专题 | 从动物智能到人工智能
当今的人工智能系统可以在象棋、围棋或德州扑克等复杂的游戏中击败人类冠军。在飞行模拟器中，它们可以击落顶级战斗机飞行员。它们正在以更精确的手术缝合技术和更精准的癌症诊断能力超越人类医生。但在某些情况下，3岁孩子却可以轻松击败世界上最好的人工智能：当竞赛涉及某种普通到人们根本没有意识到的学习过程时。●当哈佛大学神经学家、人工智能专家大卫•考克斯（David Cox）3岁的女儿在自然历史博物馆看到一副长腿骨架，并指着它说“骆驼！”时，这位自豪的父亲心中突然出现了上述想法。她唯一一次见到骆驼还是在几个月前，当时考克斯给她看了一本画册中的一只卡通骆驼。●人工智能研究人员把这种基于单一例子 识别对象的能力称为“一次性学习”（one-shot learning），而且他们非常羡慕幼儿的这种能力。而今天的人工智能系统则以完全不同的方式获取智能。通常情况下，在深度学习的自主训练方法中，程序被给予大量数据，以从中得出结论。要训练一个人工智能骆驼探测器，系统会载入成千上万张骆驼图像——卡通图片、解剖图片、单峰和双峰不同品种骆驼照片，这些照片都会被标记为“骆驼”。人工智能还会接收其他成千上万张被标记为“不是骆驼”的图像。一旦系统消化了这些数据并能确定骆驼的特点，就会成为一个出色的骆驼检测器。但考克斯的女儿此时早已开始关注长颈鹿和鸭嘴兽了。
考克斯在解释美国政府的“脑皮层网络机器智能”（Microns）计划时，谈及了他女儿的上述故事。该计划的宏伟目标是：对人类智能实施逆向工程，让计算机科学家创造出更好的人工智能。首先，神经科学家要接受任务，探索脑部黏糊状脑灰质的计算策略；随后数据团队将这些策略转换成算法。由此产生的人工智能所面临的一大挑战将是一次性学习。“人类有惊人的推理能力和概括能力，”考克斯说，“这正是我们想要掌握的。”
该五年期计划由美国情报高级研究计划署（IARPA）投资，投资额达1亿美元。该计划专注于视觉皮层，这是大脑处理视觉信息的部分。3支Microns团队以老鼠为试验对象，目标是绘出1立方毫米脑组织内的神经元分布。这项任务听起来似乎并不太难，但小小的1立方毫米脑组织包含着5万个神经元，并通过5亿个节点（突触）相互连接。研究人员希望能清楚地分辨这些连接体，以发现视觉皮层工作时被激活的神经“电路”。这项计划需要专业的脑成像技术，以纳米级分辨率显示单个神经元。以前从来没人对这样大小的脑部区域进行过此类尝试。
虽然每个Microns团队都涉及多个机构，但考克斯带领的团队成员大都在哈佛校园的同一栋大楼里工作。考克斯是哈佛大学分子和细胞生物学以及计算机科学的助理教授。在大厅中可以看到，啮齿动物在老鼠的“电子游戏室”忙着自己的任务；一台机器切开大脑，仿佛世界上最精确的熟食切片机；还有一些目前最快和最强大的显微镜。这些设备全负荷运转，加上大量的人力工作，考克斯认为，他们或许能破解这1立方毫米的代码，完成这项艰巨的工作。
●■●
试想一下人类思维的巨大能量。要处理关于这个世界的信息并维持身体运转，电脉冲会穿过头骨中海绵状褶皱组织内的860亿个神经元。每一个神经元都有一个长长的轴突蜿蜒穿过组织，并与成千上万个其他神经元相连，从而形成上万亿个连接体。电脉冲模式与人类所有的体验都有关：弯曲手指，消化午餐，坠入爱河，认识骆驼。
自20世纪40年代以来，计算机科学家们一直试图模仿大脑，当时他们设计了一种被称为人工神经网络的软件结构。今天大多数高级人工智能都采用了该结构的某种现代形式：深层神经网络、卷积神经网络、递归神经网络，等等。受大脑结构的启发，这些网络由许多被称为人工神经元的计算节点组成。这些人工神经元执行分散的小任务，并相互连接，使整个系统完成了不起的任务。
因为人类科学仍然缺乏关于神经回路的基本信息，神经网络还无法更精确地在解剖学意义上复制大脑。IARPA Microns项目的经理R•雅各布•沃格尔斯坦（R. Jacob Volgelstein）说，研究者的研究不是集中在微观就是集中在宏观。“我们使用的工具不是刺激单个神经元，就是对大范围的脑信号进行聚集。”沃格尔斯坦说，“其中的巨大鸿沟主要在于解析电路层面上的操作——成千上万的神经元是如何协同工作来处理信息的。”
