直逼AI本质！美政府“大脑阿波罗计划”出现新转折，华裔科学家诺奖技术成关键突破点 | 独家

APP年度订阅用户可加入科技英语学习社区，每周科技英语直播讲堂，详情查看“阅读原文”

目前，人工智能仅能大致模拟出大脑模型。若想完全正确地模拟大脑，人类必须做到迄今无人能及之事：描绘出神经元及神经纤维内部正在发生的一切。

“现今的人工智能仍存在问题”，来自哈佛大学的神经科学家 David Cox 说。的确，从近乎完美的人脸识别到自动驾驶，再到世界围棋冠军 Alpha Go，人工智能的表现堪称惊艳。并且，很多人工智能应用甚至不再需要编程：它们可以基于已有架构实现从经验中自我学习。

然而，AI仍然笨拙而野蛮。“你需要为它提供成千上万件属于狗或不属于狗的事物，才能搭建出一个能够识别狗的机器，但我的女儿只需要看一只狗，从此以后就可以开心的认出所有狗狗”，David Cox 表示。

况且，现在的 AI 从所有数据中提取的知识架构也往往不堪一击。如果再加上一些图片中人类都注意不到的静态噪声，AI还有可能将一只狗认成一个垃圾桶。可以说，目前人们将人脸识别应用到智能手机中仍然不安全。

图 | 一个正在观察实验中的大鼠活体大脑的研究员。

图 | 实验后，大鼠脑部被取出。

为了克服这些局限，David Cox 与众多其他神经科学家及机器学习专家在去年创立了致力于重建大脑的“皮层神经网络机器智能”（the Machine Intelligence from Cortical Networks, MICrONS）项目——MICrONS 研究者们致力于绘制啮齿类动物大脑皮层结构与功能图谱，还原其中所有细节。

MICrONS 得到美国情报高级研究计划署（Intelligence Advanced Research Projects Activity，IARPA）1 亿美元的资助。该项目的构思者及启动者 Jacob Vogelstein 称，这个项目相当于神经科学领域的“阿波罗登月计划”。他曾任美国情报机构研究部门情报高级研究计划局项目长官，目前在 Camden Partners 投资公司就职。

对于大脑的复杂程度而言，描绘每个立方毫米（约一个砂砾大小）的脑皮层图谱都如登月般工程量浩大，这是因为我们想真正描绘出其中的是其体积数亿倍的细节，它大致包含了 10 万个神经元和大约 10 亿个神经突触（神经元间传递信息的缝隙结构）。

图 | 培养皿中的大鼠脑部

这个项目的雄心壮志令其他神经科学家敬佩不已。“我认为他们在做的事情非常英勇”，来自布兰迪斯大学的 Eve Marder 说道，她的整个学术生涯都在研究更小尺度的神经环路。在宾夕法尼亚大学从事大脑计算模型研究的科学家 Konrad Kording 同样为此感到兴奋：“这是神经科学领域最令人激动的事了”。

图 | 扫描前，大脑被用强力胶固定在平台上。

实际上，研究的终极回报将在于挖掘数据背后埋藏的、关于神经的秘密——即“为下一代人工智能提供理论计算构件”的原理。对此，Jacob Vogelstein表示，目前应用的神经网络仍是基于数十年前提出的、非常基础的神经工作架构建立的。而从本质上来说，人工智能系统其实就是在数万个密集的“节点”（相当于脑中的神经元）中传递信息，整个系统通过不断校正联结强度来优化性能。

然而，多数计算机神经网络的信号是“前馈式传递”，即从一个节点传至下一个节点，各层间没有反馈。然而，真实的大脑充满了反馈：每一束神经纤维将信号从一个脑区传递至下一个，同时有相同甚至更多的神经纤维通过另一个路径返回信号。为何大脑如此工作？这些反馈纤维是否是人脑一次性学习等强大功能背后的关键奥秘？除此之外是否还有其他原理？

MICrONS的构思者及启动者 Jacob Vogelstein，该项目相当于神经科学领域的“阿波罗登月计划”

普林斯顿大学的神经科学家、这一图谱绘制工程的关键人物 Sebastian Seung 表示，MICrONS 至少将会为我们解答其中一个问题。事实上，“若不通过这样的项目，我们永远也无法回答其中任何一个问题。”

图 | 左图为左上方的一小块大脑为将要绘制的部分；右图为该块大脑被亚克力封装，将被切为极薄的片状。

不断放大 

MICrONS 共有三个团队：一支由 David Cox 领导，一支来自莱斯大学及贝勒医学院，一支来自卡内基梅隆大学，每一个团队都分别在从事颇为综合的研究：重建一立方毫米大鼠脑中所有细胞，以及它们的连接图谱（即“连接组”），这个图谱将体现每个细胞如何与其他细胞连接，同时通过数据展示激发神经元放电并传递其他神经元的情景。

项目的第一步是观察大鼠大脑，区别出该立方毫米中实际工作的神经元。比如说，当动物接受特定视觉刺激，如具有方向的直线时，哪些神经元产生了即时放电，又有哪些相邻神经元对此响应？

