AI和神經科學越來越緊密的結合，為處理海量數據、再現感官等任務提供了更加便利的條件，二者的融合促進了彼此的發展，為更精確地模擬人類大腦創造越來越有利的環境。本文選自Nature特刊《大腦》。

Chethan Pandarinath是佐治亞理工學院的生物醫學工程師，他想幫助癱瘓病人操作機械臂，讓他們也能像正常人那樣抓取目標。要解決這個問題，首先要識別神經系統中發出的和“移動手臂”相關的電信號，尤其是大腦中的電信號，再將這個信號傳給接收裝置。 結果發現，最難辦的問題就是識別信號。大腦發出的信號太復雜了。為了尋求幫助，他將信號作為輸入傳給了AI神經網絡，讓后者負責如何再現這些數據。

這些信號記錄取自大腦神經的一小部分，大腦中1億神經元中，只有200個是負責控制人的手臂運動的，計算機需要找到基礎的數據結構，即研究人員所說的“隱藏因素”，它控制著紀錄活動的總體行為，可以提現大腦的時間動態，也就是神經活動隨時間的變化方式。“現在我們已經能夠在毫秒級精度上掌握細微動作的角度和方向了，而控制機械臂需要的正是這些信息。”Pandarinath說道。

這個例子只是近年來AI和認知科學實現交互和融合的眾多應用之一。AI技術的核心神經網絡正是在模擬人的大腦計算和處理信息的模式。隨著近十年來AI技術的迅猛發展，認識科學開始從AI技術中獲得越來越多的幫助。

“這兩個學科之間的融合是自然而然的事，因為基本上研究的都是一樣的東西，比如研究如何將學習問題數學化，讓機器能夠計算解決，同時也在尋找著這個問題確實能夠解決的證據，這就是大腦的任務。”倫敦大學學院蓋茨比計算神經科學團隊的理論神經學專家Maneesh Sahani說。

模擬大腦

人工神經網絡只是大腦工作方式的一個粗略類比，David Sussillo是Google大腦團隊的計算神經科學家，他與Pandarinath合作研究二者之間聯系的潛在因素。比如將突觸模型化為矩陣中的數字，而實際上它們是生物機械的復雜部分，利用化學和電活動來發送或終止信號，并以動態模式與相鄰的突觸進行交互。“你無法進一步了解突觸實際上到底是怎么回事，只能化為矩陣中的一個個數字，”Sussillo說。

盡管如此，人工神經網絡已被證明對研究大腦很有用。如果這樣的系統可以產生類似于從大腦記錄的模式的神經活動模式，科學家就可以驗證系統如何產生輸出，然后推斷大腦是如何完成同樣的事情的。該方法可以應用于神經科學家感興趣的任何認知任務，包括處理圖像。“如果你可以訓練一個神經網絡去做，”Sussillo說，“那么也許你可以理解這個網絡是如何運作的，然后用它來理解生物數據。”

處理數據

AI技術不僅能夠方便地建模，生成信息，也能方便地處理數據。比如功能性核磁共振，會以每秒1-2毫米的分辨率捕捉大腦活動的圖像，神經科學上的難點在于，如何在數據量巨大的圖像信息中找到想要的信號。

使用機器分析這些數據可以加速研究。“這是神經科學如何完成的巨大變化，”Sussillo說。“研究生不需要做那么多盲目的工作 - 他們可以專注于更大的問題，同時可以通過自動化技術獲得更準確的結果。“

斯坦福大學的計算神經學家Daniel Yamins正在開發一套能夠模擬大腦活動的神經網絡

再現感官

斯坦福大學計算神經科學家Daniel Yamins采用的方法是建立一個可以復制大腦數據的人工系統。2014年，當Yamins在麻省理工學院做博士后研究員時，他和同事訓練了一個深度神經網絡來預測猴子在識別某些物體時的大腦活動。這個網絡架構具有兩個主要特征。

首先，它是一個視網膜，也就是說大腦中的視覺處理途徑反映了眼睛獲取視覺信息的方式。其次，這個系統是分層的。皮層中的特定區域負責執行越來越復雜的任務，從僅識別物體輪廓的層，到識別整個物體的更高層。

