明晚8:30｜AI For Brain Science系列会议 · 第六期：决策与人工智能
背景介绍
在科学的发展过程中，人工智能与认知科学交叉演进。人工智能旨在模拟智能体的决策和问题解决能力，而认知科学则专注于理解人类认知过程。这两个领域的融合源于对人类思维和智能的深刻探求。随着计算能力的飞速增长和深度学习等技术的发展，人工智能在模拟人类认知方面取得了重大进展。同时，认知科学的研究成果为人工智能提供了关于知觉、学习、记忆和问题解决的宝贵见解。
这一交叉演进为我们提供了更好地理解智能的机会，有助于开发更智能的机器，同时也有助于更深入地理解人类思维和大脑运作。这个跨学科合作的领域将继续推动技术的创新，塑造未来智能系统的发展，并推动我们对人类认知的理解迈出重要一步。
基于以上的背景，本次研讨会将专注于“决策与人工智能”，邀请来自于认知科学、计算神经科学和人工智能领域的专家，共同探讨人工智能如何作为工具更好地研究人类智能，人类智能如何启发通用人工智能算法的开发。
主办方：天桥脑科学研究院（中国）
时间：2023年9月20日20:30-22:30（北京时间）
进AI4BS科学家社群，获取Zoom直播地址
会议安排
主持人 · Host
张洳源
上海交通大学心理与行为科学研究院副研究员
张洳源博士目前担任上海交通大学心理与行为科学研究院和上海交通大学医学院附属精神卫生中心双聘课题组长。张洳源长期致力于脑科学与类脑智能的交叉研究，综合运用心理物理学、贝叶斯概率模型、深度学习模型、神经调控以及超高场高分辨率核磁共振等研究手段，探索人脑认知和智能的生物基础和计算原理。相关学术论文发表在Nature Human Behavior、J Neurosci、Commun Biol、Neuroimage、PLoS Comput Biol等心理学和神经科学杂志，以及ICML、IJCAI等世界顶级人工智能会议。目前研究获得国家自然科学基金、上海自然科学基金、上海市浦江人才计划等基金的资助。
主持人 · Host
耿海洋
天桥脑科学研究院人工智能与精神健康实验室科学家
天桥脑科学研究院学术会议总监
天桥脑科学研究院人工智能与精神健康实验室科学家
香港大学心理学系计算精神病学博士后
荷兰格罗宁根大学医学中心认知神经科学博士
其工作发表在Nature Human Behavior、Brain Structure & Function、Human Brain Mapping等期刊
AI时代下认知神经科学研究的范式革新
讲者 · Speaker
杨天明
中国科学院脑科学与智能技术卓越创新中心高级研究员
个人简介
中国科学院脑科学与智能技术卓越创新中心高级研究员，博士生导师，长期从事抉择与认知的神经机制研究，利用猕猴作为模型动物，研究前额叶和后顶叶等脑区所构成的神经环路在抉择和认知过程中所起到的作用。这些研究成果帮助我们理解大脑认知的基本原理，并推动了类脑人工智能模型的开发以及相关脑疾病的诊疗。
报告摘要
随着人工智能与机器学习的发展，大脑与机器的认知能力以及计算机制的对比成为一个研究热点。我将介绍目前认知神经机制研究的一些进展、局限以及面临的挑战，并讨论通过研究范式的革新，包括引入更加真实复杂的认知任务、多模态神经活动采集和建模、与人工智能的对比实验等，我们如何能更深入地理解大脑认知功能的神经机制，并促进认知神经科学与人工智能研究的交叉合作。这不仅能帮助我们深入理解人类智能的神经基础，也将为人工智能的发展提供启发和借鉴。
学习经验的神经表征
讲者 · Speaker
周阳
北京大学心理与认知科学学院研究员
个人简介
2013年于上海神经科学研究所获得博士学位，随即先后在北京师范大学认知神经科学与学习国家重点实验室与芝加哥大学神经科学系从事博士后研究。2020年加入北京大学。实验室致力于探索抽象概念表征和学习、灵活性决策、认知学习等高级认知功能的神经回路和神经计算机理, 并试图将其应用于类脑人工智能的开发以及病人认知功能障碍的治疗。方法上，将以清醒猕猴多脑区多通道细胞外电生理记录为基础，同时结合清醒猕猴双光子钙成像、类脑人工神经网络模型、药理学实验、光遗传学刺激、微电流刺激等方法。
报告摘要
Interacting with environment often yield reward or punishment. During learning of decision-making, this outcome information is crucial for establishing new sensorimotor associations, specifically the connections between sensory evidence and behavioral choices. Neural representations of trial outcome have been identified in frontal cortex and several subcortical areas. However, how primate brain monitors the behavioral outcome during long-term associative learning remines unexplored. Here, employing the two-photon calcium imaging, we recorded the activity of over 20,000 neurons in the posterior parietal cortex (PPC) of two monkeys when they were