如今，人工智能系統(tǒng)在國際象棋和圍棋等復(fù)雜的棋類游戲中已經(jīng)所向無敵，德州撲克比賽人類也不是它們的對手。在飛行模擬中，它們甚至能在纏斗中擊落最棒的飛行員。同時(shí)，手術(shù)縫合和精準(zhǔn)的癌癥診斷 AI 也占了上風(fēng)。不過，AI 并非無懈可擊，在某些領(lǐng)域它們連 3 歲的孩子都比不了。

哈佛大學(xué)神經(jīng)科學(xué)家和 AI 專家 David Cox 就在自己 3 歲女兒身上發(fā)現(xiàn)了 AI 的阿基里斯之踵。當(dāng)時(shí)，他女兒在自然歷史博物館里看到了一條超長的腿骨，結(jié)果小姑娘指著那根腿骨就脫口而出說出了“駱駝”這個(gè)詞?？梢钥隙ǖ氖牵珻ox 的女兒只是幾個(gè)月前見過卡通畫冊上的駱駝，她可不知道駱駝的腿骨到底長什么樣。

AI 研究人員將這種分辨物體的能力稱之為“一次性學(xué)習(xí)”，他們甚至自己都嫉妒起孩子們的天賦了。與孩子們相比，AI 系統(tǒng)想變聰明需要走完全不同的道路。

一般來說，在深度學(xué)習(xí)中，程序需要遍閱各種數(shù)據(jù)才能一步步成長。要想讓 AI 掌握識(shí)別駱駝的能力，系統(tǒng)必須“消化”成千上萬張駱駝的圖片，其中包括卡通駱駝、駱駝解剖圖、單駝峰和雙駝峰的駱駝等等。除此之外，AI 還得再學(xué)習(xí)成千上萬張標(biāo)記有“不是駱駝”的圖片，只有找到了駱駝不同于其他動(dòng)物的特點(diǎn)，AI 才能成為駱駝辨識(shí)高手。不過，按照這樣的速度進(jìn)行學(xué)習(xí)，等 AI 能辨別駱駝時(shí)，Cox 的女兒已經(jīng)能分辨長頸鹿和鴨嘴獸了。

在這里，Cox 提到自己女兒主要是為了解釋美國政府名為 Microns（來自腦皮層的機(jī)器智能）的項(xiàng)目。該項(xiàng)目有一個(gè)相當(dāng)宏偉的目標(biāo)：對人類智能進(jìn)行逆向工程研究，幫助計(jì)算機(jī)科學(xué)家打造更為先進(jìn)的人工智能。

首先，神經(jīng)科學(xué)家需要發(fā)掘大腦工作時(shí)灰質(zhì)區(qū)的計(jì)算策略，隨后數(shù)據(jù)小組需將這些策略轉(zhuǎn)換成算法，而要想實(shí)現(xiàn)該項(xiàng)目的目標(biāo)，AI 還必須擁有“一次性學(xué)習(xí)”的能力?！叭祟惖耐茢嗪透爬芰Ψ浅?qiáng)大，而這就是我們試圖讓 AI 學(xué)會(huì)的技能。”Cox 說道。

這個(gè)為期五年的項(xiàng)目由美國情報(bào)高級研究計(jì)劃局（IARPA）資助，該機(jī)構(gòu)一共投資了 1 億美元。自項(xiàng)目落地以來，研究人員一直在關(guān)注視覺皮層，該區(qū)域主要負(fù)責(zé)大腦視覺信息的處理。

在對小白鼠進(jìn)行深入研究后，三個(gè) Microns 小組正著手制作 1 立方毫米內(nèi)的腦組織神經(jīng)元布局圖。雖然 1 立方毫米聽起來很小，但只是這么一小塊地方，就能容納 5 萬個(gè)神經(jīng)元，與它們相連的神經(jīng)元突觸數(shù)量更是高達(dá) 5 億個(gè)。研究人員希望通過這張布局圖了解視覺皮層工作時(shí)會(huì)產(chǎn)生什么樣的神經(jīng)回路。