研究人員對于網絡高層運行機制的細節知之甚少，但最后結果是，大腦可以在不同的位置和不同的光照條件下成功識別物體，無論是目標因為距離的原因看上去或大或小，即使目標的一部分隱藏不見，也依然能識別。而計算機經常因這些障礙而陷入困境。

Yamins和他的同事根據與大腦相同的視網膜，分層構建了他們的深層神經網絡，并展示了數千個64個物體的圖像，這些物體的特征如大小和位置不同。當網絡學會識別物體時，會產生幾種可能的神經活動模式。研究人員將這些計算機生成的模式與猴子神經元記錄的模式進行比較，同時執行類似的任務。事實證明，最能識別物體的網絡，正是那些與猴子大腦最接近的活動模式。“你發現神經元的結構模仿了網絡的結構，”Yamins說。研究人員能夠將其網絡區域與大腦的相應區域進行匹配，準確率約為70％。

在2018年，Yamins和他的同事使用聽覺皮層實現了類似的壯舉，他們打造了一個深度神經網絡，能夠識別2秒視頻剪輯中的音樂單詞和類型，其精度與人類相當。這一成果有助于研究人員確定大腦皮層的哪些區域負責語音和音樂的識別，而這是了解人類聽覺系統的一小步。

一些常見問題：學習行為與智能的起源

計算機科學和認知科學正在解決一些重大問題，而研究如何在這兩個領域中回答這些問題，可能會促進共同進步。其中一個問題就是：學習行為是如何發生的。神經網絡主要執行監督學習。例如，為了掌握圖像識別，它們可能會學習來自ImageNet數據集中的圖像。網絡對具有相同標簽的圖像（例如“貓”）的統一理解有共同之處。當學習新圖像時，網絡會檢查它是否有類似的數字屬性;如果找到匹配，就會將圖像聲明為“貓”的圖像。

嬰兒的學習方式顯然不是這樣，Tomaso Poggio說，他是MIT的計算神經科學家。“嬰兒兩歲之前就能看到大約相當于十億張圖像，”他說。但這些圖像很少是被標記過的，只有一小部分對象會被主動指出并起名。“在機器學習中，我們還不知道如何應對這種情況，”Poggio說。“我們不知道如何讓機器從大多數未標記的數據中學習。”

他的實驗室項目還處于初始階段，神經網絡通過推斷未標記視頻中的模式執行無監督學習。“我們知道生物學上可以做到這一點，”Poggio說。“問題是怎么實現的。” Yamins正在通過設計像游戲中的嬰兒一樣的程序來處理無人監督的學習，通過隨機交互來審視環境，并慢慢了解世界是如何運作的。實際上是在以好奇心編碼來激勵計算機進行探索，希望能夠出現新的行為。

另一個突出的問題是，智能的某些方面是否是由進化實現的。例如，人們似乎很容易識別面部，一個嬰兒可以從生命的最初幾個小時就實現了這一點。Poggio認為，這可能是我們的基因編碼一種機制，用于在開發過程中快速及早地學習這類任務。分析這個想法是否正確，可能會計算機科學家們找到一種方法來推進機器學習的發展。 還有的研究人員正在研究道德的神經學基礎。“人們都害怕'邪惡'的機器，如果我們想要建立‘善良’的機器，‘有道德’的機器，我們可能就能更充分地了解我們的道德行為是如何產生的。”

Yamins說，現在只憑神經科學很難揭示無監督學習的運行機制。“如果沒有AI解決方案，如果沒有任何人工構建的方式，就不可能建立起大腦的運作模型，” 他認為，計算機科學家更有可能提出一種或多種可供神經科學家測試的解決方案。“最終可能會發現他們錯了，”他說，“但這難道不就是你研究的原因嗎？” 解答這些謎語可以打造出更智能的機器，這些機器能夠從環境中學習，并且可以將計算機的速度和處理能力與人類的更多能力結合起來。計算機的數據處理和建模能力已經帶來了腦科學的進步。“人工智能將對神經科學產生巨大影響，”Sussillo說，“而我希望成為其中的一部分。”