從1立方毫米的大腦皮層中，解開人類思維的奧秘

帶三歲小孩去動物園，不用你說她就知道，那個脖子長長、嚼著樹葉的動物就是圖畫書上的長頸鹿。乍看起來這沒什麼了不起的，但實際可不簡單。書本上只有簡單的線條，勾勒出死板的輪廓，但有血有肉的動物卻充斥著顏色、質感、動作和光線，而且每個角度的樣子都不一樣。

這是人類的專長。只要少少的幾個例子，我們就能抓住重要特徵，從陌生事物中識別出它們。如果換成人工智慧程序，則要消化一整個長頸鹿資料庫，從各種不同背景和視角加以觀察，才能「認識」它們。

視覺識別是人類勝過計算機的諸多領域之一。我們還擅長從大量數據中找出相關信息，解答非結構化問題，善於無監督學習，就像嬰兒在玩積木時，順便就認識了重力的作用。「相對計算機來說，人類更像是個多面手。」卡內基梅隆大學計算機科學家、神經科學家李泰興（Tai Sing Lee，音）說，「我們的思維更靈活一些，可以預見、想像和創造未來。」

美國的情報部門資助了一個野心勃勃的新計劃，名為智能高級研究項目（IARPA），其目標就是要讓人工智慧更接近人類智力。該項目由三個團隊組成，研究人員包括神經科學家和計算機科學家，他們試圖探明大腦的視覺識別原理，然後用機器加以效仿。

「目前的機器學習做不到的，正是人類最擅長的。」該計劃負責人雅各布·沃格爾斯坦（Jacob Vogelstein）說，「我們想對人腦的演算法和計算方式進行逆向工程，掀起一場機器學習技術革命。」

時間緊迫。目前，每個團隊負責給一小塊大腦皮層建模——其精細程度前所未見，然後基於研究結果來開發相應演算法。到明年夏天，每種演算法都要接受測試：拿到一個陌生物件，在無標記資料庫內，從數千張圖片中挑出同類物件。

「這個時間要求很緊張。」艾倫腦科學研究所所長兼首席科學家克里斯托夫·科赫（Christof Koch）說，他正與其中一個團隊合作。

當前，科赫正和同事們一起，為一小塊大腦組織創建出完整的「布線圖」。這塊腦組織的體積是100萬立方微米，只相當於一粒芝麻的五百分之一。相比於迄今為止最大的完整布線圖，它又大了好幾個數量級。後者於去年6月發布，耗時六年完成。

IARPA項目又名「皮層網路機器智能」，簡稱Microns，為期五年。最終，研究人員將繪製出一個1立方毫米的皮層圖譜。看著很小一塊，但內含10萬個左右的神經元、300到1500萬個神經元連接（即突觸），所有神經元若是一字排開，長度足足有4公里。

以如此大的規模重構大腦，在歷史上尚屬首次。但小規模的嘗試表明，通過這些圖譜，我們能一窺大腦皮層的內部機制。在3月份發表於《自然》雜誌的一篇文章中，哈佛大學神經科學家艾倫·李（Wei-Chung Allen Lee）與合作者們繪製出了50個神經元及其1000多個連接對象的布線圖。他們將圖譜與每個神經元的功能匹配起來——比如，一些神經元專門響應縱向視覺輸入——然後推導出一個簡單的規則，這個規則限定了這部分神經元的解剖學連接方式。他們發現，功能類似的神經元更容易彼此連接，而且，同類神經元連接的緊密程度也要超過非同類神經元。目前，艾倫·李正與科赫的團隊進行合作。

IARPA資助各項研究，為的是給情報部門提供數據分析工具，所以，它的目標是取得技術上的突破，但首先還是要進一步理解大腦。貝勒醫學院神經科學家安德烈亞斯·托利亞斯（Andreas Tolias）打了個比方：目前我們對大腦皮層的認知，就好比一張模糊的照片。他希望，Microns項目能使這張照片變得更加清晰，在神經迴路中發現更加複雜的規則。不掌握其所有構成部分，他說，「我們可能就看不到它的結構之美。」托利亞斯目前擔任科赫團隊的負責人之一。

