科學家耗資1億美元重建大鼠大腦一小塊 為何那麼難

　　2017-10-18 07:27:43　來源: 網易科技報道

　　

　　網易科技訊 10月18日消息，據國外媒體報道，目前來看，人工智慧只是對大腦的鬆散模仿。那麼如果你真正仿製出一個大腦呢？你需要做到目前為止還完全不可能的事情：映射大腦中所有的神經元和神經纖維。

　　大衛·考克斯(David Cox)指出：「這是人工智慧目前面臨的問題。」是的，從近乎完美的面部識別到自動駕駛汽車再到打敗世界圍棋冠軍，人工智慧技術已經發展得非常之好。而且，一些人工智慧應用程序甚至不需要再通過編程實現：它們的架構允許通過經驗中不斷進行自我學習。

　　但作為哈佛神經科學家的考克斯說，然而人工智慧仍然存在一些蹩腳的問題。「要開發一個小狗檢測器，你需要向程序輸入成千上萬的狗，同時還要向程序輸入成千上萬個不是狗的動物，」他說，「我的女兒只需要看清楚一條狗」，然後就能很高興地認出小狗。而且人工智慧從所有輸入數據中提取的經驗知識異常脆弱。甚至一些人們不會注意到的圖像雜訊都會給計算機帶來很多困擾，比如讓計算機把垃圾筒當成一隻狗。而人們在智能手機上使用面部識別的效果（例如安全性）也不是很好。

　　

　　圖示：研究人員在試驗中觀察活體大鼠的腦活動

　　為了克服這種局限性，去年考克斯和數十名神經科學家和機器學習專家開展合作開展了一項名為皮層神經網路機器智能（MICrONS）的項目：一個投資1億美元的項目，通過逆向工程重建大腦。美國研究機構高級情報研究計劃署官員雅各布·沃格爾斯坦（Jacob Vogelstein）是MICRONS項目的構想者和發起者，其認為該項目堪稱神經科學界的阿波羅計劃。（他現在是巴爾的摩的風險投資公司的合伙人）。MICRONS項目的研究人員正在嘗試繪製出嚙齒類動物一小塊大腦皮層的結構，還原其中的每一個細節的功能和結構。

　　

　　圖示：大鼠的大腦被取出

　　事實上，每一立方毫米、僅僅有一個砂礫大小的大腦皮層圖譜繪製起來的工作量都堪稱登月工程。人們想描繪的圖譜細節是其體積的數億倍。其包含大約100,000個神經元，此外還有約10億個神經突觸的東西，神經衝動正是靠這些連接從一個神經元躍遷到下一個神經元。

　　該項目的雄心壯志讓其他神經科學家肅然起敬。 「我認為他們所做什麼的非常英勇，」Eve Marder說，她為此已經貢獻了整個職業生涯。賓夕法尼亞大學從事大腦計算模型研究的康拉德·科德寧（KonradKording）也表示：「這是神經科學最激動人心的事情之一。」

　　

　　圖示：大鼠的大腦

　　研究最終的回報正如沃格爾斯坦所述，通過挖掘項目數據原理背後的神經秘密，形成「下一代人工智慧的計算基礎」。沃格爾斯坦指出，目前的神經網路工作原理是基於幾十年前提出的架構，只是基於一個相當簡單的概念性腦神經。從本質上說，人工智慧系統是將信息傳播到數千個緊密相連的「節點」，每一個節點都類似於大腦的神經元，整個系統通過不斷調整連接強度來提高系統性能。但是在現有的大多數計算機神經網路中，信號總是從一組節點傳遞到下一個級聯。相比之下，真正的大腦充滿了各種反饋：每一束神經纖維都把信息從一個區域傳遞到下一個區域，同時有相同或更多數量的纖維再將信號返回。但為什麼大腦這樣工作？這些反饋纖維是大腦能夠一次性學習等強大功能的奧秘嗎？除此之外是否還存在其他原理？

　　普林斯頓大學神經科學家塞巴斯蒂·安承(Sebastian Seung)是圖譜繪製工程中的關鍵人物，他表示MICRONS應至少能夠為大腦的工作原理提供一些答案。事實上他坦言：「如果沒有這樣的項目，我不認為我們可以回答這些問題。」

　　聚焦細節

　　MICRONS項目共有三個團隊，一支由考克斯領導，一支來自萊斯大學和貝勒醫學院，另一支來自卡內基梅隆大學，其中每一支團隊都在從事同樣的研究：對一立方毫米老鼠大腦的所有細胞進行重建，同時還需要重建每個細胞之間的連接圖譜，並通過數據詳細描繪出如何激發神經元活躍並影響其他神經元。

