对小鼠大脑进行逆向研究可能会带来人工神经网络的突飞猛进

如今，人工智能系统在国际象棋和围棋等复杂的棋类游戏中已经所向无敌，德州扑克比赛人类也不是它们的对手。在飞行模拟中，它们甚至能在缠斗中击落最棒的飞行员。同时，手术缝合和精准的癌症诊断 AI 也占了上风。不过，AI 并非无懈可击，在某些领域它们连 3 岁的孩子都比不了。

哈佛大学神经科学家和 AI 专家 David Cox 就在自己 3 岁女儿身上发现了 AI 的阿基里斯之踵。当时，他女儿在自然历史博物馆里看到了一条超长的腿骨，结果小姑娘指着那根腿骨就脱口而出说出了“骆驼”这个词。可以肯定的是，Cox 的女儿只是几个月前见过卡通画册上的骆驼，她可不知道骆驼的腿骨到底长什么样。

AI 研究人员将这种分辨物体的能力称之为“一次性学习”，他们甚至自己都嫉妒起孩子们的天赋了。与孩子们相比，AI 系统想变聪明需要走完全不同的道路。

一般来说，在深度学习中，程序需要遍阅各种数据才能一步步成长。要想让 AI 掌握识别骆驼的能力，系统必须“消化”成千上万张骆驼的图片，其中包括卡通骆驼、骆驼解剖图、单驼峰和双驼峰的骆驼等等。除此之外，AI 还得再学习成千上万张标记有“不是骆驼”的图片，只有找到了骆驼不同于其他动物的特点，AI 才能成为骆驼辨识高手。不过，按照这样的速度进行学习，等 AI 能辨别骆驼时，Cox 的女儿已经能分辨长颈鹿和鸭嘴兽了。

在这里，Cox 提到自己女儿主要是为了解释美国政府名为 Microns（来自脑皮层的机器智能）的项目。该项目有一个相当宏伟的目标：对人类智能进行逆向工程研究，帮助计算机科学家打造更为先进的人工智能。

首先，神经科学家需要发掘大脑工作时灰质区的计算策略，随后数据小组需将这些策略转换成算法，而要想实现该项目的目标，AI 还必须拥有“一次性学习”的能力。“人类的推断和概括能力非常强大，而这就是我们试图让 AI 学会的技能。”Cox 说道。

这个为期五年的项目由美国情报高级研究计划局（IARPA）资助，该机构一共投资了 1 亿美元。自项目落地以来，研究人员一直在关注视觉皮层，该区域主要负责大脑视觉信息的处理。

在对小白鼠进行深入研究后，三个 Microns 小组正着手制作 1 立方毫米内的脑组织神经元布局图。虽然 1 立方毫米听起来很小，但只是这么一小块地方，就能容纳 5 万个神经元，与它们相连的神经元突触数量更是高达 5 亿个。研究人员希望通过这张布局图了解视觉皮层工作时会产生什么样的神经回路。

想完成这张布局图并不容易，研究人员需要能展示每个神经元连接的大脑影像，这就意味着影像分辨率必须达到纳米级别，这样的精细度绝对前所未见。

虽然每个 Microns 团队都下辖多个机构，但大多数的参与者还是归 Cox 来管。Cox 的研究室在哈佛校园独自占了一座建筑，进入这座建筑，你会发现它简直是啮齿动物的“游戏中心”。同时，这里聚集了世界上最紧密的仪器。人员器材齐备，Cox 认为他们终将解开那 1 立方毫米中潜藏的密码。

人类大脑是个神奇的存在，为了处理关于这个世界的信息并保证你的身体正常运转，每天都会有电流穿过你颅骨中的 860 亿个神经元。每个神经元上都会有个轴突，它们会蜿蜒的穿过组织并与其他数千个神经元相连，整个大脑中的连接甚至可以用万亿来计数。电流模式的不同能给人带来不同的动作：如动动手指、消化食物、陷入爱河或认出一匹骆驼。

双光子激发显微镜扫描老鼠的脑部组织

上世纪 40 年代起，计算机科学家就在尝试模拟大脑，他们先是设计了名为人工神经网络的软件结构，而如今，大多数的 AI 用到的都是该结构的现代化版本：即深度神经网络、卷积神经网络和递归神经网络等。这样的神经网络中包含有许多被称为人工神经元的计算节点，它们负责解决一些很小的离散任务，连接起来后整个系统则能处理复杂任务。

神经网络并不是我们大脑的完美复制，因为整个学界现在都没有掌握有关神经元回路的基本信息。作为 Microns 项目的负责人之一，R. Jacob Vogelstein 称研究人员一般都集中在微观或宏观领域进行探索。“我们用到的工具要么会刺激单个神经元，要么会在大脑的大片区域发射信号。”他说道。“在回路这个层级我们无法理解大脑的运行方式，这成千上万个神经元是如何协同工作来处理信息的呢？”

