作者：范静涛, 方璐, 吴嘉敏, 郭雨晨, 戴琼海

来源：From Brain Science to Artificial Intelligence[J].Engineering,2020,6(3):248-252.

编者按

脑科学为深度学习等人工智能领域带来了打破性进展，但人工智能与人类智能之间仍存在着不可超出的鸿沟。
从脑科学到AI、从理解大脑到仿照大脑，在脑科学与AI研究之间建立起一座桥梁已经成为一种急迫需求。

中国工程院戴琼海院士科研团队在中国工程院院刊《Engineering》2020年第3期揭橥《从脑科学到人工智能》一文。
文章指出，脑科学与人工智能之间是一个相互补充、相互促进的关系，可以通过研究新型脑成像技能来探索脑科学的秘密，建立大脑的动态连接图谱以及将神经科学实验与理论、模型和统计学相结合等。
在此根本上，进一步研究新一代AI理论和方法，建立起从机器感知和机器学习到机器思维和机器决策的颠覆性模型和事情模式。
与此同时，文章还谈论了在脑科学启示新一代AI过程中的一些机遇与寻衅，希望通过推动前辈的工程技能发展，带来脑科学领域的重大打破，启示新一代人工智能理论框架与技能的实现。

一、弁言

从人工智能（artificial intelligence, AI）发展的历史来看，我们可以清楚地看到脑科学与AI之间的联系，许多AI的先驱科学家也是脑科学家。
利用显微镜创造的生物大脑的神经连接启示了人们对人工神经网络的研究；利用电子探测器创造的卷积特性和多层构造启示了人们对卷积神经网络和深度学习的研究；利用正电子发射断层扫描（PET）成像系统创造的把稳力机制启示了人们对把稳力模块的研究；利用功能磁共振成像（fMRI）技能创造的事情影象启示了人们对机器学习模型中影象模块的研究，并终极发展成为对是非期影象模型（LSTM）的研究；利用双光子成像系统创造的学习期间形成的脊柱变革启示了人们对弹性权重巩固（EWC）模型的研究。
虽然目前AI领域和脑科学领域彷佛有些脱节，但是脑科学的研究成果揭示了与AI 事理干系的一些主要问题，并进一步使AI在理论和技能上取得了重大打破。
现在我们处于深度学习时期，而深度学习更是直接管到了脑科学的启示。
我们可以看到，越来越多的脑科学研究成果可以引发新的深度学习模型。
在不久的将来，AI的下一个打破很可能来自于脑科学。

二、受脑科学启示的 AI

AI的研究目标是开展理论研究和开拓能够代替生物智能或人类智能来实行任务的打算机系统，并且该系统具有感知、识别、决策和掌握等功能。
相反，脑科学（亦被称为神经科学）的研究目标是研究生物大脑的构造、功能和运行机制，如大脑是如何处理信息、做出决策以及与环境交互的。
显然，AI可以被看作是对人类智能的仿照。
因此，研究AI的一种大略的方法是将AI与脑科学及其干系领域（如认知科学和生理学）相结合。
事实上，许多AI研究的先驱，如Alan Turing、Marvin Minsky和Seymour papert、 John McCarthy和Geoffrey Hinton，都对这两个领域非常感兴趣并为AI的研究做出了巨大的贡献，这也归功于他们在脑科学方面的踏实背景。

在当代打算机问世之后，AI的研究目标是建立智能 “思维”机器。
自AI出身以来，AI与脑科学之间就存在着相互联系。
在20世纪初，由于显微镜的发展，研究职员不雅观察到了包括大脑在内的神经系统中神经元之间的联系。
受到神经元之间相互联系的启示，打算机科学家开拓了人工神经网络，这是AI史上最早、最成功的模型之一。
1949年，Hebbian学习算法被提出，它是最早的学习算法之一。
该算法的提出是受到了生物神经系统力学的启示。
当突触两侧（输入和输出）的神经元具有高度干系的输出旗子暗记时，两个神经元之间的突触会被加强；同样，在Hebbian学习算法中，当输入与输出旗子暗记高度干系时，学习算法会增强两个神经元之间的连接权重。
之后，人工神经网络受到研究职员的广泛关注。
一项具有代表性的研究成果是感知器，它直接仿照了大脑中的信息存储和组织功能。
感知器是一种具有多维输入旗子暗记的单层人工神经网络，它为之后的多层网络的发展奠定了根本。

