转自:http://36kr.com/p/5098085.html
10月18日消息,据国外媒体报道,目前来看,人工智能只是对大脑的松散模仿。那么如果你真正仿制出一个大脑呢?你需要做到目前为止还完全不可能的事情:映射大脑中所有的神经元和神经纤维。
大卫·考克斯(David Cox)指出:“这是人工智能目前面临的问题。”是的,从近乎完美的面部识别到自动驾驶汽车再到打败世界围棋冠军,人工智能技术已经发展得非常之好。而且,一些人工智能应用程序甚至不需要再通过编程实现:它们的架构允许通过经验中不断进行自我学习。
但作为哈佛神经科学家的考克斯说,然而人工智能仍然存在一些蹩脚的问题。“要开发一个小狗检测器,你需要向程序输入成千上万的狗,同时还要向程序输入成千上万个不是狗的动物,”他说,“我的女儿只需要看清楚一条狗”,然后就能很高兴地认出小狗。而且人工智能从所有输入数据中提取的经验知识异常脆弱。甚至一些人们不会注意到的图像噪声都会给计算机带来很多困扰,比如让计算机把垃圾筒当成一只狗。而人们在智能手机上使用面部识别的效果(例如安全性)也不是很好。
图示:研究人员在试验中观察活体大鼠的脑活动
为了克服这种局限性,去年考克斯和数十名神经科学家和机器学习专家开展合作开展了一项名为皮层神经网络机器智能(MICrONS)的项目:一个投资1亿美元的项目,通过逆向工程重建大脑。美国研究机构高级情报研究计划署官员雅各布·沃格尔斯坦(Jacob Vogelstein)是MICRONS项目的构想者和发起者,其认为该项目堪称神经科学界的阿波罗计划。(他现在是巴尔的摩的风险投资公司的合伙人)。MICRONS项目的研究人员正在尝试绘制出啮齿类动物一小块大脑皮层的结构,还原其中的每一个细节的功能和结构。
图示:大鼠的大脑被取出
事实上,每一立方毫米、仅仅有一个砂砾大小的大脑皮层图谱绘制起来的工作量都堪称登月工程。人们想描绘的图谱细节是其体积的数亿倍。其包含大约100,000个神经元,此外还有约10亿个神经突触的东西,神经冲动正是靠这些连接从一个神经元跃迁到下一个神经元。
该项目的雄心壮志让其他神经科学家肃然起敬。 “我认为他们所做什么的非常英勇,”Eve Marder说,她为此已经贡献了整个职业生涯。宾夕法尼亚大学从事大脑计算模型研究的康拉德·科德宁(KonradKording)也表示:“这是神经科学最激动人心的事情之一。”
图示:大鼠的大脑
研究最终的回报正如沃格尔斯坦所述,通过挖掘项目数据原理背后的神经秘密,形成“下一代人工智能的计算基础”。沃格尔斯坦指出,目前的神经网络工作原理是基于几十年前提出的架构,只是基于一个相当简单的概念性脑神经。从本质上说,人工智能系统是将信息传播到数千个紧密相连的“节点”,每一个节点都类似于大脑的神经元,整个系统通过不断调整连接强度来提高系统性能。但是在现有的大多数计算机神经网络中,信号总是从一组节点传递到下一个级联。相比之下,真正的大脑充满了各种反馈:每一束神经纤维都把信息从一个区域传递到下一个区域,同时有相同或更多数量的纤维再将信号返回。但为什么大脑这样工作?这些反馈纤维是大脑能够一次性学习等强大功能的奥秘吗?除此之外是否还存在其他原理?
普林斯顿大学神经科学家塞巴斯蒂·安承(Sebastian Seung)是图谱绘制工程中的关键人物,他表示MICRONS应至少能够为大脑的工作原理提供一些答案。事实上他坦言:“如果没有这样的项目,我不认为我们可以回答这些问题。”
聚焦细节
MICRONS项目共有三个团队,一支由考克斯领导,一支来自莱斯大学和贝勒医学院,另一支来自卡内基梅隆大学,其中每一支团队都在从事同样的研究:对一立方毫米老鼠大脑的所有细胞进行重建,同时还需要重建每个细胞之间的连接图谱,并通过数据详细描绘出如何激发神经元活跃并影响其他神经元。
图示:在扫描前将脑组织粘在一块亚克力板上
计划的第一步是研究老鼠的大脑,弄清楚这立方毫米脑组织中实际工作的神经元。当动物被给予特定的视觉刺激,例如某种方向的直线,哪些神经元突然开始活跃,而同时哪些相邻的神经元会有反应?