得益于最近的技术进步，情况已有改变，神经科学家能够绘出“连接体”地图，揭示神经元之间的多元连接。但是Microns不仅仅寻求静态的电路图。这些团队还必须揭示，在啮齿动物观察、学习和记忆时，这些电路是如何被激活的。“这与对集成电路进行逆向工程的做法非常相似。”沃格尔斯坦说，“你可以关注芯片的极端细节，但除非看到运行中的电路，否则你无法真正知道它如何运作。”
对IARPA而言，如果研究人员能够追踪到认知任务中的神经元模式，并将该模式转化为类脑人工神经网络结构，才是真正的回报。沃格尔斯坦说：“希望大脑的计算策略是可以以数学和计算机算法表示的。”政府的大赌注是，类脑人工智能系统将比之前的系统更善于解决现实世界的问题。毕竟，解析大脑是一项崇高的追求，但情报机构希望人工智能不仅可以迅速掌握如何识别骆驼，也能从模糊的安全摄像头视频中识别那些只露出一部分的面孔。
●■●
考克斯放置老鼠的“电子游戏室”是一个小空间，许多微波炉大小的黑色盒子叠成4层。每个盒子里有一只老鼠，它面对电脑屏幕，鼻子正对着两个喷嘴。
在当前的实验中，老鼠试图掌握一项复杂的视觉任务。屏幕显示的是计算机生成的三维物体——只是些抽象的形状，不是与外部世界对应的可识别物体。当老鼠看到物体A时，必须舔左边的喷嘴才能得到一滴甜果汁；当它看到物体B时，只有右侧的喷嘴有果汁。但是物体是以不同的方向呈现的，所以老鼠必须在大脑中旋转显示器上所展现的形状，并决定它匹配A还是B。
训练课同时穿插着成像课。其间，老鼠从大厅被带到另一个实验室。实验室里有一台盖着黑布的笨重显微镜，看起来像是老式的摄影装备。在这里，当老鼠在屏幕上看到已熟悉的物体A和B时，研究小组会使用双光子激发显微镜来观察动物的视觉皮层；然后改变物体方向，重复上述操作。当激光照射到活跃的神经元时，显微镜记录下荧光的闪烁，3D视频中显示的模式类似于夏日夜晚绿色萤火虫的闪烁。考克斯渴望看到，当这些动物熟练掌握自己的任务时，这些模式是如何变化的。
显微镜的分辨率不够高，无法显示连接神经元的轴突。没有这些信息，研究人员无法确定一个神经元如何触发下一个，以启动一组信息处理电路。要实现下一步，必须杀死动物，对大脑进行更深入的研究。
研究人员切下一小块视觉皮层，通过联邦快递送往伊利诺伊州的阿贡国家实验室。在那里，一个粒子加速器使用强大的X射线绘制出一个3D图像，呈现出每一个神经元个体、其他类型的脑细胞以及血管。该图也没有显示这一小块视觉皮层内部的连接轴突，但随后研究人员将双光子显微镜图像与电子显微镜产生的图像进行比较时，它能帮上忙。考克斯说：“X射线就像是罗塞塔石碑。”
然后这一小块大脑切片被送回到杰夫•利希曼（Jeff Lichtman）所在的哈佛实验室。杰夫•利希曼是分子和细胞生物学教授，也是大脑神经连接体专家。利希曼的团队利用一个类似于熟食切片机的机器，把该1立方毫米的脑组织切割成3.3万片，每片只有30纳米厚。这些薄片被自动采集到胶带中并排列在硅晶片上。接下来，研究人员使用目前世界上最快的电子扫描显微镜，向每片大脑样本发射61束电子束，并测量电子散射的方式。这台冰箱大小的机器会24小时不间断运行，给每片样本生成分辨率为4纳米的图像。
每幅图像都类似于密集排列的意大利面条的横截面。图像处理软件将切片按顺序排列，一片一片地跟踪每一根意大利面条，描绘出每个神经元轴突的全长，以及它与其他神经元的上千个连接。但软件有时会无法完整跟踪一根面条，或者会混淆不同的面条。考克斯说，人类比计算机更擅长这项任务。“不幸的是，地球上没有足够的人来追踪这么多的数据。”哈佛大学和麻省理工学院的软件工程师们正在研究这一追踪问题，他们必须解决这个问题，才能制造出精确的大脑布线图。
将这张图与双光子显微镜生成的活动图叠加在一起，应该可以揭示大脑的计算结构。例如，叠加图像应当会显示，当老鼠看到一个奇怪的团块物体时，哪些神经元组成的电路会亮起，使得老鼠在脑海里旋转图像，并判断它与物体A匹配。
考克斯团队所面临的另一大挑战是速度。在该项目的第一阶段（于5月份结束），每个团队必须展示对一块边长100微米的脑组织块的研究成果。考克斯的团队花了两周的时间，完成了这个较小的组织块进行电子显微镜扫描和图像重建的步骤，持续了两周。现在，在第二阶段，团队必须在几个小时内处理相同大小的组织块。从100万立方微米到1立方毫米，体积呈千倍增长。这就是为什么考克斯极度专注实现每一步——从大鼠的视频训练到神经连接跟踪——的自动化。“迫于IARPA计划的压力，科学研究看起来更像是工程设计。”他说，“我们的行动必须要快。”