1959年，Hubel和Wiesel（1981年诺贝尔生理学或医学奖得到者）利用电子旗子暗记探测器捕捉到了神经元在视觉系统看到不同图像时的反应。
来自哺乳动物视觉皮层的单细胞记录揭示了视觉输入旗子暗记是如何在V1 区域的大略和繁芜细胞中被过滤和搜集的。
这项研究表明，大脑中的视觉处理系统进行了卷积操作，而且该系统具有多层构造。
生物系统利用具有非线性打算的连续层级构造将原始视觉输入旗子暗记转换为越来越繁芜的特色集，从而使视觉系统在识别视觉输入旗子暗记时对姿势和比例等变换保持不变。
这些创造直接启示了卷积神经网络，卷积神经网络是现阶段深度学习技能的基本模型。
人工神经网络和深度学习的另一个关键组成部分是反向传播算法，它办理了如何调度人工神经网络中的参数或权重的问题。
有趣的是，反向传播算法的基本思想最初是由神经科学家和认知科学家在20世纪80年代提出的，而不是由打算机科学家或机器学习研究职员提出的。
这些科学家不雅观测到，神经系统的微不雅观构造和生物大脑的神经系统是通过一个学习过程逐步被调度的，其目的是最小化偏差和最大化输出回报。
把稳力机制是在19世纪90年代首次被作为生理学观点而引入的，它的设计目的是使智能体可以选择性地集中在一些主要信息上而不是全部信息上，从而改进认知过程。
自20世纪90年代以来，研究者开始利用新的医学成像技能，如PET，去研究大脑的把稳力机制。
1999 年， PET被用于研究大脑的选择性把稳力。
之后，研究职员通过利用更多的成像技能，创造了更多关于生物大脑的把稳力机制。
受到生物大脑中把稳力机制的启示，AI研究职员开始将把稳力模块纳入基于韶光或空间办法的人工神经网络中，分别提高了深度神经网络在自然措辞处理和打算机视觉任务中的性能表现。
利用把稳力模块，人工神经网络能够选择性地关注主要的工具或词语并忽略不干系的部分，从而使演习和推理过程比传统深度网络更高效。

机器学习模型常日会忘却它已经处理的数据中的信息，而生物智能却能够将这种信息记住一段韶光，生物大脑有事情影象功能，它能记住过去的数据。
事情影象的观点最初是在20世纪70年代被引入的，它是通过一些认知实验所总结的。
自1990年以来，研究职员就开始利用PET和fMRI来研究生物大脑的事情影象，并创造大脑的前额叶皮质是关键部分。
受到脑科学事情影象研究的启示，AI研究职员试图将影象模块纳入机器学习模型。
一种范例的方法是LSTM，该方法为诸多序列处理任务奠定了根本，如自然措辞处理、视频理解以及时间序列剖析。
最近的一项研究表明，事情影象模块可以使机器学习模型实行繁芜的推理和事情任务，如找到特定点之间的最短路径并在随机天生的图形中推断缺失落的连接。
通过影象以往的知识，我们可以进行一次性学习，即只须要标记少量的样本就可以学习一个新的观点。