最近十年间,想要捕获这种数据难于登天。沃格尔斯坦坦承,“从没有类似的工具。”尽管研究人员可以将超细导线植入大脑,并纪录到个别神经元的活动。但是由于神经元紧密排列在一起,研究人员无法一次性记录多达几十个神经元的活动。研究人员还可以通过核磁成像技术对人类和其他动物映射大脑整体神经活动,但却无法通过这种方式监测个体神经元:核磁共振成像技术的空间分辨率最高仅为一毫米。
但相关技术的发展打破了这一僵局,这就是让神经元在活跃时发光。为了做到这一点,科学家通常会将荧光蛋白质注入神经元,由于神经元作用时会有钙离子涌入,这样每当神经元细胞活跃时时,相应蛋白质就会发光。首先,科学家通过良性病毒把蛋白质注入啮齿动物的大脑,或者是通过基因编码把荧光蛋白质的基因整合进神经元细胞的基因组中。然后,科学家有多种方式触发荧光,其中最有效的一种是通过一组激光器将红外光通过实验大鼠头骨上的开口射入大脑。红外线的频率能够允许光子穿透相对不透明的神经组织,完全被荧光蛋白所吸收之。这些蛋白质会吸收来自两个红外光子的能量,并将其中的一个可见光子释放出来。当实验大鼠看到什么或者执行了动作时,这种光子就可以在普通的显微镜下观察到。
图示:左上角的小立方体就是将要绘制的脑组织
贝勒团队负责人安德烈亚斯·托利亚斯(Andreas Tolias)指出,这是一种“革命性的技术方法”,因为“你可以记录每一个神经元,即使是彼此相邻的神经元也能够被记录”。
而考克斯团队一旦绘制完成实验室大鼠的神经活动后,那么实验动物就被杀死,脑中被注入重金属锇。然后一个以哈佛生物学家杰夫·利奇曼(Jeff Lichtman)为首的小组将会把大脑切成薄片,从而确定神经元是如何组织和连接的。
这个过程将会从地下室实验室开始,其中使用的台式机器工作原理类似于一个腊肠切片机。小金属板不断上升和下降,有条不紊地削下貌似琥珀色蜡笔的尖端,并将切片粘贴到由塑胶带制成的传送带上。不同之处在于,这种琥珀色的蜡笔实际上是一种硬树脂管,其包裹并支撑脆弱的脑组织,小金属板上装配了锋利的金刚石刀片,由此切下的薄片仅为30纳米厚。
接下来,在另一个实验室,研究人员会将包含几个脑切片的胶带分别安装在硅晶片上,放在类似于大型工业冰箱里。该装置实际上是一部电子显微镜:它使用61个电子束以4纳米的分辨率同时扫描61个脑组织。
图示:这块脑组织被包裹在丙烯酸中,切片非常之薄
每个晶片扫描完成需要大约26个小时的时间。显微镜旁边的显示器显示出所产生的图像,还原出的脑组织细节令人惊叹——你可以看到细胞膜,线粒体,以及那些聚集在突触上的充满神经递质的囊泡。就像对分形图像进行聚焦放大:放大得越多,所能观察到的复杂度就越高。
但切片并不是实验的目的,而显微镜的扫描图像也不是最终结果。利奇曼表示,“我们就是在制作出每片切片不断延伸的电影。”这些切片信息被转发给由哈佛计算机科学家Hanspeter Pfister领导的团队。 “我们的作用是尽可能地从图像中提取出更多信息,”Pfister表示。
图示:脑组织切片被粘在胶带上
这意味着要利用二位切片图像重建脑组织中所有的三维神经元——包括其中所有的细胞器,突触和其他特征。 Pfister表示,虽然人类完全可以用纸和笔做到这一点,但是这进程非常缓慢的。所以他和他的团队训练了神经网络来跟踪描绘真正的神经元。 “这种方法的效果要好得多,”他说。
无论每个神经元的大小,其都包含各种突触,其中大量的卷须被称为树突,而每个神经元所拥有的一个长而细的纤维,称为轴突。轴突用于远距离传播神经冲动,其甚至可以将神经冲动完全穿过大脑传导至脊髓。但是通过MICRONS项目对一立方毫米脑组织的绘制,研究人员可以从头到尾跟踪大多数轴突,从而观察到一个完整的神经回路。 “我想我们会发现很多奥秘,”Pfister说,“可能是我们从未想象过的结构,也可能是全新的神经连接。”
期望的力量
MICRONS团队开始希望开始回答的问题是:大脑的算法是什么?所有这些神经回路是如何工作的?特别是那些反馈起到了什么作用?
