当AI碰见大年夜脑：电脑与人脑协同“进化”_人工智能_人脑

2024-11-12 04:53:48 科技快讯

“人脑是天下上最繁芜的物体之一，虽然我们对付大脑的研究已经持续了上千年，但人脑仍旧有许多未解之谜。
我们希望通过跨领域研究，用人工智能技能来帮助神经科学家更好地理解大脑。
这种理解不仅有助于探索脑部疾病的机理，促进脑康健，而且通过从大脑汲取的灵感，有望启示我们设计出更聪明的人工智能。
”

当AI碰见大年夜脑：电脑与人脑协同“进化”_人工智能_人脑科技快讯

——李东胜

微软亚洲研究院首席研究员

比尔·盖茨曾坦言，他最害怕的事情之一便是他的大脑停滞事情，这也说出了很多人的心声。
大脑是人类生命的核心，聪慧之源，我们的肢体运动、思想、情绪、影象、创造力等都依赖于大脑的神奇活动。

然而，人类脑康健的现状并不乐不雅观。
根据《柳叶刀》杂志2016年发布的环球疾病包袱研究（Global Burden of Disease Study，GBD）显示，1997年至2016年，每年有900万人去世于脑部疾病。
医学界也有一句常言：只要活得够久，大脑总会涌现问题。
特殊是随着人口老龄化的加剧，脑部疾病的发病率也在持续上升。
毋庸置疑，理解人脑和改进人脑康健变得日益主要。

那由人类聪慧孕育的人工智能是否能为人脑康健做些什么？答案是肯定的。
例如，由于新生儿大脑发育不成熟，脑电波数据存在个体差异和大量噪声，导致基于脑电波的新生儿癫痫检测成为医学界的天下级难题。
针对这个问题，我们与上海交通大学互助，利用人工智能技能显著提高了检测的准确性，与目前最前辈的方法比较，AUPRC（精确率-召回率曲线下的面积）提升超过30%，证明了人工智能与脑科学跨领域研究的必要性和可行性。

在此前一系列成功实践的根本上，我和同事们开始拓展并深化人工智能与脑科学的跨学科交叉研究，借助人工智能技能来帮助科学家和医学专家更好地理解大脑，提升脑康健水平，以及更有效地保护大脑，同时，从理解大脑的构造和活动中得到灵感，启示我们设计更好的人工智能。

人工智能加速理解人脑，提升人脑康健

人脑是天下上最繁芜、最神秘的构造之一。
人类对人脑的研究可以追溯到四千多年前，古埃及时期人们就已经开始解剖人脑、理解人脑布局了。
但直到本日，人脑仍旧有许多未解之谜。
最近几百年，人类开始从当代科学的角度理解人脑，并探索出了一些关键的研究方向和有效的工具，如脑电旗子暗记、基因、血液循环等。
因此，我们也将人工智能与这三方面的研究结合起来，帮助人类理解大脑，进而对大脑采纳更有效的保护方法。

帮助年夜夫更好地理解脑电旗子暗记

人类脑电波（EEG）于1924岁首年月次被记录，之后人们逐渐认识到大脑旗子暗记的变革与大脑活动密切干系，通过剖析脑电旗子暗记变革，可以诊断出干系的脑部病症。
然而，脑电图的解读非常困难，由于脑电旗子暗记经由大脑组织、头皮、头骨等层层反射，旗子暗记之间相互滋扰，会产生很大的旗子暗记噪声。
纵然专业医疗技师也须要多年学习才能节制，对几分钟的脑电图进行解读就须要至少一小时的韶光，耗时耗力。
而且专业医疗技师非常稀缺。

现有的利用人工智能来解读脑电图的方法，常日是针对单一问题的，即一个模型只能办理一个问题。
然而，年夜夫在判断病变的产生缘故原由时须要对脑电旗子暗记进行综合剖析，因此这种“一对一”的专属模型在实际运用中存在很大的局限性。