　　

　　圖示：在掃描前將腦組織粘在一塊亞克力板上

　　計劃的第一步是研究老鼠的大腦，弄清楚這立方毫米腦組織中實際工作的神經元。當動物被給予特定的視覺刺激，例如某種方向的直線，哪些神經元突然開始活躍，而同時哪些相鄰的神經元會有反應？

　　最近十年間，想要捕獲這種數據難於登天。沃格爾斯坦坦承，「從沒有類似的工具。」儘管研究人員可以將超細導線植入大腦，並紀錄到個別神經元的活動。但是由於神經元緊密排列在一起，研究人員無法一次性記錄多達幾十個神經元的活動。研究人員還可以通過核磁成像技術對人類和其他動物映射大腦整體神經活動，但卻無法通過這種方式監測個體神經元：核磁共振成像技術的空間解析度最高僅為一毫米。

　　但相關技術的發展打破了這一僵局，這就是讓神經元在活躍時發光。為了做到這一點，科學家通常會將熒光蛋白質注入神經元，由於神經元作用時會有鈣離子湧入，這樣每當神經元細胞活躍時時，相應蛋白質就會發光。首先，科學家通過良性病毒把蛋白質注入嚙齒動物的大腦，或者是通過基因編碼把熒光蛋白質的基因整合進神經元細胞的基因組中。然後，科學家有多種方式觸發熒光，其中最有效的一種是通過一組激光器將紅外光通過實驗大鼠頭骨上的開口射入大腦。紅外線的頻率能夠允許光子穿透相對不透明的神經組織，完全被熒光蛋白所吸收之。這些蛋白質會吸收來自兩個紅外光子的能量，並將其中的一個可見光子釋放出來。當實驗大鼠看到什麼或者執行了動作時，這種光子就可以在普通的顯微鏡下觀察到。

　　

　　圖示：左上角的小立方體就是將要繪製的腦組織

　　貝勒團隊負責人安德烈亞斯·托利亞斯（Andreas Tolias）指出，這是一種「革命性的技術方法」，因為「你可以記錄每一個神經元，即使是彼此相鄰的神經元也能夠被記錄」。

　　而考克斯團隊一旦繪製完成實驗室大鼠的神經活動后，那麼實驗動物就被殺死，腦中被注入重金屬鋨。然後一個以哈佛生物學家傑夫·利奇曼（Jeff Lichtman）為首的小組將會把大腦切成薄片，從而確定神經元是如何組織和連接的。

　　這個過程將會從地下室實驗室開始，其中使用的台式機器工作原理類似於一個臘腸切片機。小金屬板不斷上升和下降，有條不紊地削下貌似琥珀色蠟筆的尖端，並將切片粘貼到由塑膠帶製成的傳送帶上。不同之處在於，這種琥珀色的蠟筆實際上是一種硬樹脂管，其包裹並支撐脆弱的腦組織，小金屬板上裝配了鋒利的金剛石刀片，由此切下的薄片僅為30納米厚。

　　接下來，在另一個實驗室，研究人員會將包含幾個腦切片的膠帶分別安裝在硅晶片上，放在類似於大型工業冰箱里。該裝置實際上是一部電子顯微鏡：它使用61個電子束以4納米的解析度同時掃描61個腦組織。

　　

　　圖示：這塊腦組織被包裹在丙烯酸中，切片非常之薄

　　每個晶片掃描完成需要大約26個小時的時間。顯微鏡旁邊的顯示器顯示出所產生的圖像，還原出的腦組織細節令人驚嘆——你可以看到細胞膜，線粒體，以及那些聚集在突觸上的充滿神經遞質的囊泡。就像對分形圖像進行聚焦放大：放大得越多，所能觀察到的複雜度就越高。

　　但切片並不是實驗的目的，而顯微鏡的掃描圖像也不是最終結果。利奇曼表示，「我們就是在製作出每片切片不斷延伸的電影。」這些切片信息被轉發給由哈佛計算機科學家Hanspeter Pfister領導的團隊。 「我們的作用是儘可能地從圖像中提取出更多信息，」Pfister表示。

　　

　　圖示：腦組織切片被粘在膠帶上

　　這意味著要利用二位切片圖像重建腦組織中所有的三維神經元——包括其中所有的細胞器，突觸和其他特徵。 Pfister表示，雖然人類完全可以用紙和筆做到這一點，但是這進程非常緩慢的。所以他和他的團隊訓練了神經網路來跟蹤描繪真正的神經元。 「這種方法的效果要好得多，」他說。