连续学习是生物智能的一项基本技能，利用该方法可以在不会忘却以前任务的同时学习到新的任务。
生物神经系统是如何实现在不同韶光学习多个任务的，这是一个具有寻衅性的研究课题。
1990年，双光子显微技能使在单个突触的空间尺度上不雅观察树突棘在学习期间的体内构造和功能成为可能。
通过这种成像系统，一些研究职员在2010年对大脑中新皮质在连续学习期间的可塑性进行了研究，研究结果揭示了神经系统在学习新任务时是如何通过掌握神经元的成长来记住之前的任务的。
受到生物神经系统研究的启示，一种名为EWC的学习算法被提出并被用于深度神经网络的研究。
这种算法在学习新任务时掌握着网络参数的变革，从而保留了旧的知识，使深度学习中的连续学习成为可能。

强化学习（RL）是一种被广泛利用的机器学习框架，该框架已被用于许多运用程序，如AlphaGo。
它与 AI智能体如何采纳行动并与环境进行交相互干。
事实上，RL也与生物学习过程密切干系。
韶光差分学习（TDL）是一种主要的RL方法，也是RL的早期算法之一。
TDL通过代价函数确当前估计值的勾引来学习，该策略类似于动物系统中二阶调节的观点。

三、脑操持

许多国家和地区都开展了大脑研究项目以加速脑科学研究，如表1所示。
只管研究的重点和路线不同，但基于脑科学的创造进行的下一代AI的开拓是所有大脑研究项目的共同目标。
各国政府和大多数科学家彷佛已达成共识，即发展神经成像和掌握技能可以帮助我们探索大脑的事情事理，从而使我们能够设计出更好的、包括硬件和软件在内的AI架构。
在研究期间，包括生物学、物理学、信息学和化学在内的多个学科之间的相互合为难刁难于实现不同方面的新创造是非常必要的。

表1 各国脑科学研究项目概览

在过去五年中，在大脑研究项目的支持下，研究者们取得了主要的成果。
光遗传学的发展使我们能够以单细胞分辨率精确地掌握神经活动。
利用前辈的波束调制方法可以进一步实现大规模掌握。
与此同时，多种方法已经被研究职员提出，并被用来以3D形式记录大规模神经活动。
被记录到的神经元数量在不断增加，从数十个增加到数千个，而且随着大视场高分辨率成像技能的不断发展，近期这一数量可能增加到数百万个。
神经光子学领域中显著的技能进步为神经科学中的主要创造供应了技能根本。
例如，脑操持（BRAIN Initiative）的关注重点将逐渐转向创造驱动型科学。

脑操持旨在通过神经科学改造机器学习，个中一个经典案例是大脑皮质网络的机器智能操持（MICrONS）。
通过利用连续切片电子显微镜，研究职员能够以前所未有的分辨率以3D形式重修繁芜的神经构造。
结合多尺度数据的高通量数据剖析技能，一些创新性的科学方法可以被开拓以探索基本的神经科学问题。
基于这种被改进的理解办法，研究职员提出了用于深度神经网络的创新性架构，并考试测验对当前架构的事情事理进行理解。
此外，当前的深度学习技能还可以对研究中大量的数据处理进行加速，从而形成良性循环。

受益于近年来AI技能的发展，我们可以以前所未有的时空分辨率系统地不雅观察神经活动。
同时，许多大规模数据剖析技能被提出，用于办理此类技能产生的大量数据所带来的寻衅。
按照这条路线，各种大脑研究项目可以以指数形式加快脑科学研究。
通过越来越多的研究成果，我们可以更好地理解人类的大脑。
毫无疑问，大脑的事情事理将会启示下一代AI的设计，这就像过去对大脑研究的创造启示了本日的AI造诣一样。

四、脑科学和 AI 之间的桥梁——仪器

利用仪器对大脑进行的不雅观测对AI的涌现和发展作出了巨大的贡献。
当代神经生物学的发展是从亚细胞到组织水平的微不雅观构造的信息获取开始的，这一过程受益于显微镜的发明以及细胞和组织中物质的偏色。
著名的神经解剖学家Santiago Ramón y Cajal是第一个利用Golgi 染色法去不雅观察大量神经系统组织标本的人，他提出了神经元和神经旗子暗记转导的基本理论。
Cajal和Golgi于 1906 年分享了诺贝尔生理学或医学奖。
Cajal现在被广泛称为“当代神经生物学之父”。

