元有100億個，全地球的人口，每個都不同，即使分成大類也無窮無盡，想抓住所有細節幾乎做不到，在這樣的海洋里抓住關鍵性的細節，猶如大海撈針。

第二個問題，神經系統元件之間相互作用複雜。神經系統的相互作用，往往是非線性的，根據各種條件變化無窮無盡，很難想研究植物的向光性那樣簡單得出。

第三個問題，神經系統的研究是個跨尺度問題，從蛋白質分子到細胞到網路，由於第二點提到的非線性，每個級別的跨越都不只是數量的增長，而是呈現全新的性質。你埋頭在蛋白質的研究中，不代表你對神經網路有任何有效的理解。

因此在神經系統這片原始森林裡，光去拿著放大鏡對著每一棵樹看難以取得成效（雖然是不可或缺的）。

計算神經科學的靈魂

通過計算神經科學，我們把握的是神經電路的演算法，而演算法，是這個系統的靈魂。我們都知道，實現一個演算法可以用無數手段，甚至完全不同的硬體，但只要演算法不變，它所做的事情就是一樣的。

一個基本的假設是大腦的各個不同功能區，比如視覺，聽覺，嗅覺等， 實際運用的編碼（encoding）和解碼（decoding）演算法是類似的， 而這種相似性基於類似的設計原則

驗證這一個假想的驚人例子是，某個特定腦區的功能不是確定不變的。科學家已經成功實現了引導小鼠大腦的聽覺區產生類似視覺的功能，只要用視覺信號訓練它即可。這個原理被用於給盲人安裝「電子眼」的研究，給盲人加上類似蝙蝠的聲納系統，然後引導他們的聽覺腦區利用類似處理視覺信號的方法看到物體。

這個例子凸顯了有什麼樣的需求，系統就採取相應的演算法與之適應。

終於可以引出計算神經科學的本質目的，研究神經系統處理信息的演算法，它是如何在和外界的信息交換中調整自身的。它也關心細節，但是它關注的是細節是如何在更大的尺度上發揮它的影響的。

它關注實現大腦認知功能的」演算法「，但與設計一台超級計算機的思路不同的是，它關注的是的隨機無序的生物世界如何實現高效有序的計算，而且具備目前計算機不具備的靈活性。與生物學研究的不同的是，他始終關注生物原件的計算特性，生物原件是如何接受大自然的信號，編碼他們（coding），表達他們(cognition) 和處理他們（behaivior）。

大腦信息處理的基本原則：

1. 多層神經網路（又稱深度網路）：

神經網路不能理解為細胞的簡單加和，由於細胞之間的作用是非線性的，他們的組合可以產生各種單個體沒有的性質-例如對複雜物體的分類識別（classification）。

而另一個基本的性質，即多層網路，則可以大大增加這種功能在複雜輸入面前的執行準確度以及識別物體的全局特徵，比如某些抽象特徵。

關於多層的好處的最簡單理解是，增加運算的複雜度。 比如第一層執行加法， 那麼第二層就可以在加法之上實現乘法，第三層實現乘方。 越複雜的運算，就越有利於系統把握一些簡單運算難以識別的特徵，這些特徵往往是總體性全局性的信息，而非局部， 比如你要識別一張人臉，光看鼻子或者嘴是沒有意義的，而人腦即使對一張模糊的人臉照片也可以立即識別，就是因為它具有多層網路的性質， 能夠抓取一些總體性的特徵。

圖： 多層網路示意圖，從輸入到輸出，中間經過多層級的信息處理。

圖： 多層網路，從簡單運算到複雜運算（比特加和，數字加和，至乘法）。（圖片來源:http://neuralnetworksanddeeplearning.com/chap5.html）

圖： 視覺迴路， 示範大腦內普遍存在的多層網路特性。 從視網膜到LGN到視覺皮層，是一個典型的多級深度網路（左圖）。 而在每一個層級上所執行的運算複雜度逐級上升（右圖）， 第一層只能識別局部反差，後面開始識別輪廓，直到越來越全局和抽象的信息。 (圖片來源：http://facets.kip.uni-heidelberg.de/public/results/1stYear/WP9/)

