直逼AI本質！美政府「大腦阿波羅計劃」出現新轉折，華裔科學家諾獎技術成關鍵突破點

　　2017-10-13 19:24大腦/技術

　　APP年度訂閱用戶可加入科技英語學習社區，每周科技英語直播講堂，詳情查看「閱讀原文」

　　目前，人工智慧僅能大致模擬出大腦模型。若想完全正確地模擬大腦，人類必須做到迄今無人能及之事：描繪出神經元及神經纖維內部正在發生的一切。

　　「現今的人工智慧仍存在問題」，來自哈佛大學的神經科學家 David Cox 說。的確，從近乎完美的人臉識別到自動駕駛，再到世界圍棋冠軍 Alpha Go，人工智慧的表現堪稱驚艷。並且，很多人工智慧應用甚至不再需要編程：它們可以基於已有架構實現從經驗中自我學習。

　　然而，AI仍然笨拙而野蠻。「你需要為它提供成千上萬件屬於狗或不屬於狗的事物，才能搭建出一個能夠識別狗的機器，但我的女兒只需要看一隻狗，從此以後就可以開心的認出所有狗狗」，David Cox 表示。

　　況且，現在的 AI 從所有數據中提取的知識架構也往往不堪一擊。如果再加上一些圖片中人類都注意不到的靜態雜訊，AI還有可能將一隻狗認成一個垃圾桶。可以說，目前人們將人臉識別應用到智能手機中仍然不安全。

　　

　　圖 | 一個正在觀察實驗中的大鼠活體大腦的研究員。

　　

　　圖 | 實驗后，大鼠腦部被取出。

　　為了克服這些局限，David Cox與眾多其他神經科學家及機器學習專家在去年創立了致力於重建大腦的「皮層神經網路機器智能」（the Machine Intelligence from Cortical Networks, MICrONS）項目——MICrONS 研究者們致力於繪製嚙齒類動物大腦皮層結構與功能圖譜，還原其中所有細節。

　　MICrONS 得到美國情報高級研究計劃署（Intelligence Advanced Research Projects Activity，IARPA）1 億美元的資助。該項目的構思者及啟動者 Jacob Vogelstein 稱，這個項目相當於神經科學領域的「阿波羅登月計劃」。他曾任美國情報機構研究部門情報高級研究計劃局項目長官，目前在 Camden Partners 投資公司就職。

　　對於大腦的複雜程度而言，描繪每個立方毫米（約一個砂礫大小）的腦皮層圖譜都如登月般工程量浩大，這是因為我們想真正描繪出其中的是其體積數億倍的細節，它大致包含了 10 萬個神經元和大約 10 億個神經突觸（神經元間傳遞信息的縫隙結構）。

　　

　　圖 | 培養皿中的大鼠腦部

　　這個項目的雄心壯志令其他神經科學家敬佩不已。「我認為他們在做的事情非常英勇」，來自布蘭迪斯大學的 Eve Marder 說道，她的整個學術生涯都在研究更小尺度的神經環路。在賓夕法尼亞大學從事大腦計算模型研究的科學家 Konrad Kording 同樣為此感到興奮：「這是神經科學領域最令人激動的事了」。

　　

　　圖 | 掃描前，大腦被用強力膠固定在平台上。

　　實際上，研究的終極回報將在於挖掘數據背後埋藏的、關於神經的秘密——即「為下一代人工智慧提供理論計算構件」的原理。對此，Jacob Vogelstein表示，目前應用的神經網路仍是基於數十年前提出的、非常基礎的神經工作架構建立的。而從本質上來說，人工智慧系統其實就是在數萬個密集的「節點」（相當於腦中的神經元）中傳遞信息，整個系統通過不斷校正聯結強度來優化性能。