通过加速实验，考克斯的团队可以测试更多关于大脑电路的理论，这也将对人工智能研究人员有所帮助。在机器学习中，计算机科学家设定神经网络的总体结构，而程序自己决定如何将许多计算连接成序列。因此，研究人员计划就同一视觉识别任务对老鼠和神经网络分别进行训练，并比较两者脑部连接和输出结果的模式。考克斯说：“如果我们看到大脑中出现某些连接图案，而在模型中看不到它们，那可能意味我们犯了某些错误。”
研究的一个领域涉及大脑的学习规则。物体识别被认为是通过一个多层次的处理完成的，第一组神经元接收颜色和形式的基本要素，下一组寻找边界，把物体与背景分开，等等。当动物对识别任务变得熟练后，研究人员可以探寻：层次结构中哪一组神经元的活动变化最剧烈？当人工智能对同一个任务变得熟练时，其神经网络中的活动变化是否与老鼠大脑的变化方式相同？
IARPA希望这些研究结果将来不仅被应用于计算机视觉，也可被运用在一般的机器学习中。考克斯说：“我们正在实现一次信仰的飞跃，但我认为这是一种基于证据的信仰飞跃。”他指出，大脑皮层，即进行高层次认知的神经组织外层，整体上展示出一种“过于相似”的结构。对于神经科学家和人工智能专家而言，这种一致性表明，整个大脑也许采用了一种基本的电路类型进行信息处理。这是他们希望发现的。对基本类型电路（ur-circuit）进行定义可能是向智慧人工智能前进的一步。
●■●
考克斯团队正采取行动，试图让已经经过验证的神经科学程序有更快的运行速度。与此同时，另一位Microns研究人员正探求一个激进的想法。哈佛大学威斯生物启发工程研究所的教授乔治•彻奇（George Church）说，如果成功，它可能引发一场脑科学革命。
彻奇与卡内基·梅隆大学（位于匹兹堡）的李泰兴（Tai Sing Lee）共同领导一个Microns团队。彻奇负责神经连接绘图部分。他采取的方法与其他团队截然不同。他不使用电子显微镜追踪轴突连接，他认为该技术速度太慢，并且错误太多。彻奇表示，随着其他团队试图在1立方毫米的组织上跟踪轴突，误差会不断积累，使得神经连接体数据出现混乱。
彻奇的方法不受轴突长度或脑组织块大小的影响。他使用转基因小鼠和一种叫做DNA条形码的技术，给每个神经元标上独特的遗传标志。从树突尖端到长轴突末端，都能读取遗传标志。“如果有一些巨大的长轴突也没关系，”他说，“不管中间有多么混乱，条形码总能帮你找到两端。”他的团队使用的脑组织切片（20微米）比考克斯团队（30纳米）使用的厚，因为他们不必担心在不同切片间会失去轴突踪迹。DNA测序机记录下给定的脑组织切片中的所有条形码，然后相应程序根据遗传信息进行分类，绘制出一幅显示神经元相互连接情况的图像。
彻奇和他的合作者——纽约冷泉港实验室的神经科学教授安东尼•扎多（Anthony Zador），在之前的实验中已经证明条形码和测序技术是可行的，但他们还没能按Microns项目的要求把数据集合起来，编入神经网络连接体地图。彻奇说，假设他的团队能做到这一点，Microns将仅标志着他大脑地图研究的开始：下一步，他要把老鼠整个大脑的所有连接制成图表，这总共有7000万个神经元和700亿个连接。“仅做1立方毫米是非常短视的，”彻奇说，“我的雄伟计划不止于此。”
这种大规模图像会促进那些对大脑生物结构模仿程度更高的人工智能的发展。但喜欢扮演挑战者角色的彻奇设想了计算的另一种前进方向：他说，停止建立大脑硅质复制品，转而构建生物大脑。生物大脑会更好地处理人类大脑擅长的计算任务。他说：“我认为我们很快就有能力去研究合成神经生物学，真正地制造出自然大脑的变体。”由于硅基计算机在处理速度上比生物系统更强，所以彻奇设想给生物大脑配置电路元件，增强大脑的运算能力。
按彻奇的估计，Microns团队对大脑实施逆向工程的目标可能无法实现。他说，大脑是如此复杂，研究人员即使成功地建立这些机器，可能也无法完全理解大脑的奥秘——这是可接受的。“我认为‘理解’是科学家的一种迷信，”彻奇说，“设计并制造一个工程大脑，可能比理解它容易得多。”
作者: Eliza Strickland
>>>本文为原创，转载请回复。<<<
往期推荐