2. 可塑性與記憶，Plasticity & Memory

神經網路的特點是具備可塑性， 這是我們能夠學習和記憶的基礎，一個沒有可塑性的網路從生到死都執行一樣的功能。 這種可塑性用一句話表明就是在一起放電的細胞互相連接會被一起改變。 體現在當一團神經元被激活後， 它們之間的鏈接會根據互相之間活動的時間關係進行調整。 因此在一起放電的細胞會聯繫更加緊密，形成一個子網，一旦形成子網，細胞就更容易一起放電，因而更加鞏固練習，最終，形成一個整體性的基團（這和人類組織形成並無二致，一起活動就結合在一起，成為小圈子），只要觸發其中一個細胞，整個子網都會相應。類似於我們的記憶，所謂觸景生情，睹物思人。

最經典的例子莫過於巴甫洛夫的狗的條件反射實驗，狗流口水和鈴鐺響一開始沒有什麼聯繫，但是當食物在鈴鐺響的時候頻繁出現之後，狗就會在鈴鐺響後分泌口水，就是因為代表流口水的神經元和代表鈴鐺的神經元加強了聯繫，從而當激活一個時候，另一個就會自動響應。

圖： 神經可塑性工作的原理。 一起放電的細胞連接加強而形成集團。紅色代表一起放電的神經元，之間的連線代表它們的網路連接，色彩濃度代表連接強度。

3. 陰陽相生相剋- 興奮抑制神經元與平衡神經網路

神經細胞大致分為兩類，一類是興奮性的，其活動的結果是提高其它神經元的活動強度，相當於正反饋。 一類是抑制性的，其活動的結果會降低其它神經元的活躍性，相當於負反饋，負反饋對於整個網路活動的調節具有至關重要的作用，負反饋的缺乏往往導致癲癇一類嚴重的神經疾病 。一個正常工作的神經網路處在平衡狀態上（Balaced State） 這樣一種基本結構正如同大自然各個地方一樣，體現了一種平衡制約的思維。平衡狀態的神經網路具有最大的對外界信號最大的響應能力。

圖： 興奮和抑制神經元的陰陽相抵，下圖展示當這種平衡出現差錯，抑制神經元的功能不正常的時候一種可能的結果是導致精神分裂症（圖片來源：Testing the glutamate hypothesis of schizophrenia ，Nature neuroscience）

4. 貝葉斯網路假設

大腦信息處理有沒有通用的法則，如同物理里的牛頓定律呢？ 一個大膽的設想是，大腦對信息的處理符合貝葉斯推理的基本框架。即利用大腦已有的經驗模型做出猜測，並根據不斷取得新的信息調整猜測。

比如後面有一頭獅子追你， 你跑呀跑，看到一條湍急的河， 你要在幾秒鐘決定你是跳到水裡， 還是和獅子決一死戰。這個時候大腦的預測能力就是生死攸關， 你一定會在你腦子裡生成兩個圖景，一個是跳到水裡會是什麼樣，一個是與獅子決鬥會是什麼樣。這種推理是怎麼做出的？ 一個基本假設是大腦在執行類似於貝葉斯推理的功能。首先，根據以往的經驗（統計規律）看你和獅子決鬥是怎樣的（腦中生成的圖像）， 在把對眼下這頭獅子的觀測和以往對獅子的經驗理論結合起來（胖還是瘦，跑的快還是慢），取得一個取勝獅子的概率，這個決策的基礎是一個分布函數，因此本身也具有不確定性。也許你這一次是決定和獅子決鬥，下次相同的情況就是跳到激流里碰運氣。 這種分散式決策對於種群的生存起到決定性的作用。如果所有人都選擇斗獅子或者跳激流，而恰恰押錯了堵住，那麼對生物物種就是毀滅性的。

這種框架性的思路可以幫我們理解神經元放電的可變性及不確定性提供基礎，因為你是在不確定的世界做統計推理，而非直接了當的給出確定答案，你的原件本身就需要具有這種不確定性。

5. 跨尺度的複雜性

所謂跨尺度的複雜性，是說與計算機不同的是，神經系統每個級別都具有其自身的複雜性，或者說自身都是一個小網路，小宇宙。 比如神經網路由神經細胞組成，而神經細胞又是由互相作用的離子通道構成，可以看成離子通道的網路。 因此我一直覺得與其說神經網路是一台超級計算機，不如說是一個龐大的計算機網路，因為每一個神經元就相當於一台計算機。

