3
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輪廓，而動物園所見的是一個充滿顏色、質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據庫中進行分類，研究從不同的環境和角度，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據中找到相關信息，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?！叭祟惛瞄L總結。“卡內基梅隆大學的電腦科學家和神經科學家Tai Sing Lee說，“我們更具有靈活性思維，我們可以預計、相信和創造未來事件?！?/p>
一項由美國聯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。三支由神經科學家和計算機科學家組成的團隊將研究大腦如何實現視覺識別等偉業，然后讓機器照搬學習。“如今，人類擅長的事情機器搞不定?！盝acob 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?！?/strong>
時間不多。每組以前所未有的細節度，模擬大腦皮層的一個模塊。各組基于自己的發現，聯合開發算法。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據庫中選出該物體的例子?！边@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。這已經比現有最大的完整連線圖都大很多了，現有的連線圖去年六月發布，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10萬個神經元，300萬到一千五百萬個神經連接，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模的大腦部分。但是小規模的研究已經顯示出，此類大腦地圖可以提供大腦皮層內部結構的信息。在3月《自然》雜志發布的一篇論文，與Koch團隊合作的一位哈佛大學神經科學家Wei-Chung Allen Lee及其同事繪制了一張圖，包括了50個神經元和超過1000個它們的伙伴。通過將這張地圖和這些神經元在大腦中的功能配對——例如，有一些神經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元在解剖學上是如何連接起來的。他們發現，相同功能的神經元，相比別的神經元，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導出數據分析工具的項目——首先必須現有關于大腦的深刻新認識。Andreas Tolias，聯合領導Koch小組的Baylor醫學院神經科學家，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?？梢詭椭覀儗?，讓我們看見掌管我們神經回路的更復雜的規則。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。”
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。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。每一個模塊內包含大約10萬個神經元，安置在相互連接的細胞所組成的復雜網絡中。有證據顯示，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研究大腦：幾十個或幾百個神經元。新科技專門設計用于追蹤幾千個神經元的形狀、活動和連接，這讓研究員終于可以分析模塊內的細胞如何與其他細胞互動，系統內一個地方的活動如何引發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?！?/strong>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，神經科學家已經對這個感官系統進行了深入探索，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?！惫鸫髮W的神經學家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。根據這個理論，大腦對馬上將發生的事情做出預測，并將預測與它所見的融合。這種方法的力量在于其高效性——這比時時刻刻創造新內容所要求的計算更少。
大腦可能按不同方式執行任何次數的合成分析，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律。舉個例子，葉子，通常是在樹枝上的。Tolias的團隊在以更加數據驅動的方式研究，大腦創造對外在世界的統計預期。他的團隊將測試各種假設，看回路的不同部分如何溝通。
三個團隊都會監測目標區域內幾千個神經元的活動。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，創造一個濃縮版的三維地圖，記錄幾百萬個神經元聯系，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則。然后他們會把這些規則編程到模擬器，并測試模擬器與真實大腦的匹配度。
Tolias和團隊已經對這種方法的實力略見端倪。在11月發表于《科學》雜志的一篇論文中，他們繪制了10，000個神經元組的鏈接，在過程中發現了五種新類型的神經元。“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，它們如何連接。“Koch說，”那是Tolias開始做的事情。“
Adreas和伙伴們繪制出了神經元組的連接，記錄了它們的電子活動。五個神經元（左上）的復雜結構可以簡化為一個簡單的回路圖（右上）。在2號神經元注入電流會刺激神經元，引起下游兩個神經元中的電流變化，神經元1號和5號。
在這幾千個神經連接中，Tolias的團隊發現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元聯系；有一些避開自己同類的神經元，主要只和其他種類聯系；第三種只和少數幾個神經元聯系。只用這三種連接規則，研究員可以比較準確地模擬出大腦回路。“現在的挑戰是，必須研究出這些連接規則在計算上的意義是什么，”Tolias說，“他們都做哪些計算。”
類似大腦的人工智能不是新鮮事。所謂的神經網絡，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據。畢竟，當時互聯網上還沒有這么多標記出的貓咪照片。盡管神經網絡經歷了復興——迅速進入我們日常生活的語音識別和人臉識別就是基于神經網絡算法，打敗了世界圍棋冠軍的阿爾法狗同樣也是——不過，人工神經網絡改變連接的規則，與我們大腦使用的規則當然是不同的。
當代的神經網絡“是基于我們上世紀六十年代對大腦的認識?！盩erry Sejnowski說，他是圣地亞哥Salk研究院的計算神經科學家，他與多倫多大學的計算科學家Geoffrey Hinton開發了早期神經網絡算法。“我們對于大腦組織架構的知識正在大爆炸?！?/p>
例如，如今的神經網絡是由前饋控制的架構組成，信息從輸入經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復雜的數據計算。通過這種方式，軟件最終認出了一大堆彩色像素是一只貓。
但是這種前饋系統忽略了生物系統中的一個關鍵環節：反饋，每一層之中的反饋，以及從高級到低級層的反饋?！胺答佭B接在大腦皮層網絡中非常重要，”Sejnowski說，“反饋與前饋連接一樣多?！?/p>
神經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的連接。他們幫助大腦比較預測結果和現實結果。
Microns研究員希望解密控制反饋回路的規則——例如，這些回路連接哪些細胞，什么觸發他們的活動，這種活動如何影響回路的輸出——然后將這些規則轉化為算法。“現在機器所缺的是想象和內省。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。“如果你能在深度網絡中實現（反饋回路），你就能從類似膝跳反應的網絡——只有輸入、輸出——實現一個更加能反省的網絡，可以開始思考輸入，測試各種假設。”Sejnowski說，他在奧巴馬總統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。
與所有IARPA項目一樣，Microns項目風險很高。研究所需的大規模繪圖的技術已經存在，但是還沒有人在這樣的規模上應用過。有一項挑戰將是處理研究帶來的大規模數據——每立方毫米的大腦，帶來1到2千兆字節的數據。團隊應該需要開發新的機器學習工具，來分析所有數據，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?！癝ejnowski說，”大腦有幾百個不同的系統，專門用于不同的功能?！?/p>
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，大腦基底與上癮現象有關聯。“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?！?/strong>Sejnowski說。
如果項目成功，它所做的就不只是分析智能數據了。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?！笆窍胂笞屛覀冾A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。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