然而，在这一点上，如今与十年前没什么不同，捕捉这类数据几乎不可能。“一直没有工具可以实现”，Jacob Vogelstein 表示。尽管研究者可以将超薄网格电极植入脑中并记录单个神经元的电活动，但由于神经元排列紧凑，电极无法同时记录超过数十个神经元活动。研究者同样能够利用核磁成像 MRI 技术对人类或其他动物大脑进行整体功能成像，但却无法反映单个神经元的情况：fMRI（功能性磁共振成像）的最高空间分辨率大约为 1 毫米。

图 | 对固定在亚克力中的大脑进行切片

但是，令活体大脑神经元放电时发光的技术为这一局限带来了突破。著名华裔科学家钱永健是该技术的主要贡献者之一，并凭借绿色荧光蛋白的研究获得了 2008 年的诺贝尔化学奖。在该技术中，由于神经元放电时会有大量钙离子涌入细胞，科学家将荧光蛋白注入神经元并让该蛋白在钙离子存在时发光。具体而言，科学家们会先利用无害的病毒将该荧光蛋白注入大鼠脑中，或直接将编码蛋白的基因转入神经元基因组中。

著名华裔科学家钱永健

实际上，荧光可以通过多种途径激发，但其中最有效的一种可能是通过一对激光使红外线通过大鼠颅骨上的开口到达大脑。红外频率的光子能够在不损伤大脑的情况下透过相对不透明的脑组织，最终被荧光蛋白吸收。然后，该蛋白将释放一个可见光子，这个光子可以通过普通显微镜观察到。也就是说，当动物看到特定事物或执行某种动作时，我们可以观察到其脑部活动细节。

图 | 对包含大脑样品的亚克力切片排列修整后放入大型仪器中扫描

对此，贝勒医学院团队的领导者 Andreas Tolias 表示，这是一种“革命性突破”，因为“我们能够记录每一个神经元，即使它们离得非常近”。

一旦 David Cox 实验室的团队绘制出大鼠神经活动后，该实验大鼠将被处死，研究者会使用含有重金属锇的溶液灌入小鼠体内并取出大脑。然后，哈佛大学生物学家 Jeff Lichtman 领导的团队会将大脑切片，观察并区别神经元组织连接架构。

这一过程从位于地下实验室中一架类似于熟食店里切蒜肠机的台式仪器开始：一个金属小平台升升降降，有条不紊的削下琥珀色亚克力“蜡笔”的尖端，并将切下来的每一片粘附在一条塑料平台上的传送带上。然而不同的是，那个“蜡笔”其实是包裹着大脑组织的坚硬的树脂柱，对脆弱的脑组织起到支持保护的作用，而那个升升降降的金属小平台上，装着不能更锋利的金刚石刀片，由它切下来的切片，厚度大约仅有 30 纳米。

图 | 扫描大脑薄片得到的图像由算法将其重组黏合。

图 |左图为 “多波束视野”，由电镜拍摄的 61 张图像组合而成的图像；右图为14 个如上图的“多波束视野”拼合

图 | 扫描图像组合装配成立方并上色

下一步发生在位于走廊尽头的另一个实验室里。放置在半导体晶片上的、包含若干片脑组织切片的条带，被放入像大型工业冰箱一样的仪器中。这个仪器实际上是一架电子显微镜：它利用 61 个电子束同时扫描 61 片脑组织切片，分辨率高达 4 纳米。

扫描每个晶片大约需要 26 个小时。在显微镜旁的显示器上显示的扫描结果图像，还原出了令人赞叹的细节——细胞膜、线粒体、聚集在突触周围的充满神经递质的囊泡。简直像一幅分形图像：你越放大，能够看到的细节越多，复杂程度越高。

但切片并不是研究的目的，尽管利用显微镜得到的扫描结果“喷涌而出”却也并非最后一步。“你就像在制作一部令每一片切片不断延伸的电影”，Lichtman 说道。这些切片之后转交给了哈佛大学计算机科学家 Hanspeter Pfister 领导的队伍。“我们的角色是在图像中提取尽可能多的信息”，Pfister 说。

这支团队将利用数量巨多的 2D 切片重建三维神经元——包括它们的细胞器、突触和其他特征。虽然可以利用纸笔进行人工绘制，但这样无疑会慢得令人绝望，Pfister 说。于是，他与他的团队构建并训练神经网络来描绘真实的神经元，“它们的表现胜过从前我们使用的任何其他方法”。

无论尺寸大小，每一个神经元，都具有大量卷曲的“枝叶”以及一个长而细的纤维，前者称为“树突”，后者则为“轴突”。轴突能够远距离的传递神经冲动，甚至可以跨越整个脑部或下传至脊髓。通过 MICrONS 所绘制的一毫米立方，研究者们能从头至尾地追踪多数轴突，从而观察到完整的神经环路。“我认为我们将会有所发现”，Pfister 说，“或许是我们从未设想过的结构，或许是神经环路装配的全新观点。”