　　然而，多數計算機神經網路的信號是「前饋式傳遞」，即從一個節點傳至下一個節點，各層間沒有反饋。然而，真實的大腦充滿了反饋：每一束神經纖維將信號從一個腦區傳遞至下一個，同時有相同甚至更多的神經纖維通過另一個路徑返回信號。為何大腦如此工作？這些反饋纖維是否是人腦一次性學習等強大功能背後的關鍵奧秘？除此之外是否還有其他原理？

　　

　　MICrONS的構思者及啟動者 Jacob Vogelstein，該項目相當於神經科學領域的「阿波羅登月計劃」

　　普林斯頓大學的神經科學家、這一圖譜繪製工程的關鍵人物 Sebastian Seung 表示，MICrONS 至少將會為我們解答其中一個問題。事實上，「若不通過這樣的項目，我們永遠也無法回答其中任何一個問題。」

　　

　　圖 | 左圖為左上方的一小塊大腦為將要繪製的部分；右圖為該塊大腦被亞克力封裝，將被切為極薄的片狀。

　　不斷放大

　　MICrONS 共有三個團隊：一支由 David Cox 領導，一支來自萊斯大學及貝勒醫學院，一支來自卡內基梅隆大學，每一個團隊都分別在從事頗為綜合的研究：重建一立方毫米大鼠腦中所有細胞，以及它們的連接圖譜（即「連接組」），這個圖譜將體現每個細胞如何與其他細胞連接，同時通過數據展示激發神經元放電並傳遞其他神經元的情景。

　　項目的第一步是觀察大鼠大腦，區別出該立方毫米中實際工作的神經元。比如說，當動物接受特定視覺刺激，如具有方向的直線時，哪些神經元產生了即時放電，又有哪些相鄰神經元對此響應？

　　然而，在這一點上，如今與十年前沒什麼不同，捕捉這類數據幾乎不可能。「一直沒有工具可以實現」，Jacob Vogelstein 表示。儘管研究者可以將超薄網格電極植入腦中並記錄單個神經元的電活動，但由於神經元排列緊湊，電極無法同時記錄超過數十個神經元活動。研究者同樣能夠利用核磁成像 MRI 技術對人類或其他動物大腦進行整體功能成像，但卻無法反映單個神經元的情況：fMRI（功能性磁共振成像）的最高空間解析度大約為 1 毫米。

　　

　　圖 | 對固定在亞克力中的大腦進行切片

　　但是，令活體大腦神經元放電時發光的技術為這一局限帶來了突破。著名華裔科學家錢永健是該技術的主要貢獻者之一，並憑藉綠色熒光蛋白的研究獲得了 2008 年的諾貝爾化學獎。在該技術中，由於神經元放電時會有大量鈣離子湧入細胞，科學家將熒光蛋白注入神經元並讓該蛋白在鈣離子存在時發光。具體而言，科學家們會先利用無害的病毒將該熒光蛋白注入大鼠腦中，或直接將編碼蛋白的基因轉入神經元基因組中。

　　

　　著名華裔科學家錢永健

　　實際上，熒光可以通過多種途徑激發，但其中最有效的一種可能是通過一對激光使紅外線通過大鼠顱骨上的開口到達大腦。紅外頻率的光子能夠在不損傷大腦的情況下透過相對不透明的腦組織，最終被熒光蛋白吸收。然後，該蛋白將釋放一個可見光子，這個光子可以通過普通顯微鏡觀察到。也就是說，當動物看到特定事物或執行某種動作時，我們可以觀察到其腦部活動細節。

　　

　　圖 | 對包含大腦樣品的亞克力切片排列修整後放入大型儀器中掃描

　　對此，貝勒醫學院團隊的領導者 Andreas Tolias 表示，這是一種「革命性突破」，因為「我們能夠記錄每一個神經元，即使它們離得非常近」。

　　一旦 David Cox 實驗室的團隊繪製出大鼠神經活動后，該實驗大鼠將被處死，研究者會使用含有重金屬鋨的溶液灌入小鼠體內並取出大腦。然後，哈佛大學生物學家 Jeff Lichtman 領導的團隊會將大腦切片，觀察並區別神經元組織連接架構。