learning new image-saccade associations in decision task. Over half of these PPC neurons distinctly represented the behavior outcome in the current trial and\or previous trials. This outcome representation did not merely reflect reward reception; it was modulated by the punishment after incorrect response, substantially decreased in a task requiring no learning, and correlated with monkeys’ choice bias during learning. Remarkably, tracking these neurons through the long-term learning course, we found that the neuronal representation of trial outcome in the PPC substantially reorganized when monkeys transitioned from exploiting familiar associations to exploring novel associations, and then gradually evolved during the acquisition of new associations over different learning days. Importantly, this evaluation of outcome encodings was constrained by the local network connectivity. Together, these findings suggest a substantive role for primate PPC in long-term associative learning through monitoring behavioral outcome, opening new avenues for comprehending PPC's function. Furthermore, our work pioneers the elucidation of the characteristics and mechanisms through which long-term learning shapes neural encodings in the primate brain.
利用微型循环神经网络自动发现认知策略
讲者 · Speaker
李济安
加州大学圣地亚哥分校博士生在读
个人简介
加州大学圣地亚哥分校神经科学博士生在读。2016年本科毕业于中国科学技术大学生命科学学院（计算机科学双学位），2019年硕士毕业于中国科学技术大学统计系。长期从事计算神经科学、认知神经科学、人工智能等方面交叉科学研究。研究方向包括利用基于数理工具和深度学习的计算建模研究生物脑的知觉、记忆、学习和决策等功能。目前主要研究方向包括：(1)认知决策计算机制的自动发现；(2)深度学习模型和生物脑的异同；（3）反向传播算法的生物可行性；（4）决策机制的计算精神病学；(5)大语言模型的机制可解释性。目前获得卡弗里脑与认知研究所创新研究基金的资助。研究成果在Nature Human Behaviour等期刊发表。现担任Science Advances等期刊会议的审稿人。
报告摘要
规范性建模框架（如贝叶斯推断和强化学习）为描述适应性行为的基础原理提供了深入的洞察。但由于通常仅拟合少数模型参数，这些框架在描述真实动物行为时存在局限：不仅导致了频繁的手工调整和模型比较，也容易受到研究者主观性带来的影响。我提出了一个新的建模方法，即利用微型循环神经网络自动发现动物决策的认知算法。三个奖励学习任务中的结果表明，仅有一或两个单元的神经网络能比传统的认知模型更准确地预测单个动物的选择，且与较大的神经网络的预测能力相当。我进一步引入动力系统的概念（如状态空间和不动点）解释了训练后的网络，统一对比了不同的认知模型，并详细阐述了动物决策背后的认知机制。此外，我的方法还能用来估计行为的维度，并解释了元强化学习智能体学到的算法。总体而言，我提出了一个系统性的、旨在发现决策中可解释认知策略的方法，为理解神经机制及研究健康和功能失调的认知提供了基础。
会议海报
关于AI for Brain Science系列会议
AI for Brain Science系列会议致力于促进脑科学与人工智能的跨学科合作和交流，以推动学科深度融合。2023年，我们将组织一系列聚焦于AI for Brain Science主题的学术研讨会，包括：AI与数据合成，AI、音乐与大脑，AI与脑机接口，AI与睡眠/梦境， AI与精神健康等主题。
作为系列品牌活动，AI for Brain Science系列会议将提供一个重要的平台，让学术界和工业界的专家们可以展示他们的最新研究成果、交流合作机会，并分享在人工智能与脑科学领域的最佳实践。
我们热忱欢迎对人工智能和脑科学领域感兴趣的学者、研究人员和业界从业者参加AI for Brain Science系列会议。通过这个平台，我们希望推动人工智能和脑科学的前沿进展，为解决大脑功能和疾病的挑战提供创新的解决方案。