图1：大脑旗子暗记颠簸与干系的大脑活动示例

近年来，大措辞模型正展现出越来越强大的天生和推理能力，但在医学领域中直接应用大模型还存在一些壁垒。
大措辞模型的输入长度有所限定，作为高频数据的脑电旗子暗记，纵然是10分钟的采样数据也远远超过了大措辞模型能够处理的序列长度。
为理解决这一问题，我和同事们演习了首个跨数据集的脑电根本模型，可以对任何脑电数据进行剖析，实现了“一对多”的脑电理解。

基于这个根本模型，我们还开拓了 AI Neurologist 系统，可赞助临床和科研场景下的脑电旗子暗记剖析事情。
AI Neurologist 系统不仅提升了医护职员和神经科学家的事情效率，同时还将年夜夫的判断准确率由原来的75%提高至90%。
目前，我们已经在 GitHub 上开源了脑电旗子暗记根本模型，也期望有更多关注医疗领域的研究职员，与我们一同探索利用人工智能保护大脑康健的更多可能性。

图2：AI Neurologist 系统

推动超声定位显微镜技能走向临床

大脑活动与血液循环之间存在紧密的耦合性，尤其是在脑部活动增加时，大脑对能量的需求也更大，这时就须要血液运送更多的氧气和营养。
由于存在这种“神经-血管耦合”效应，精准地理解脑部的血液循环有助于我们更好地理解脑部神经活动。

传统的血液循环检测紧张依赖于 CT、MRI（磁共振成像）等技能，但这些技能价格昂贵且分辨率较低，只能不雅观测到尺度在数百微米级的毛细血管。
现在还有一种前沿的超声定位显微镜技能可以把分辨率从毫米级提升至十微米级，但它对帧率的哀求非常高，每秒须要采集1000个图像并形成***。
而在实际临床运用中，***帧率常日只有100帧或者更低。
此外，超声定位显微镜技能对抖动非常敏感，心脏跳动或呼吸等眇小的运动都会对检测结果产生影响，这也使得超声定位显微镜技能难以走向临床运用。

事实上，在血液循环检测方面人工智能模型也很难对症下药，由于传统的机器学习演习和推理是基于预测值与精确值之间的不断匹配和试错。
也便是说，我们须要知道精确答案，才能不断演习模型，使输出结果逐渐趋近于精确答案。
然而，人脑血液流向的繁芜性使其无法被预知，它因人而异、因时而异，导致机器学习难以确定学习目标。

针对这些问题，我们将人工智能与超声定位显微镜技能相结合，设计了一系列创新的方法。
目前，这一办理方案已经能够在真实医疗场景中实现对毛细血管的精确追踪，有望推动超声定位显微镜技能从实验室走向临床运用，帮助年夜夫更好地理解大脑血液循环。
而且，相较于CT检测，超声检测的本钱更低，除了能以更高的精度检测脑部血液循环情形外，由于对人体没有侵害，它还能被用于如孕妇等须要避免检测辐射的群体。

仅需一块 GPU 即可演习基因表达预测模型

在更深层次上，人脑的蜕变和各种脑部疾病的发生很大程度是受到基因的调控。
基因是理解脑部非常干系机理的根本成分。
然而，由于基因序列非常弘大，达到了数十亿的数量级，以是，目前最有效的基因表达预测模型之一 Enformer 对打算资源哀求极高，须要64块专用 TPU 才能支持其演习和运行。
这对一样平常的生物或医学实验室来说显然是无法承担的，也难以将其从实验室推广至真实运用处景。

对此，我们提出了一种全新的基因表达预测模型，其演习过程仅须要一块 GPU 即可完成。
更主要的是，这个模型的准确性和预测范围都显著优于 Enformer，为理解繁芜脑部疾病机理供应了主要的启示。
利用这个预演习模型，我们可以剖析与脑部疾病干系的非常基因表达，例如将帕金森病人与康健人的基因表达进行比拟，从而找出非常基因或突变基因，帮助年夜夫明确下一步研究方向。