　　這一過程從位於地下實驗室中一架類似於熟食店裡切蒜腸機的台式儀器開始：一個金屬小平台升升降降，有條不紊的削下琥珀色亞克力「蠟筆」的尖端，並將切下來的每一片粘附在一條塑料平台上的傳送帶上。然而不同的是，那個「蠟筆」其實是包裹著大腦組織的堅硬的樹脂柱，對脆弱的腦組織起到支持保護的作用，而那個升升降降的金屬小平台上，裝著不能更鋒利的金剛石刀片，由它切下來的切片，厚度大約僅有 30 納米。

　　

　　圖 | 掃描大腦薄片得到的圖像由演算法將其重組黏合。

　　

　　圖 |左圖為 「多波束視野」，由電鏡拍攝的 61 張圖像組合而成的圖像；右圖為14 個如上圖的「多波束視野」拼合

　　

　　

　　圖 | 掃描圖像組合裝配成立方並上色

　　下一步發生在位於走廊盡頭的另一個實驗室里。放置在半導體晶片上的、包含若干片腦組織切片的條帶，被放入像大型工業冰箱一樣的儀器中。這個儀器實際上是一架電子顯微鏡：它利用 61 個電子束同時掃描 61 片腦組織切片，解析度高達 4 納米。

　　掃描每個晶片大約需要 26 個小時。在顯微鏡旁的顯示器上顯示的掃描結果圖像，還原出了令人讚歎的細節——細胞膜、線粒體、聚集在突觸周圍的充滿神經遞質的囊泡。簡直像一幅分形圖像：你越放大，能夠看到的細節越多，複雜程度越高。

　　但切片並不是研究的目的，儘管利用顯微鏡得到的掃描結果「噴涌而出」卻也並非最後一步。「你就像在製作一部令每一片切片不斷延伸的電影」，Lichtman 說道。這些切片之後轉交給了哈佛大學計算機科學家 Hanspeter Pfister 領導的隊伍。「我們的角色是在圖像中提取儘可能多的信息」，Pfister 說。

　　這支團隊將利用數量巨多的 2D 切片重建三維神經元——包括它們的細胞器、突觸和其他特徵。雖然可以利用紙筆進行人工繪製，但這樣無疑會慢得令人絕望，Pfister 說。於是，他與他的團隊構建並訓練神經網路來描繪真實的神經元，「它們的表現勝過從前我們使用的任何其他方法」。

　　無論尺寸大小，每一個神經元，都具有大量捲曲的「枝葉」以及一個長而細的纖維，前者稱為「樹突」，後者則為「軸突」。軸突能夠遠距離的傳遞神經衝動，甚至可以跨越整個腦部或下傳至脊髓。通過 MICrONS 所繪製的一毫米立方，研究者們能從頭至尾地追蹤多數軸突，從而觀察到完整的神經環路。「我認為我們將會有所發現」，Pfister 說，「或許是我們從未設想過的結構，或許是神經環路裝配的全新觀點。」

　　預感的力量

　　讓我們回到 MICrONS 團隊最初想解決的問題：大腦的演算法是什麼？這些神經環路實際上是如何工作的？尤其亟待解答的是，那些反饋究竟起到了什麼樣的作用？

　　當今許多 AI 應用程序都不存在反饋機制。大部分神經網路中的電信號瀑布式地從上一層網路節點傳至下一層，然而通常不再向回傳遞。（不要與反向傳播演算法混淆，那是訓練神經網路的方式。）當然，這並非全部情況：循環神經網路 (RNN, Recurrent Neural Networks) 的確有向回傳遞的連接，可以幫助它們處理隨時間變化的輸入。然而，RNN 應用反饋的程度並沒有達到像大腦應用反饋一樣。來自卡內基梅隆大學的 Tai Sing Lee 說，在被充分研究的部分視覺皮層中，「僅僅有 5% 到 10% 的突觸等待並接收來自眼睛的視覺信號。」其他的則是等待著來自更高級大腦的反饋信息。