上一級的複雜性如何影響下一級的複雜性，是一個永恆的話題，這樣層層嵌套的複雜系統真的需要嗎？還是只是進化過程的累贅？

計算神經科學的基本方法

這門學問的研究方法是頂層設計與尋找蛛絲馬跡的偵探工作的結合。

那麼我們該怎麼了解「神經森林」？ 一句話--先從上往下看，再由下往上看。

什麼叫從上往下看？ 生物學家往往看我有什麼，我有細胞，我有網路，我看看它們怎麼連接。工程師往往看我需要什麼，我要做一台計算機，我需要什麼元件，怎麼連接？ 工程師的思路就是從上往下看，我需要什麼，我就設計什麼。

在研究神經系統時，我們需要用工程師的想法（自上而下）。 我要是有一堆神經元組成的網路，我讓它做哪些事情？ 比如說記憶，當信息流過一堆細胞，它如何留下之後可以認讀的印記？又如何在特殊的條件下被呼喚出來？

這就是計算神經科學在做的事情，我們先主動設計這個一個系統，看看如何做到需要的功能（自上而下），然後拿著這個東西回到生物的世界裡去比較（由下而上）。

科學說到底是要能夠有預知未來的能力，而計算神經科學幫助整個神經科學插上了預言的翅膀

實現的辦法我稱作模型與實驗的循環。

自上而下。如果要實現一定的任務，需要什麼樣的網路。類似於把自己比喻成大腦的設計者。

自下而上。但是之前說了大腦沒有設計者啊？ 所以這裡解決這個問題。根據生物實驗結果，推測生物的神經元是如何自然的組成網路給出上述設計師的類似構架的。

綜合1，2建模。以上完成了頂層設計結合實驗結果設計模型的過程，猶如從地上獅子的腳印識別獅子（其實這就是我們的大腦始終在乾的事情，反過來我們用它研究大腦）。

由獅子推斷獅爪。 現在我們通過偉大的想像力得來了一頭活生生的獅子，它可以四處活動留下無數的腳印。我們讓它在計算機里活動（所謂Simulation）。得到各種特點的腳印。這就是我們的預測能力的來源，我們可以知道他今天的行動，也可以得到他明天後天的行動。

回到實驗檢驗。 讓現實生活中的獅子多跑跑再留下一些腳印，看看是否符合模型推理的結果。

由此可見計算神經科學的威力。我們從一棵樹木推斷了整片森林，由獅子的腳印探測了獅子。

這個學科的魅力，也在想像與真實時近時遠，若即若離的關係。

一個大家可以多專註的典型案例是對海馬體（hippocampus）的研究，海馬體是大腦解決空間認知（spatial map）和情景記憶（時空軌跡）的超級計算器。這個原件的研究緊密的結合了細胞電生理實驗，動物行為學和計算神經科學，也有非常多漂亮的計算模型。

計算神經科學，你真的需要

基礎牢固的是細胞神經科學，高端洋氣最能引起人們關心的是心理學，那麼計算神經科學呢，計算神經科學用漂亮的數學式架通兩個截然不同的尺度(雖然目前還有距離)。

基於細胞尺度的神經科學在給它提供地基，捕風捉影的心理學在給它引領方向，而他，具有潛力比兩者走的更遠。

未來可能從計算神經科學中獲益的幾類人：

1. 在實驗室里辛苦做電生理的生物博士們：計算神經科學家利用它們對整個系統運行機制的把握最大可能的對實驗數據進行挖掘，並且幫助設計具有突破性的實驗。

2. 生物製藥公司：幫助設計新葯，減少一種新葯的試驗年限。製藥的根本在於某種化學物質對整個神經網路可能產生的影響，做跨尺度的分析恰是計算神經科學的長處。

3. 人工智慧：對生物大腦的理解幫助人工智慧，類似仿生學。此處詳見後文。

4. 腦科及心理醫生：每一個好的計算模型都可以幫助設計新的治療方法。最典型的例子-老年痴呆症，如果能夠了解人腦短期和長期記憶的機制就可以幫助人找到記憶衰退的原因並延緩它。