不过，随着技术突破的出现，我们可以解决这样尴尬的局面了，神经元之间的“联结图谱”不再神秘。

当然，Microns 要的可不只是简单的静态线路图。研究团队必须找出啮齿动物观察、学习和记忆时整个回路的工作情况。“这样的工作就像是在对集成电路做逆向研发。”Vogelstein 说道。“你必须仔细的观察整个芯片的每一处细节，但如果芯片不通电，你根本不知道它到底是如何运行的。”

对 IARPA 来说，只有研究人员能追踪到认知工作中神经元的模式，并将其转换成类脑结构整合进人工神经网络中，才能算成功。“现在我们最大的希望是大脑的计算策略能成功被转换成数字或者算法。”Vogelstein 说道。

政府希望新的类脑 AI 系统可以比现有产品更擅长解决现实问题。虽然理解大脑是人类的终极目标，但对情报机构来说，通过监控摄像头快速认出一个半遮面的恐怖分子更加重要。

下面我们来说说前面提到的啮齿动物“游戏中心”。这个房间并不大，里面放着四个微波炉大小的黑盒子，每个黑盒子中都有一只老鼠面对电脑屏幕，而老鼠的鼻子前还设有两个管子。

X 射线断层摄影术的成像

目前的实验显示，老鼠会试图掌控一项复杂的视觉任务。实验中，屏幕上会展现电脑生成的 3D 物体，这种物体在现实世界中根本不存在。当老鼠看到物体 A 时，它必须舔一下左边的管子才能喝到甜水；当它看到物体 B 时，则需要去舔右边的管子。不过，屏幕上呈现的物体方向各不相同，因此老鼠必须在大脑中旋转这些物体并决定它到底是 A 物体还是 B 物体。

在这些训练中，研究人员还会穿插加入图像测试，这些老鼠会被带到另一个实验室，这里笨重的显微镜会盖着黑布，就像相机刚发明时的样子。实验时，研究人员会使用双光子激发显微镜来检查老鼠的视觉皮层。随后他们会让老鼠继续观察物体 A 和物体 B，显微镜会记录下激光遇到活动神经元时的荧光，从 3D 视频来看，这个场景就像盛夏夜晚不断飞舞的萤火虫。Cox 的目标就是找出老鼠在完成任务过程中大脑模式的变化。

当然，这款显微镜的分辨率不够高，因此我们无法看清轴突是如何连接神经元的，而没有这一重要信息，研究人员就不能确定神经元是如何一个连着一个创造出完整的信息处理回路的。在现有条件下，我们必须杀掉参与实验的老鼠并对其大脑进行进一步研究。

研究人员在视觉皮层上切掉了一个小方块，随后将其运送到伊利诺伊州的阿贡国家实验室。在那里，一个特殊的加速器会用 X 射线对给单个神经元、大脑细胞和血管制作 3D 地图。虽然地图还是无法显示轴突之间的连接，但后期在对两种不同显微镜成像进行对比时能派上用场。Cox 认为，“X 射线就像罗塞达石（解释古埃及象形文字的可靠线索）。”

阿贡国家实验室的工作完成后，切片又被送回哈佛，不过这次进的是分子与细胞生物学教授 Jeff Lichtman 的实验室。在该实验室中，Lichtman 的团队会用机器将 1 立方毫米的脑部切片切成 33000 片，每片厚度仅为 30 纳米。随后这些切片会被放在磁带上并整齐的排列在硅晶片上。下一步，研究人员会祭出世界上最快的扫描电子显微镜，它会向每个切片抛出 61 束电子并对电子的散射情况进行记录。这个像电冰箱一样大的机器会顺时针运行，给每个切片拍照，其分辨率可达 4nm 级别。  

世界上最快的扫描电子显微镜  

每个图像都类似于意大利面的立方体的横截面，图像处理软件会对这些切片进行排列，以便找出神经元轴突的长度。不过，有时图像处理软件会发生识别错误，无法从错综复杂的横截面中找出对应的部分。人类比计算机更擅长这一任务，但如 Cox 所说：“即使全人类都上阵去完成这项任务，我们恐怕也无法完成如此巨大数据的追踪工作。”哈佛和 MIT 的软件工程师正在着手解决追踪过程中出现的错误，只有解决了这一问题，我们才能完整的拿到准确的大脑接线图。

用双光子激发显微镜做出的动态图来覆盖原有图像可以揭示出大脑的计算结构。举例来说，它可以展现出老鼠看到物体时到底哪些神经元组成了一个回路、颠倒了过来或者将图像与物体 A 进行了匹配。