从脑启示到创造新的人工智能

人工智能的终极目标是实现类脑智能，即让机器模拟人类大脑进行信息处理，实现更高的认知行为和智能水平。
历史上，多层感知机（MLP）的观点便是受到了大脑神经元学说的启示，而很多深度学习技能也都是受脑启示而设计的，例如强化学习源自大脑多巴胺的褒奖机制（Reward and dopamine），卷积神经网络的设计灵感来自于大脑视觉皮层构造（Visual cortex structure），把稳力机制则借鉴了大脑认知把稳力的研究。

图3：脑启示的人工智能

人工智能的设计和优化目标虽然与大脑并不完备相同，也无需完备复制大脑的功能，但大脑有很多值得借鉴的机制可以用来提升人工智能技能。
这种领悟脑科学和人工智能的研究路径为未来人工智能的发展供应了有益的方向。
我认为，个中有四个方面显示出了较大的潜力，包括人脑的节能性、表达能力、泛化能力，以及擅于利用工具的特性。

人工智能该当如人脑一样向节能方向蜕变

只管当古人工智能大模型的能力已经超出了人们的预期，但是演习和运行的功耗却非常高，而且随着模型规模扩大，能耗也呈正比增长。
如果这种趋势不断持续下去，多年后我们将无法为大模型运行供应足够的电力。
与此不同，人脑是朝着更节能的方向进化的。
据估计，人脑的功耗仅为10-20瓦，而具有相同算力的超级打算机的功耗却是21兆瓦，比人脑赶过一百万倍。

因此，仿照大脑的打算和通信办法，被认为是办理当古人工智能行业能耗问题的一条可行路子。
我和团队已经在一些时序剖析的任务上进行了初步的探索，通过模拟大脑中稀疏的编码和打算办法，我们可以在不丢失模型精度的同时把特色处理的能耗降落到原来的五分之一，这一方向的研究创新将有助于推动人工智能技能向更可持续的发展方向迈进。

统一大脑神经元旗子暗记传输机制，提升人工智能表达力

神经科学研究创造，人脑神经元通过各种连接模式相互浸染来处理信息，个中有四种类型最为常见，包括前馈勉励和抑制、反馈抑制、侧抑制和相互抑制。
很多现有的人工智能神经网络仅包含个中的一两种类型，例如多层感知器只包含前馈勉励，并不能把其他模式都集成到一种神经网络中。

在这一研究方向上，我们提出了一种创新的回路神经网络 CircuitNet，可以统一实现大脑中的前向、后向、抑制、促进等各种旗子暗记传输机制。
通过在函数逼近、时序剖析、图像识别、强化学习这四种任务上与多层感知器、CNN、RNN、Transformer 神经网络的比拟，CircuitNet 能够以更少的参数实现更好的效果。
CircuitNet 回路神经网络更趋同于脑部神经元处理信息的模式，为机器学习供应了一种新的根本架构。

图4：大脑神经元的不同连接模式

仿照人类实行行为，提升人工智能泛化能力

人类在学习某项知识时，并不须要阅读天下上所有的干系书本，而是具有一彻万融的能力。
但如今最前辈的大模型为了实现当前的高推理水平，在演习时已经学习了天下上险些所有公开的数据。
这种“举一隅不以三隅反”的学习办法不利于培养模型的泛化能力，也阻碍了模型向具身人工智能（Embodied AI）方向的发展。

通过仿照人类实行行为的特点，我们首次将习气行为（habitual behavior）和目标导向行为（goal-directed behavior）统一建模，从而让智能体可以在不须要演习的情形下就实现两类行为的灵巧切换。
这种方法将会让人工智能具有更高的灵巧性和更强的泛化能力，为实现具身人工智能供应了新的方向。