人腦的表面覆蓋著百轉千回的褶皺，形成大腦皮層。它們相當於比薩餅大小，揉皺了塞入頭骨內。從很多層面上講，它都是大腦的微處理器。這層組織約有三毫米厚，由一系列重複模塊（微迴路）構成，類似於計算機晶元中的邏輯門陣列。每個模塊由大約10萬個神經元組成，形成錯綜複雜的網路。有證據表明，在整個大腦皮層內，這些模塊的基本結構都大致相同。然而，不同區域的模塊服務於不同的目的，例如視覺、運動或聽覺等。

安德烈亞斯·托利亞斯（左）與他的學生R.J.科頓（R.J.Cotton）。

對於這些模塊的形態和運轉方式，科學家只有一個大概的了解。之前的大腦研究一般局限在更小的範圍內，比如幾十或數百個神經元。現在的技術已經能繪製出幾萬個神經元的形態、活動和連接，研究人員終於能以模塊為對象，分析內部神經元的互動方式，以及在某個系統中，這部分如何激活或抑制其他部分的活動。「這是我們頭一次能夠直接從模塊中提取信息，而不是單靠猜測。」沃格爾斯坦說，「不同的團隊總有不同的猜測。」

研究人員將聚焦於皮層的視覺處理區。視覺系統一直是神經科學家探究的對象，也是計算機科學家長期想要效仿的東西。「看東西好像很簡單——只要睜開眼睛就行了，但要教計算機學會『看』，那可就難了。」哈佛大學神經科學家大衛·科克斯（David Cox）說，他領導著三個IARPA團隊的其中一個。

針對視覺的工作原理，每個團隊的切入點都一樣，即合成分析法。根據這種幾十年前創立的理論，大腦會預測近期事件，然後再與親眼所見對應起來。這種方法的優勢在於效率——相對於每時每刻都將認知推翻重建，它所需的計算量要小得多。

大腦執行合成分析的途徑有很多，所以各個團隊探索的可能性不盡相同。科克斯的團隊將大腦視為一種物理引擎，它使用已有的物理模型，模擬出世界的樣貌。而由喬治·徹奇（George Church）和李泰興共同帶領的團隊則認為，大腦有一個現成的零件庫，它會學習零件的組裝原則，比如，葉子一般長在樹上。而托利亞斯的團隊正在探究一種數據驅動型的模式，按照這種模式，大腦針對其所處的世界，創建統計學預期。他的團隊將測試各種假設，以了解在同一個迴路中，各部分是如何交流的。

三個團隊都將觀測一小塊大腦中數萬個神經元的活動，然後用不同的方法，創建神經元布線圖。例如，科克斯的團隊會將腦組織切片，得到比頭髮絲更薄的層，然後用電子顯微鏡逐一分析，最後再用計算機，將每個橫截面依次拼接起來，創建出密集的三維圖譜，進而繪製出這些神經連接在皮層中的複雜路徑。

利用圖譜和活動模式，各團隊將梳理出一些控制迴路的基本規則。然後將規則編入計算機模擬，與真實大腦一較高下。

托利亞斯與合作者已經嘗到了這種研究方式的甜頭。在11月發表於《科學》雜誌的論文中，他們繪製出了11,000對神經元之間的連接，並發現了五種新型神經元。「我們還沒有列出大腦皮層的完整組件，單個神經元是什麼樣子，它們是如何連接的，我們都不知道。」科赫說，「但托利亞斯已經開始這方面的研究。」

托利亞斯等人繪製出神經元之間的連接，並將它們的腦電活動記錄下來。從解剖學上看，五個神經元（左上）顯得很複雜，但它們可以歸結為一個簡單的迴路（右上）。給2號神經元注入電流，使之放電。下游神經元（1號和5號）的狀態隨之改變。

托利亞斯的團隊發現，這些神經元的連接受制於三條一般性規則：有的主要與同類神經元溝通；有的避開同類，主要與其他類別的神經元溝通；有的只與幾個特定的神經元溝通。參照這三個布線規則，研究人員可以準確地模擬出神經迴路。「現在的難題是，這些布線規則怎麼用演算法表達出來？」托利亞斯說，「它們在進行何種計算？」

用人工智慧來模擬人腦運轉機制並非新生事物。早在上世紀80年代，科技界就盛行所謂的神經網路，模仿的是大腦的基本結構。但限於當時的運算能力，加之缺乏可用的訓練數據，演算法難有用武之地。畢竟當年，互聯網上還沒有那麼多帶有「貓」標籤的圖片。如今，神經網路強勢復興，比如，迅速進入尋常百姓家的語音和面部識別，就建立在神經網路演算法的基礎之上；AlphaGo也是，這台電腦在今年初打敗了韓國國手李世乭。不過，在更改連接時，人工神經網路採用的規則肯定不同於人腦。