想完成這張布局圖并不容易，研究人員需要能展示每個(gè)神經(jīng)元連接的大腦影像，這就意味著影像分辨率必須達(dá)到納米級別，這樣的精細(xì)度絕對前所未見。

雖然每個(gè) Microns 團(tuán)隊(duì)都下轄多個(gè)機(jī)構(gòu)，但大多數(shù)的參與者還是歸 Cox 來管。Cox 的研究室在哈佛校園獨(dú)自占了一座建筑，進(jìn)入這座建筑，你會(huì)發(fā)現(xiàn)它簡直是嚙齒動(dòng)物的“游戲中心”。同時(shí)，這里聚集了世界上最緊密的儀器。人員器材齊備，Cox 認(rèn)為他們終將解開那 1 立方毫米中潛藏的密碼。

人類大腦是個(gè)神奇的存在，為了處理關(guān)于這個(gè)世界的信息并保證你的身體正常運(yùn)轉(zhuǎn)，每天都會(huì)有電流穿過你顱骨中的 860 億個(gè)神經(jīng)元。每個(gè)神經(jīng)元上都會(huì)有個(gè)軸突，它們會(huì)蜿蜒的穿過組織并與其他數(shù)千個(gè)神經(jīng)元相連，整個(gè)大腦中的連接甚至可以用萬億來計(jì)數(shù)。電流模式的不同能給人帶來不同的動(dòng)作：如動(dòng)動(dòng)手指、消化食物、陷入愛河或認(rèn)出一匹駱駝。

雙光子激發(fā)顯微鏡掃描老鼠的腦部組織

上世紀(jì) 40 年代起，計(jì)算機(jī)科學(xué)家就在嘗試模擬大腦，他們先是設(shè)計(jì)了名為人工神經(jīng)網(wǎng)絡(luò)的軟件結(jié)構(gòu)，而如今，大多數(shù)的 AI 用到的都是該結(jié)構(gòu)的現(xiàn)代化版本：即深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)等。這樣的神經(jīng)網(wǎng)絡(luò)中包含有許多被稱為人工神經(jīng)元的計(jì)算節(jié)點(diǎn)，它們負(fù)責(zé)解決一些很小的離散任務(wù)，連接起來后整個(gè)系統(tǒng)則能處理復(fù)雜任務(wù)。

神經(jīng)網(wǎng)絡(luò)并不是我們大腦的完美復(fù)制，因?yàn)檎麄€(gè)學(xué)界現(xiàn)在都沒有掌握有關(guān)神經(jīng)元回路的基本信息。作為 Microns 項(xiàng)目的負(fù)責(zé)人之一，R. Jacob Vogelstein 稱研究人員一般都集中在微觀或宏觀領(lǐng)域進(jìn)行探索?！拔覀冇玫降墓ぞ咭磿?huì)刺激單個(gè)神經(jīng)元，要么會(huì)在大腦的大片區(qū)域發(fā)射信號(hào)。”他說道?！霸诨芈愤@個(gè)層級我們無法理解大腦的運(yùn)行方式，這成千上萬個(gè)神經(jīng)元是如何協(xié)同工作來處理信息的呢？”

不過，隨著技術(shù)突破的出現(xiàn)，我們可以解決這樣尷尬的局面了，神經(jīng)元之間的“聯(lián)結(jié)圖譜”不再神秘。

當(dāng)然，Microns 要的可不只是簡單的靜態(tài)線路圖。研究團(tuán)隊(duì)必須找出嚙齒動(dòng)物觀察、學(xué)習(xí)和記憶時(shí)整個(gè)回路的工作情況?！斑@樣的工作就像是在對集成電路做逆向研發(fā)?！盫ogelstein 說道。“你必須仔細(xì)的觀察整個(gè)芯片的每一處細(xì)節(jié)，但如果芯片不通電，你根本不知道它到底是如何運(yùn)行的?！?/p>