大措辞模型还需具备利用其他模型和工具的能力

此外，人脑在实行任务时不仅涉及思考，还包括身体的掌握以及利用工具。
我们希望大措辞模型也可以像大脑一样能够利用工具，即通过大措辞模型来调度现有的人工智能模型，完成更繁芜的任务。
在这一方向上我们也进行了初步的考试测验，提出了首个利用大措辞模型连接开源社区中各种人工智能模型办理繁芜任务的框架 JARVIS。

除了上述研究方向，还有一条技能路线是通过神经拟态芯片来仿照人脑的神经元构造。
在现在的打算机架构——冯·诺依曼构造中，打算与存储是分离的，而这与人脑打算和存储一体化的架构有明显差异。
神经拟态芯片则可以通过采取与生物更类似的处理办法，实现一种更靠近人脑事情办法的打算，以是也被一些人看作是实现通用人工智能的可行路径。

人工智能与脑科学研究须要跨领域、系统性的研究能力

人工智能已经展现出重塑浩瀚行业的潜力，但每个行业都面临独特的寻衅，办理这些寻衅的关键在于跨学科的互助研究。
脑科学是一个范例的跨学科研究领域，涉及到生理学、解剖学、生物学、物理学、化学、打算机及数学等多个学科。
因此，在人工智能与脑科学的研究中，跨领域和系统性的研发能力是实现创新打破的必要条件。

为了探索人工智能与脑科学这一跨领域研究的更多可能性，微软亚洲研究院与上海交通大学所成立的联合实验室于2021年开始了干系研究，并与该领域的年夜夫展开了三方互助。
在此过程中，我们摸索出了一套跨领域的互助模式——“自学-组团学习-专家互换”，来推动跨领域研究的创新。
以新生儿癫痫检测互助为例，我的同事们首先自学了医学专业书本，深入理解脑电图的干系知识；然后与具有神经科学和人工智能交叉学科背景的同事一起参加在线公开课，共同研讨学习，初步理解大脑的运行机制；在此根本之上，我们再与医疗领域的专家学者和年夜夫深入沟通，将脑部研究的问题转化为人工智能问题。
这一方法不仅可以更准确地找到脑科学研究中的痛点，有针对性地提出办理方案，也有助于打算机科研职员提出改进人工智能的新思路。

人工智能与脑科学之间的交叉研究有着悠久的历史，这一结合不仅推动了科技的创新，也深化了人类自身对大脑奥秘的理解。
未来，我和同事们将进一步加强跨学科领悟，推动脑科学研究与医学的进步，同时也为人工智能技能的发展开辟新的道路。
我们也期待有更多的伙伴与我们一起互助，确保这些技能的进步可以惠及全人类。

本文作者

李东胜博士，微软亚洲研究院（上海）首席研究员，紧张研究方向为机器学习和脑科学-AI交互打算。
近年来，李东胜在干系领域的有名期刊和会议揭橥论文100余篇，出版专著1部，申请国际专利10余项。

李东胜2007年本科毕业于中国科学技能大学，2012年博士毕业于复旦大学。
2019年，他被复旦大学打算机学院聘为客座教授、行业博士导师。
目前他还担当中国打算机学会协同打算专业委员会执委和上海打算机学司帐算机视觉专业委员会副主任。

干系链接

CircuitNet：A Generic Neural Network to Realize Universal Circuit Motif Modeling

https://proceedings.mlr.press/v202/wang23k/wang23k.pdf

脑电预演习模型论文：Learning Topology-Agnostic EEG Representations with Geometry-Aware Modeling

https://openreview.net/attachment?id=hiOUySN0ub&name=pdf

新生儿癫痫检测论文：Protecting the Future: Neonatal Seizure Detection with Spatial-Temporal Modeling

https://arxiv.org/abs/2307.05382

解码大脑旗子暗记重修视觉感知图像论文：Seeing through the Brain: Image Reconstruction of Visual Perception from Human Brain Signals