为何学习新知识这么难?因为大脑可能比你想象中更死板

640?wx_fmt=gif&wxfrom=5&wx_lazy=1

来源:科研圈

撰文  John Rennie  翻译  齐睿娟  审校  魏潇


某些情况下,大脑的适应能力似乎是用之不竭的。但通过观察学习状态下的大脑活动,科学家们发现,这一过程中大脑的神经元网络功能出乎意料地死板和低


学习能力是人类智力的标志。数十年的研究表明,我们的大脑能够表现出高度的“可塑性”,这意味着神经元之间的连接可以重组,来响应新刺激。但卡耐基梅隆大学(Carnegie Mellon University)和匹兹堡大学(University of Pittsburgh)的研究人员最近吃惊地发现大脑中的神经元在学习过程(译注:这通常和可塑性密切相关)中并没那么强的建立新连接的能力。大脑也许具有高度的灵活性和整体适应性,但至少在短时间内,它在学习过程中更多是依赖于从神经元库中低效地循环已有模式,而非从头开始重新建立连接。


640?wx_fmt=jpeg

图片来源: Quantamagazine | Liu zishan


 “每当我打壁球时,我看起来却总像一个网球运动员,” 卡耐基梅隆大学的生物医学工程师、神经科学家拜伦·于(Byron Yu,音)说,他是这项研究的主导科学家之一。于已经打了很多年的网球,他的问题在于壁球需要较短的球拍,以及更快、更有力的击球,这与他以往打网球的经历有很大的不同。然而在一场壁球比赛中,他沿用了网球的习惯打法,这种习惯已经在他身上留下了深刻的烙印。大脑并不会轻易放弃它已知的东西。


现在,在观察大脑学习状态下的活动时,于和他的同事已经在神经层面上发现了类似可塑性缺乏的证据。这一发现和团队的其它相关研究可能有助于解释为什么有些东西比其他东西更难学。


几年前, 于、匹兹堡大学的亚伦·巴蒂斯塔(Aaron Batista)和他们的实验室成员开始使用脑机接口(BCI)作为研究神经科学的工具。这些设备的芯片尺寸大致与指甲盖一样大,可以一次追踪大脑运动皮层中近 100 个神经元的电活动。 BCI 能够随着时间的推移监测通过每个神经元的电压峰值,从而计算“发放率”(spike rate)来表示任务执行过程中每个神经元的行为。


640?wx_fmt=jpeg

通过脑机接口控制椅子移动的猴子  图片来源:Innovation Memes


 “你可以想象一下,挖掘所有数据来看看大脑正在做什么有多困难,”于说。 “我们的眼睛没有经过足够的训练,无法发现其中的精细模式。”但是芯片内置的高级统计分析功能可以做到这一点,被识别出的模式可以识别测试对象进行特定运动时的神经活动。例如,系统可以辨别被测试对象伸展手臂时究竟是要向左还是向右,向上还是向下。


然后研究人员可以使用 BCI 的输出,将代表某个特定躯体运动的神经活动转换为计算机屏幕上光标的方向控制。通过试错和训练,操作界面的人或动物能通过想象他们的手臂活动来移动计算机的光标,这是可以通过学习掌握的。


当于、巴蒂斯塔和同事们在猴子反复进行简单的挥手任务时监测了它的运动皮层,却发现相关神经元没有产生独立的发放活动:被测量的 100 个神经元的活动从统计学上能够用大约 10 个神经元来代替,这些神经元能分别激活或抑制其他神经元。在研究人员的分析中,这个结果显示为一组数据点,包含有一小部分 100 维数据的空间。


卡耐基梅隆大学生物医学工程教授史蒂文·蔡司(Steven Chase)说:“我们将其称之为先天流形(intrinsic manifold,流形是局部具有欧式空间性质的空间),因为我们认为这是大脑的固有特性。这个空间的维度高度预示着这些神经元的功能。”


2014 年,研究人员观察到,如果被试对象在学习新任务的过程中神经活动模式涉及这种先天流形,就可以更容易地学习新任务。于说,这个结果是有道理的,因为处在先天流形维度的任务对大脑的要求与其潜在的神经结构是一致的。


为了找到上述问题的答案,研究人员首先让配备有 BCI 的灵长类动物熟练地掌握将光标左右移动的任务。然后,团队改变了移动光标的神经活动要求,想看看大脑内的神经活动会有怎样的新模式出现——内在流形中只要出现了一个新的点,就代表着受试的动物已经在新条件下完成了移动光标的任务。


研究人员希望看到他们称之为“重排”(realignment)的学习策略的证据。在这种策略中,动物会在新形成的神经活动模式中选择一种最自然的开始使用。于和蔡司的合作者、目前在斯坦福大学工作的马修·戈卢布(Matthew Golub)表示:“受制于先天流形的各类限制,重排是动物可以选择的最佳策略。” 或者,猴子的大脑可能通过“重缩放”(rescaling)的过程来学习——参与初始学习任务的神经元会增加或减少它们的发放率,直到它们“磕磕巴巴”地形成一个新的模式来完成新任务。


但令研究人员惊讶的是,无论是重排还是重缩放都没有发生。相反,他们观察到一种称为“重关联”(reassociation)的非常低效的方法。受试动物只是通过重复初始神经活动模式并对其进行交换来学习新任务。先前将光标向左移动时的神经模式被用到了将光标向右移动的任务中,反之亦然。“它们正在重复过去曾经做过的事,”戈卢布说,“在新任务中仍是如此。”


为什么大脑不去使用最优的学习策略?该团队的研究结果表明,正如神经结构将神经元的活动限制在先天流形空间里一样,一些更强的约束限制了实验过程中的神经元活动重组。巴蒂斯塔认为,重排过程中,神经元之间突触连接的改变可能很难快速完成。“大脑的短期可塑性肯定比我们想象中更加有限,”他说。“学习需要忘记。大脑可能不情愿放弃它已经学会了的事情。“


640?wx_fmt=gif

图片来源:Giphy


蔡司将运动皮层比作老式电话交换机,神经连接就像电缆,将来自皮层其他区域的输入信号传送到小脑,然后输出。在蔡司的实验中,大脑“只是对这些‘电缆线路’进行重新排列” ——不过这其中所包含的意义仍然未知。


 “应急策略是改变大脑皮层所接受的输入信号,”于说。但他也指出,他的实验只能追踪大脑活动一两个小时。研究人员还不能排除重关联是大脑快速学习新任务的临时方式的可能性:在更长的时间范围内,重排或重缩放可能仍然会出现。


如果是这样,这就可能解释新手和专家在处理他们都感兴趣的新信息时的不同。“初学者会去学习入手的所有内容,专家则会巩固知识,”巴蒂斯塔说。“这可能是这个众所周知的现象的神经基础。”


原文链接:

https://www.quantamagazine.org/brain-computer-interfaces-show-that-neural-networks-learn-by-recycling-20180327/


未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能,互联网和脑科学交叉研究机构。


未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)云脑研究计划,构建互联网(城市)云脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。

  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”

640?wx_fmt=jpeg

阅读更多
想对作者说点什么?

博主推荐

换一批

没有更多推荐了,返回首页