单个神经元不可靠！这项新研究推翻以往认知，感知的最大限制在于解码过程

铜灵 伊瓢 发自 凹非寺 
量子位 报道 | 公众号 QbitAI

“单个神经元不可靠！”

一项关于神经元的研究，让众人看嗨了。

这项研究通过在小鼠身上做实验，先展示了神经元“不靠谱”的一面：

单个神经元两次对相同视觉刺激的反应，竟然是不一样的。

对于神经元的“不靠谱”性，此前的解释一直集中在噪音这个点。

而这项研究却实实在在推翻了此前观点，作者通过实验证明了：即使有噪音，神经元还是有能力获取高精度的视觉编码。

主导这项研究的小姐姐认为，小鼠感知能力的限制不由视觉皮层的神经噪音决定，而是受神经解码过程的限制。

在这项推特转发超过600，点赞超过2000的研究下，神经科学家和AI科学家一起兴奋，“Pretty Cool”“Awesome”“Great story”等赞美声此起彼伏。

虽然不是AI界日常讨论的人工神经网络，而是自然界中动物们身上存在的生物神经网络，两者并不完全一样，但动物们自身的特征，却往往是启发科学家们的关键。

高通深度学习研究工程师Jakub Tomczak想到，它和AI中的Dropout十分类似，像是近似贝叶斯平均。

Dropout，正是指的Geoffrey Hinton等人在2014年提出的防止人工神经网络过拟合的正则化技术，现在已经成为了谷歌手中的专利。

AI工程师@AIexLaurence表示，就像AI一样，单个神经元（或者节点）并不表示特定的概念，是由神经网络中特定的激活模式决定的。

AIexLaurence还认为，这项生物学研究可能会对神经网络权重的研究有启发。

还有人认为，在神经元自带不确定性的前提下，大脑依赖投票/阈值机制产生的反馈信号来判定输入的感知信息。另外，除了神经的原因之外，也可能是动物眼睛的微观结构决定。

能让搞生物的和搞计算机的有同样的high点，这具体是项怎样的研究？

“不靠谱”的神经元

事情，还要从神经元说起。

对，就是中学生物里构成神经网络的那个长长的细胞。

可能不少AI领域的同学还不知道，在神经科学领域，神经元和AI界的拥有不确定性的神经网络一样，都是不靠谱的存在。

神经元，就像一个脑洞清奇的少年，即使是同样的信息呈现在他面前，他每次都会给出不一样的反应。

究其原因，在于噪声频发，影响神经编码。

神经编码，跟计算机的编码不是一回事。由于感觉信息与其它信息，都是由脑中的生物神经网络来承载与呈现的，所以人们认为，神经元有某种编码能力，处理你身体感知到的光线、声音、味道等信息。

也就是说，神经编码过程是试图建立从刺激到反应的映射，着眼于理解神经元如何对不同的刺激作出反应，建立模型来预测神经元对特定刺激的反应。

而与之对应的神经解码过程，研究的是相反方向的映射，也就是从已知的反应来推算外界刺激重建特征。

在这个过程中，是一个“多变”的过程，但总是被冠以“不靠谱”的评价。举个例子：

假如你问一个神经元这个直角屏幕的角度是多少，它一开始说是75度，五分钟后说是10度，每一次你再问的时候都是一个接近90度的随机数。

再举个例子，你在计算器上输入3+7，它每次都给出的是不同的答案……

是不是有种熟悉的感觉？

没错，什么人工不人工的智能都差不多。

可是，正经的计算设备不应该是这样的。

这就是让神经科学家很为难的地方，单个神经元得出的结论是不可靠的（灰色的点），需要多次测量来平均噪声（图中黑线）。

那么，一个神经元都这么不靠谱了，一群不靠谱的神经元竟然能把动物们的神经系统构建的这么精准，真是个奇迹。

那么，神经元们是怎么做到的呢？

这涉及到信噪比的问题。信号强度和叠加次数成正比，噪声强度和叠加次数的平方根成正比，因此叠加次数越多，信噪比越高。

有人猜测，也许在我们的大脑中，它的运算机制就是数百万个嘈杂神经元结论的平均值，通过这种方法来判断看到的是什么。

可以从几何的角度解释这个问题，当噪声与刺激驱动的相同神经子空间对齐时，噪声只能影响受到刺激部分的编码。至少，一些神经噪声与刺激子空间正交，所以不会有什么坏的影响。

但是，这些只是理论猜想，如果真的想靠实践算出噪声对神经编码的影响，这很难，毕竟只有少量信息限制的噪声也会对神经编码有很大影响。

所以，基于以上推测，我们就大致为这种“明明个体不靠谱，群体却很靠谱”的行为归纳出原因：

把每个神经元得出的结论“神奇组合”一下，得出的平均值，就是最终那个靠谱的结果。

现在，做个实验，解个码证明一下吧！

小鼠视力实验

此前有人做过对猴子的解码，证明拿一小撮神经元做实验和用上所有神经元差不多。

在这个背景下，我们的主角出场了。

一位神经科学家小姐姐Carsen Stringer用小鼠做实验，探究小鼠的感知与单个神经元的关系。

在这次实验里，小姐姐和她的团队没有对猴子下手，而是换了一种动物，盯上了小鼠。

研究人员的目标是，通过记录小鼠20000个神经元的数量，测量视觉刺激定向解码误差的下限。

这项实验的大前提是：如果限制信息噪声的确有影响，解码错误必须渐近于某个非零值。

具体的给小鼠设定的挑战是：

让小鼠看角度。

基于我们前面已知的“不靠谱”这个特性，可以预知，给予小鼠相同的视觉刺激，神经元的每次反应完全不同。

研究人员用显微镜同时记录了约20000个神经元的活动。这是一个部分的随机颜色：

然后，使用线性回归找到每个神经元的权重，将它们的活动组合成“超级神经元”，对它们的判断进行平均。

这些超级神经元比单个神经元的噪声要小很多。其实，在95%的实验中，超级神经元能够分辨45度和46度之间的微小差异。

一度之差，人类都判断不出来吧。想象一下，让一只老鼠分辨出这么微小的差异……另一位研究人员@BenucciLa真的尝试了，老鼠只能分辨出超过29度的差异，比神经元差100倍。

最终，虽然研究人员们把解码的误差做到很低了，但是并没有出现期待中渐近的状况。

也就是说，视觉皮层对老鼠的视觉特征进行了高精确度的编码，但老鼠依然在辨别方向任务中完成得很差。

锅在解码过程

于是，研究人员得出结论，老鼠能接受到的信息，比人类大脑能接受的差1000倍。

虽然老鼠不能将这些信息传递给人类，但他们也是可以利用这些信息的。比如，这些信息可以作为一种计算的第一步。

这也进一步说明，神经信号和行为之间的差异不能用刺激的类型来解释，无论是通过行为状态还是反复试验感知直觉测试。

因此，小姐姐得出结论，小鼠感官知觉的局限性不是由感觉皮层的神经噪声决定的，而是由神经元下游的解码过程限制。

作者简介

这项研究的一作Carsen Stringer小姐姐，是伦敦大学学院（UCL）计算神经学博士、美国Janelia研究院的神经网络科学家。

神经元、视觉皮层和小鼠是小姐姐的日常，此外，她还发过各种Nature、Science等顶级期刊。

传送门

论文：High precision coding in mouse visual cortex

地址：https://www.biorxiv.org/content/10.1101/679324v1

代码：
https://github.com/MouseLand/stringer-et-al-2019

— 完 —

AI社群 | 与优秀的人交流

AI内参 | 关注行业发展

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态

喜欢就点「在看」吧 !