对 Cox 的团队来说，另一个巨大挑战是速度。在该项目的第一阶段（5 月就结束了），每个团队都必须拿出 100 立方微米脑组织的分析成果。即使只有如此小的体积，Cox 的团队还是在上面两个显微镜的步骤中耗费了 2 个星期。到了第二阶段，他们则需要在几个小时内完成同样体积脑组织的扫描，而要想完成目标中的 1 立方毫米，其工作量会高出一千倍。这也是 Cox 一直想将每个步骤自动化的原因。“IARPA 的项目让科学研究像工程一样，每一步都必须高效且精准无误。”Cox 说道。

如果速度能得到大幅提升，Cox 的团队就能测试更多与大脑回路相关的理论，同时这对 AI 研究人员也是一大利好。在机器学习中，计算机科学家会设定好神经网络的整体框架，程序将自行决定如何将计算指令生成序列。这样一来，研究人员就能在相同的视觉识别任务下同时训练老鼠和神经网络并对其连接模式和结果进行对比。“如果我们确实连接了脑中的回路却无法看到相同的模型，那么我们肯定走歪了。”Cox 说道。

雷锋网获知，Cox 的团队还研究了大脑的学习规则，他们发现通过层级处理，目标识别出现了。第一组神经元会以颜色和形状进行识别，第二组则会通过物体的边缘形状将其从背景中“抠”出来。随着小白鼠识别能力的不断提高，研究人员就会有如下问题：在整个识别过程中，到底哪一组神经元的作用最大？随着 AI 技能的提升，神经网络会产生像小白鼠一样的识别模式吗？

IARPA 希望研究人员的发现不但能应用在计算视觉领域，还能对机器学习产生裨益。“这是一种基于证据的信仰飞跃。”Cox 说道。同时他指出，整个大脑皮层（外层神经组织）有着非常类似的结构。对神经科学家和 AI 专家来说，这样的一致性意味着大脑在信息处理时用了几乎相同的回路。如果这样的理论能得到证实，智能 AI 就能更进一步。

Cox 的团队正在推动这一理论前进，它们想让整个过程来个大提速，其他参与 Microns 的研究者也有类似的激进计划。如果他们成功了，就能为脑科学带来一场革命。

做出这番论断的是哈佛大学生物工程系教授 George Church，他也参与了 Microns 项目，负责联结图谱的制作。Church 的研究方式与其他团队大不相同，他并没有使用电子显微镜来追踪轴突的连接，因为他认为这种技术太过缓慢，整个过程出错率也高。

Church 不在乎轴突的长度或脑组织切片的大小，他用到了基因工程小白鼠和 DNA 条形编码的新技术。Church 的团队会给每个神经元打上特殊的基因识别符，“即使出现了巨长的轴突也不在话下。”他说道。“借助条形编码你能找到轴突的两端，而且整个过程也不容易出现混乱。”同时，他们使用的脑组织切片更厚，达到了 20 微米（1 微米=1000 纳米），因为 Church 不用担心切片发生混乱。随后，DNA 测序机会记录下脑部切片的条形编码，然后通过基因信息生成项目类型并勾勒出不同神经元的连接方式。

Church 和他的合伙人——神经科学教授 Anthony Zador 已经在此前的试验中证明了条形编码和测序技术是可行的。不过，他们还没将数据整合进联结图谱中，而这是 Microns 项目最迫切需要的。假设他的团队能取得成功，Church 认为 Microns 会成为他大脑图谱项目的第一步。下一步，他想总结出小白鼠大脑的所有连接，7000 万个神经元和 700 亿个连接一个都不放过。“只专注于那 1 立方毫米无疑是极端短视的。”Church 说道。“我的志向可比这大多了。”

荧光原位测序

如果能拿出大型图谱，AI 就能更好地模拟生物大脑，不过 Church 已经构思了另一种计算方式，他将不再尝试打造硅基模拟大脑，而是要造出比人类大脑还要强悍的生物大脑。“我认为我们很快就能打开合成神经生物学的神奇大门，造出新的生物大脑变体。”Church 说道。虽然硅基计算机的运算速度大大超过生物系统，但 Church 认为加入电器元件的生物大脑也能大幅提升速度。

据 Church 估计，Microns 项目的目标恐怕很难实现，大脑太复杂了，即使研究人员成功研发出相关设备，他们也很难穷尽大脑的秘密。不过，这并没有什么大不了的。“我认为穷尽大脑的秘密是科学家的幻想，打造大脑比理解它要容易得多。”Church 说道。

Via. Spectrum.ieee

雷锋网(公众号：雷锋网)正在启动“新智造成长榜2017”评选活动，我们将对人工智能与机器人行业进行大规模报道、梳理和调研，并联合数十家著名投资机构根据这些创新公司的技术实力、商业能力和成长性进行深度评选，最终从多个领域分别选出一些极具潜力成长性的创新公司。如果你想参与我们的评选，可点击「报名」链接，或通过雷锋网邮箱xinzhizao@leiphone.com联系我们！

。