5.普羅大眾： 沒有什麼比腦科學更能幫助每個人生活的更好。

關於計算神經科學與人工智慧：

人工智慧和機器學習相關的技術代表人類的未來， 未來從家政服務到金融交易都將以這種技術為基礎。但是它到底是否和我們真實生物的大腦有關呢？ 我們是否應該以人類自己的腦袋為師，還是可以直接通過我們巧妙的設計來超越自然本身？ 亦或者這就是上帝的計劃的一部分？ 讓人類產生甚至超越自己的東西？

回答這些問題都為時過早。但是目前已知的是，所有的人工智慧演算法都利用了和我們神經系統學習和處理信息類似的原則，比如多層網路處理信息。 在視覺處理領域，2012 年一個叫深度卷積網路的技術脫穎而出， 瞬間拿下了所有視覺信息識別的計算機大賽。 深度卷積網路（Deep Convolutional Neural network ）是深度網路的一種（見下圖）， 完全符合前文提到的神經網路的基本原理第一條。

圖：用於視覺處理的深度神經網路。從局部到全局，由圖像最後判斷圖像背後的人物是誰。

因此我認為人工智慧和計算神經科學具有某種內在的同質性， 唯一的區別可能是人工智慧可以不必拘泥生物的限制，或者也是為什麼他最終或許會比生物網路表現更好。

* 有一種觀點認為好的人工智慧演算法無需一定是仿生的，我們可以完全從一般性原理出發設計。 比如說常見的數學優化問題， 用隨機優化進行學習的機器人已經能夠較好的模擬很多人的動作。 事實上我認為一定程度上依然和生物問題殊途同歸，甚至能夠幫我們更好的理解生物。

結語：

有一天，我們知道的比占星術更多一點。我們會在錯綜複雜的心理現象之間划出一張真正清晰的聯繫圖。並且給每個出生的嬰兒這樣一張他的心智地圖。引導他的一生可以過的比較好一點，讓每一個人的天賦都充分發揮不至埋沒。 或許有一天機器可以作為大腦的外延，讓我們掌握我們此生根本無法想像的諮詢和智慧。

計算神經科學，生命終將因你更美好。

由衷感謝:

阿蘭圖靈： 人工智慧之父。第一個物理學的動力學方程解釋生物系統的pattern formaiton（圖案-如斑馬的花紋）。 曾經，人們不敢相信紛繁的生物現實可以產生自簡單的物理方程。

Hodgkin and Huxley: 大名鼎鼎的H&H模型，用幾個極為漂亮的微分方程提供了單個神經元放電的精確模型：H&H把電生理實驗和物理動力學緊密結合，展示了數理方程在解決這樣一個複雜生物問題的威力，堪稱生物物理的經典勝利。

Donald Hebb ： 第一個建立起來細胞生物學和心理學的聯繫。提出Hebb learning rule 指出神經系統學習的機制 -經常一起方便的神經元會更強的聯繫在一起，從而學習記憶。

Hopefield : 第一次將統計物理的方法帶入神經網路，解釋了神經網路記憶和推理的可能性。

藍色大腦計劃： 一個把巨量神經元放入電腦中模擬計劃，企圖製造人工大腦。 類似於阿波羅登月的壯舉，無論成功與否。網址：http://bluebrain.epfl.ch/

圖： 藍色大腦計劃想要複製的人類大腦局部。

推薦閱讀（Reference）：

Hodgkin Huxley Model

Hodgkin, Alan L., and Andrew F. Huxley. "A quantitative description of membrane current and its application to conduction and excitation in nerve."The Journal of physiology 117.4 (1952): 500-544.

Hebbian Lerning

Hebb, Donald Olding. The organization of behavior: A neuropsychological theory. Psychology Press, 2005.

Hopefield Model

Hopfield, John J. "Neurons with graded response have collective computational properties like those of two-state neurons." Proceedings of the national academy of sciences 81.10 (1984): 3088-3092.

Balanced Network

van Vreeswijk, Carl, and Haim Sompolinsky. "Chaos in neuronal networks with balanced excitatory and inhibitory activity." Science 274.5293 (1996): 1724-1726.

本文首發於微信公眾號混沌巡洋艦（chaoscruiser）

http://weixin.qq.com/r/bkw9OX-ElrfqKTtabxnq (二維碼自動識別)

歡迎關注混沌巡洋艦，追尋自然界複雜下的簡單，帶你學習各路跨界乾貨。

歡迎加小編鐵哥個人微信562763765