　　無論每個神經元的大小，其都包含各種突觸，其中大量的卷鬚被稱為樹突，而每個神經元所擁有的一個長而細的纖維，稱為軸突。軸突用於遠距離傳播神經衝動，其甚至可以將神經衝動完全穿過大腦傳導至脊髓。但是通過MICRONS項目對一立方毫米腦組織的繪製，研究人員可以從頭到尾跟蹤大多數軸突，從而觀察到一個完整的神經迴路。 「我想我們會發現很多奧秘，」Pfister說，「可能是我們從未想象過的結構，也可能是全新的神經連接。」

　　期望的力量

　　MICRONS團隊開始希望開始回答的問題是：大腦的演算法是什麼？所有這些神經迴路是如何工作的？特別是那些反饋起到了什麼作用？

　　目前許多人工智慧應用程序都不存在反饋。大多數神經網路中的電子信號從一個節點傳遞到下一個節點，但一般不會逆向傳遞。 （不要與「反向傳播」混在一起，那是訓練神經網路的一種方法。）當然這並非定數：循環神經網路確實存在著逆向連接，這有助於節點處理隨時間變化的輸入。但是，循環神經網路的反饋尺度遠沒有達到大腦的處理水平。卡內基梅隆的Tai Sing Lee指出，通過對大腦中部分視皮層的深入研究，「只有5％到10％的突觸在接收眼睛的輸入，」其餘的都在監聽來自上一級的反饋。

　　

　　圖示：帶有腦組織切片的膠片被修剪，並被放入巨大的掃描儀

　　考克斯說，目前關於反饋大致有兩種理論，「其中之一認為是大腦不斷嘗試預測輸入信息。」可以說當感覺皮層正在處理當前的場景時，其他腦組織正在試圖預測下一場景，並通過反饋網路傳遞最好的猜測。

　　

　　這是大腦應對快速環境變化的唯一方法。 「神經元的處理速度真的很慢，」考克斯說。 「視網膜感知到的光線可能需要170到200毫秒才能傳導至感知神經元。這一時間足夠讓塞雷娜·威廉姆斯的網球飛上九米。「所以任何想要接到球的人都必須在預測的基礎上揮動球拍。

　　如果你在不斷嘗試預測未來，考克斯說，那麼當真實的未來到來時，你可以根據實際情況進行調整，使下一個預測更好。這與關於反饋的第二個主要理論相吻合：大腦的反饋連接可以用來指導學習。事實上，計算機模擬表明，對改進的不斷修正會建立關於真實世界的更優模型。例如，考克斯說，「當一個人轉身，你必然知道會出現怎麼樣的一張臉。」他強調，這可能會是解決」一次學習」難題的關鍵。

　　

　　考克斯說， 「當我的女兒第一次看到狗的時候，」Cox說，「她不必了解陰影如何，或者光線是如何反射的。」她已經有了類似事物的豐富經驗。「所以當她看到類似於「那是一隻狗」的東西時，她就會把這些信息添加到自己的知識庫中。」

　　如果這些關於大腦反饋的想法是正確的，那麼完全能夠通過MICRONS項目所繪製的大腦結構和功能的詳細圖譜所展示出來顯示出來。MICRONS可以證明神經迴路如何實現預測和學習。最終，人工智慧應用程序可以模仿這個過程。

　　然而即便如此，我們依然無法回答關於大腦的所有問題。了解神經迴路並不能解決一切。細胞間的有些通信不需要依賴突觸，其中一些信息是通過激素和遊離在神經元之間的神經遞質來傳遞的。還有研究的規模問題。像MICRONS這種項目雖然對於神經科學來說是一個飛躍，但它僅僅是為解決計算相關問題研究了大腦的一小塊皮質。相比於整個大腦來說，而皮層只是大腦的超薄外層，關鍵的指揮和控制功能隱藏在諸如丘腦和基底神經節等深層腦結構中。

　　

　　好消息是，MICRONS已經為未來繪製規模更大的腦圖譜項目鋪平了道路。

　　沃格爾斯坦說，1億美元中的大部分資金將用於數據收集技術。與此同時，MICRONS團隊正在開發速度更快的掃描技術，包括不需要切片的方法。而卡內基梅隆大學、哈佛大學，麻省理工學院和伍茲霍爾海洋研究所相互合作，設計了一種通過「條形碼」為每個神經元進行獨特標記的方法，然後通過使用「特殊凝膠「將這些細胞膨脹幾十甚至數百倍。

　　「所以，儘管第一個立方毫米的數據收集起來非常困難，」 沃格爾斯坦說，「但接下來會更加容易。」（晗冰）