　　

　　圖 | 上色后的立方體用來用來進一步分析神經結構及活動，讓科學家們深入了解大腦里到底在發生什麼

　　這一重構的大腦立方塊用 3D 圖像展示出了不同種類的神經結構和神經過程，為科學家們提供了迄今為止大腦最真實詳盡的圖像。

　　關於反饋的功能和目的，目前大致有兩種理論。對此，David Cox 表示，「一種觀點認為大腦在不斷地嘗試預測它將接收的輸入」。打個比方，當感覺皮層正在編碼此刻的電影場景時，更高級的腦區正在努力預期下一刻的場景，並將它們認為最佳的猜想通過反饋纖維傳遞迴感覺皮層。

　　這是大腦應對快速變化的環境的唯一方法。「神經元真的很慢」，David Cox 說，「自光抵達視網膜到神經信號傳遞至具有感知功能腦區，完成所有階段過程將花費 170 至 200 毫秒。這一時間足夠小威廉姆斯（著名網球運動員）的發球飛 9 米。」所以，任何想接住這個網球的人必須利用預測進行揮拍。

　　如果你不停地嘗試預測未來，David Cox 說，「那麼當真實的未來到來時，你能夠通過校正來使你的下一個預測更加準確。」這與第二種關於反饋的主流觀點完美吻合：大腦的反饋連接用來指導學習。

　　的確，計算機模擬的過程——所謂增強性能——便是使整個系統建立出反映真實世界的更優模型。舉個例子，「當別人轉過身時，你必會斷定是怎樣一張臉將會出現」——這必是解答「一次學習」（one-shot-learning）之謎的關鍵。

　　

　　David Cox 舉了這樣一個例子：當她的女兒第一次看到狗的時候，她不知道影子是什麼，也不需要知道光在平面上反射的原理，她在生活中積攢了大量的經驗。當她發現類似於「這是一隻狗」事情，她就能根據生活經驗，進一步補充更多信息。如果大腦的信息反饋是正確的，那麼 MICrONS 就能在詳細結構圖中顯示大腦的結構和功能，反映出神經電路是如何預測和自主學習的。

　　如果這些關於大腦反饋作用的觀點是正確的，它們能夠在 MICrONS 的大腦結構及功能圖譜中得以體現，該圖譜就能夠證明神經環路是如何預測和學習，而人工智慧的最終目的就是模擬這樣思維過程。

　　

　　即使這樣，我們距離真正理解大腦還有很長的路要走。因為只了解神經電路是遠遠不夠的，有許多細胞間的信號傳遞並不需要依賴突觸，例如通過激素，或是遊離在神經元之間的神經遞質實現。

　　同時，也存在尺度方面的問題，儘管邁出了巨大的一步，但 MICrONS 為了解決計算相關問題，僅僅觀察了大腦皮層最外的一小塊。而大腦皮層只是大腦的外部區域，大腦中關鍵的的調控機制，仍隱藏在丘腦和基底神經節之類的深層的大腦結構中。

　　好消息是，MICrONS 已經走在前列，科學家們未來有望繪製更大的腦圖譜。據 Jacob Vogelstein 介紹，1 億美元中的大部分會用在開發數據收集技術上，而今後不必再在此處花費。同時，MICrONS 團隊正在研發更快的掃描技術，其中包括不需要切片的方法。

　　目前，卡內基·梅隆大學、哈佛大學、麻省理工學院、伍茲·霍爾海洋學研究所的科學家們通力協作，已經開發出了一種「條形編碼」的技術，能夠靶向標記每個神經元，並用一種特殊的凝膠慢慢使得這些細胞膨脹達到飽和，大小是原來的數十到數百倍不等，實現更高解析度觀察細胞。

　　「所以，儘管第一個立方毫米的數據獲得起來非常困難」，Jacob Vogelstein 說，「但下一個將會簡單得多。」