目前许多人工智能应用程序都不存在反馈。大多数神经网络中的电子信号从一个节点传递到下一个节点,但一般不会逆向传递。 (不要与“反向传播”混在一起,那是训练神经网络的一种方法。)当然这并非定数:循环神经网络确实存在着逆向连接,这有助于节点处理随时间变化的输入。但是,循环神经网络的反馈尺度远没有达到大脑的处理水平。卡内基梅隆的Tai Sing Lee指出,通过对大脑中部分视皮层的深入研究,“只有5%到10%的突触在接收眼睛的输入,”其余的都在监听来自上一级的反馈。
图示:带有脑组织切片的胶片被修剪,并被放入巨大的扫描仪
考克斯说,目前关于反馈大致有两种理论,“其中之一认为是大脑不断尝试预测输入信息。”可以说当感觉皮层正在处理当前的场景时,其他脑组织正在试图预测下一场景,并通过反馈网络传递最好的猜测。
这是大脑应对快速环境变化的唯一方法。 “神经元的处理速度真的很慢,”考克斯说。 “视网膜感知到的光线可能需要170到200毫秒才能传导至感知神经元。这一时间足够让塞雷娜·威廉姆斯的网球飞上九米。“所以任何想要接到球的人都必须在预测的基础上挥动球拍。
如果你在不断尝试预测未来,考克斯说,那么当真实的未来到来时,你可以根据实际情况进行调整,使下一个预测更好。这与关于反馈的第二个主要理论相吻合:大脑的反馈连接可以用来指导学习。事实上,计算机模拟表明,对改进的不断修正会建立关于真实世界的更优模型。例如,考克斯说,“当一个人转身,你必然知道会出现怎么样的一张脸。”他强调,这可能会是解决”一次学习”难题的关键。
考克斯说, “当我的女儿第一次看到狗的时候,”Cox说,“她不必了解阴影如何,或者光线是如何反射的。”她已经有了类似事物的丰富经验。“所以当她看到类似于“那是一只狗”的东西时,她就会把这些信息添加到自己的知识库中。”
如果这些关于大脑反馈的想法是正确的,那么完全能够通过MICRONS项目所绘制的大脑结构和功能的详细图谱所展示出来显示出来。MICRONS可以证明神经回路如何实现预测和学习。最终,人工智能应用程序可以模仿这个过程。
然而即便如此,我们依然无法回答关于大脑的所有问题。了解神经回路并不能解决一切。细胞间的有些通信不需要依赖突触,其中一些信息是通过激素和游离在神经元之间的神经递质来传递的。还有研究的规模问题。像MICRONS这种项目虽然对于神经科学来说是一个飞跃,但它仅仅是为解决计算相关问题研究了大脑的一小块皮质。相比于整个大脑来说,而皮层只是大脑的超薄外层,关键的指挥和控制功能隐藏在诸如丘脑和基底神经节等深层脑结构中。
好消息是,MICRONS已经为未来绘制规模更大的脑图谱项目铺平了道路。
沃格尔斯坦说,1亿美元中的大部分资金将用于数据收集技术。与此同时,MICRONS团队正在开发速度更快的扫描技术,包括不需要切片的方法。而卡内基梅隆大学、哈佛大学,麻省理工学院和伍兹霍尔海洋研究所相互合作,设计了一种通过“条形码”为每个神经元进行独特标记的方法,然后通过使用“特殊凝胶“将这些细胞膨胀几十甚至数百倍。
“所以,尽管第一个立方毫米的数据收集起来非常困难,” 沃格尔斯坦说,“但接下来会更加容易。”