预感的力量

让我们回到 MICrONS 团队最初想解决的问题：大脑的算法是什么？这些神经环路实际上是如何工作的？尤其亟待解答的是，那些反馈究竟起到了什么样的作用？

当今许多 AI 应用程序都不存在反馈机制。大部分神经网络中的电信号瀑布式地从上一层网络节点传至下一层，然而通常不再向回传递。（不要与反向传播算法混淆，那是训练神经网络的方式。）当然，这并非全部情况：循环神经网络 (RNN, Recurrent Neural Networks) 的确有向回传递的连接，可以帮助它们处理随时间变化的输入。然而，RNN 应用反馈的程度并没有达到像大脑应用反馈一样。来自卡内基梅隆大学的 Tai Sing Lee 说，在被充分研究的部分视觉皮层中，“仅仅有 5% 到 10% 的突触等待并接收来自眼睛的视觉信号。”其他的则是等待着来自更高级大脑的反馈信息。

图 | 上色后的立方体用来用来进一步分析神经结构及活动，让科学家们深入了解大脑里到底在发生什么

这一重构的大脑立方块用 3D 图像展示出了不同种类的神经结构和神经过程，为科学家们提供了迄今为止大脑最真实详尽的图像。

关于反馈的功能和目的，目前大致有两种理论。对此，David Cox 表示，“一种观点认为大脑在不断地尝试预测它将接收的输入”。打个比方，当感觉皮层正在编码此刻的电影场景时，更高级的脑区正在努力预期下一刻的场景，并将它们认为最佳的猜想通过反馈纤维传递回感觉皮层。

这是大脑应对快速变化的环境的唯一方法。“神经元真的很慢”，David Cox 说，“自光抵达视网膜到神经信号传递至具有感知功能脑区，完成所有阶段过程将花费 170 至 200 毫秒。这一时间足够小威廉姆斯（著名网球运动员）的发球飞 9 米。”所以，任何想接住这个网球的人必须利用预测进行挥拍。

如果你不停地尝试预测未来，David Cox 说，“那么当真实的未来到来时，你能够通过校正来使你的下一个预测更加准确。”这与第二种关于反馈的主流观点完美吻合：大脑的反馈连接用来指导学习。

的确，计算机模拟的过程——所谓增强性能——便是使整个系统建立出反映真实世界的更优模型。举个例子，“当别人转过身时，你必会断定是怎样一张脸将会出现”——这必是解答“一次学习”（one-shot-learning）之谜的关键。

David Cox 举了这样一个例子：当她的女儿第一次看到狗的时候，她不知道影子是什么，也不需要知道光在平面上反射的原理，她在生活中积攒了大量的经验。当她发现类似于“这是一只狗”事情，她就能根据生活经验，进一步补充更多信息。如果大脑的信息反馈是正确的，那么 MICrONS 就能在详细结构图中显示大脑的结构和功能，反映出神经电路是如何预测和自主学习的。

如果这些关于大脑反馈作用的观点是正确的，它们能够在 MICrONS 的大脑结构及功能图谱中得以体现，该图谱就能够证明神经环路是如何预测和学习，而人工智能的最终目的就是模拟这样思维过程。

即使这样，我们距离真正理解大脑还有很长的路要走。因为只了解神经电路是远远不够的，有许多细胞间的信号传递并不需要依赖突触，例如通过激素，或是游离在神经元之间的神经递质实现。

同时，也存在尺度方面的问题，尽管迈出了巨大的一步，但 MICrONS 为了解决计算相关问题，仅仅观察了大脑皮层最外的一小块。而大脑皮层只是大脑的外部区域，大脑中关键的的调控机制，仍隐藏在丘脑和基底神经节之类的深层的大脑结构中。

好消息是，MICrONS 已经走在前列，科学家们未来有望绘制更大的脑图谱。据 Jacob Vogelstein 介绍，1 亿美元中的大部分会用在开发数据收集技术上，而今后不必再在此处花费。同时，MICrONS 团队正在研发更快的扫描技术，其中包括不需要切片的方法。

目前，卡内基·梅隆大学、哈佛大学、麻省理工学院、伍兹·霍尔海洋学研究所的科学家们通力协作，已经开发出了一种“条形编码”的技术，能够靶向标记每个神经元，并用一种特殊的凝胶慢慢使得这些细胞膨胀达到饱和，大小是原来的数十到数百倍不等，实现更高分辨率观察细胞。

“所以，尽管第一个立方毫米的数据获得起来非常困难”，Jacob Vogelstein 说，“但下一个将会简单得多。”

本文作者 M. Mitchell Waldrop 是《 复杂》（ Complexity ）和《梦机器》（The Dream Machine）的作者，曾在 《Nature》 担任编辑。本文由 MIT Technology Review 在中国大陆地区独家授权发布，未经授权，不得转载。

-End-

关注公众号：拾黑（shiheibook）了解更多

[广告]赞助链接：

四季很好，只要有你，文娱排行榜：https://www.yaopaiming.com/
让资讯触达的更精准有趣：https://www.0xu.cn/