当前，我们对人类大脑日益丰富的理解得益于神经技能所取得的各种进步，包括神经元、神经系统和大脑的掌握、处理和信息获取，以及认知和行为学习等。
在这些进步中，用于高质量成像采集的新技能和新仪器的研发早已成为焦点，并有望在未来受到更多关注。
例如，美国在2013年推出的脑操持旨在绘制动态大脑图像，用于展示脑细胞与其周围神经回路之间快速而繁芜的相互浸染，并揭示神经组织与大脑功能之间的多维交织关系。
这类研究成果有望让我们理解大脑记录、处理、运用、存储和检索大量信息的过程。
2017年，脑操持帮助了哈佛大学的一些跨学科科学家，这些科学家致力于对神经环路与行为之间的关系进行研究，他们紧张通过利用高质量成像技能来获取和处理各种条件下神经系统的大型数据集。

传统的神经科学研究紧张采取电生理学方法，如利用金属电极进行神经刺激和旗子暗记采集，这种方法具有灵敏度高、韶光分辨率高的优点。
然而，电生理学方法是侵入性的，它不适用于永劫光的不雅观测。
同时，该方法的空间分辨率较低、扩展能力有限，难以在单神经元分辨率下对全局神经活动进行并行不雅观测。
比较之下，光学方法是非侵入性的，该方法具有高空间分辨率、高韶光分辨率以及高灵敏度。
这类方法能够从神经元个体、神经活动及其相互浸染中获取动态和静态信息，并能够把对神经系统的剖析从亚细胞水平扩展到全体大脑。
此外，光学方法还被发展成为一种掌握工具，利用该工具通过光遗传学方法可以掌握高时空分辨率下的神经活动。

开拓具备大视场和高时空分辨率的技能和仪器已迫不及待。
在空间尺度上，成像必须从几十微米大小的亚微米突触和神经元超过到几毫米宽的大脑。
在韶光尺度上，帧获取的速率应高于所利用的荧光蛋白探针的相应速率。
然而，由于光学成像的固有衍射极限，其在大视场、高分辨率和大景深之间存在着固有的抵牾。
适用于单个神经元乃至更小组织的高分辨成像技能每每无法不雅观测到几毫米以上的大脑组织构造，并且动态成像常日伴随着更高的噪声。
然而，用于实时和永劫光采集的活体非侵入式成像技能仅限于发生散色光的组织颗粒表层。
如何打破上述瓶颈以及实现大视场、高时空分辨率和大景深将成为未来十年微不雅观成像技能发展面临的最大寻衅。

末了，对微不雅观构造维度的探索可能会产生一种新型的神经打算单元，而对宏不雅观构造维度进行的实时探索有助于理解跨脑思维的操作，并揭示大脑在繁芜环境下利用多个信息源（听觉、视觉、嗅觉、触觉等）进行综合决策的机制。
毫无疑问，全体大脑实时探索微不雅观和宏不雅观构造维度的二元性将促进下一代AI的发展。
因此，显微成像仪器的发展目标是实现从像素到体素、从静态到动态的更宽、更高、更快和更深的成像。
这种仪器可以在“生物学的宏不雅观认知决策”与“神经网络的构造与功能”之间建立直接联系，为揭示“认知与智能”的打算实质奠定根本，终极促进人类的自我认知，从而填补AI 与人类智能之间的差距。

注：本文内容呈现略有调度。

改编原文：

Jingtao Fan, Lu Fang, Jiamin Wu, Yuchen Guo, Qionghai Dai.From Brain Science to Artificial Intelligence[J].Engineering,2020,6(3):248-252.