當代神經網路「根據的是60年代對大腦的認知。」索爾克研究所（Salk Institute）計算神經科學家泰瑞·塞諾斯基（Terry Sejnowski）說，「而我們對大腦架構的認知已經出現了爆髮式增長。」塞諾斯基曾與多倫多大學的計算機科學家傑弗里·辛頓（Geoffrey Hinton）一起，開發過早期的神經網路演算法。

例如，當前的神經網路屬於一種前饋結構，信息從輸入逐層流向輸出。每層負責識別某種特徵，比如眼睛或鬍鬚，然後饋給下一層，每進一層，涉及的計算就更複雜一些。如此以往，最終，程序將一堆彩色的像素識別出來——是一隻貓。

但光有前饋結構還不行，它漏掉了生物體的重要組成部分：反饋。不但每個層內有反饋迴路，高層級和低層級之間也存在反饋迴路。在人腦皮層中，同一個層中的神經元就近相連，又與上層和下層中的神經元連接，從而產生錯綜複雜的環路網路。「在皮層網路中，反饋連接的重要性非同小可。」塞諾斯基說，「前饋連接有多少，反饋連接就有多少。」

這些反饋迴路究竟有何作用？我們並不了解。但我們知道一點：對人的注意力而言，反饋迴路至關重要。舉個例子，我們可以專心聽電話，自動忽略周圍噪音的干擾，這就與反饋結構有關。合成分析理論的魅力之一在於，它解釋了這些迴路為何反覆出現——它們能幫助大腦對照預測與現實。

Microns研究人員試圖破譯反饋迴路的規則——例如這些迴路連接哪些神經元，在何種物質的刺激下產生活動，這些活動如何影響迴路的輸出——然後將規則轉換成演算法。

「當前的機器缺的是想像和內省。我認為，正是由於反饋迴路的存在，我們才能進行不同程度的想像和內省。」李泰興說。

也許有一天，在反饋迴路的幫助下，機器能具備「人類獨有」的能力。「如果你能在深度網路中成功部署反饋迴路，你擁有的就不再是膝跳反射式的網路——給予輸入，獲得輸出——而是一種思考能力更強的網路，它可以反思輸入，並測試一系列假設。」塞諾斯基說。他還擔任美國總統奧巴馬BRAIN計劃的顧問，Microns就隸屬於該計劃。

和所有的IARPA項目一樣，Microns的風險也很高。要大規模繪製神經元活動及布線，研究人員需要技術的幫助，這類技術雖已存在，但從未應用於此等規模。挑戰之一在於，研究過程會產生巨量數據——每立方毫米大腦就能產生一兩個PB的數據，如何處理還是個問題。這些團隊可能需要開發新的機器學習工具，才能對其加以分析——這本身就是個反饋循環。

還有一個問題：我們對一小塊大腦的理解，能否用來解釋那些更高等級的能力。「大腦不只是一片皮層。」塞諾斯基說，「大腦由數百個系統組成，每個系統都有不同的功能。」

就大腦皮層而言，它由很多基本類似的重複單元組成。但大腦還有其他部分，它們的運作可能大不一樣。例如，AlphaGo演算法用到了強化學習，它和基底神經節有關，而這個腦區又與成癮性有關。「如果你不滿足於人工智慧只能進行簡單的模式識別，你就得研究很多不同的大腦區域」塞諾斯基說。

該項目一旦成功，它的作用就不僅限於分析情報數據那麼簡單了。一個成功的演算法能揭示出大腦是如何理解世界的，呈現出其中的關鍵事實。具體而言，它將證明，大腦確實是通過合成分析法來運行的——對世界做出預測，然後與感官輸入數據進行比對。它還將證明，意識構成中的關鍵成分之一，就是想像力與感知的混合，並且這種混合形式不斷發生著變化。「通過想像力，我們得以預測未來，並以此指導行動。」李泰興說。研究人員希望，通過構建會思考的機器，最終能揭示思維本身的奧秘。

翻譯：雁行

來源：Quanta Magazine

造就：劇院式的線下演講平台，發現最有創造力的思想

本文為頭條號作者原創，未經授權，不得轉載。