對 IARPA 來說，只有研究人員能追蹤到認(rèn)知工作中神經(jīng)元的模式，并將其轉(zhuǎn)換成類腦結(jié)構(gòu)整合進(jìn)人工神經(jīng)網(wǎng)絡(luò)中，才能算成功?！艾F(xiàn)在我們最大的希望是大腦的計(jì)算策略能成功被轉(zhuǎn)換成數(shù)字或者算法?！盫ogelstein 說道。

政府希望新的類腦 AI 系統(tǒng)可以比現(xiàn)有產(chǎn)品更擅長解決現(xiàn)實(shí)問題。雖然理解大腦是人類的終極目標(biāo)，但對情報(bào)機(jī)構(gòu)來說，通過監(jiān)控?cái)z像頭快速認(rèn)出一個(gè)半遮面的恐怖分子更加重要。

下面我們來說說前面提到的嚙齒動(dòng)物“游戲中心”。這個(gè)房間并不大，里面放著四個(gè)微波爐大小的黑盒子，每個(gè)黑盒子中都有一只老鼠面對電腦屏幕，而老鼠的鼻子前還設(shè)有兩個(gè)管子。

X 射線斷層攝影術(shù)的成像

目前的實(shí)驗(yàn)顯示，老鼠會(huì)試圖掌控一項(xiàng)復(fù)雜的視覺任務(wù)。實(shí)驗(yàn)中，屏幕上會(huì)展現(xiàn)電腦生成的 3D 物體，這種物體在現(xiàn)實(shí)世界中根本不存在。當(dāng)老鼠看到物體 A 時(shí)，它必須舔一下左邊的管子才能喝到甜水；當(dāng)它看到物體 B 時(shí)，則需要去舔右邊的管子。不過，屏幕上呈現(xiàn)的物體方向各不相同，因此老鼠必須在大腦中旋轉(zhuǎn)這些物體并決定它到底是 A 物體還是 B 物體。

在這些訓(xùn)練中，研究人員還會(huì)穿插加入圖像測試，這些老鼠會(huì)被帶到另一個(gè)實(shí)驗(yàn)室，這里笨重的顯微鏡會(huì)蓋著黑布，就像相機(jī)剛發(fā)明時(shí)的樣子。實(shí)驗(yàn)時(shí)，研究人員會(huì)使用雙光子激發(fā)顯微鏡來檢查老鼠的視覺皮層。隨后他們會(huì)讓老鼠繼續(xù)觀察物體 A 和物體 B，顯微鏡會(huì)記錄下激光遇到活動(dòng)神經(jīng)元時(shí)的熒光，從 3D 視頻來看，這個(gè)場景就像盛夏夜晚不斷飛舞的螢火蟲。Cox 的目標(biāo)就是找出老鼠在完成任務(wù)過程中大腦模式的變化。

當(dāng)然，這款顯微鏡的分辨率不夠高，因此我們無法看清軸突是如何連接神經(jīng)元的，而沒有這一重要信息，研究人員就不能確定神經(jīng)元是如何一個(gè)連著一個(gè)創(chuàng)造出完整的信息處理回路的。在現(xiàn)有條件下，我們必須殺掉參與實(shí)驗(yàn)的老鼠并對其大腦進(jìn)行進(jìn)一步研究。

研究人員在視覺皮層上切掉了一個(gè)小方塊，隨后將其運(yùn)送到伊利諾伊州的阿貢國家實(shí)驗(yàn)室。在那里，一個(gè)特殊的加速器會(huì)用 X 射線對給單個(gè)神經(jīng)元、大腦細(xì)胞和血管制作 3D 地圖。雖然地圖還是無法顯示軸突之間的連接，但后期在對兩種不同顯微鏡成像進(jìn)行對比時(shí)能派上用場。Cox 認(rèn)為，“X 射線就像羅塞達(dá)石（解釋古埃及象形文字的可靠線索）?！?/p>

阿貢國家實(shí)驗(yàn)室的工作完成后，切片又被送回哈佛，不過這次進(jìn)的是分子與細(xì)胞生物學(xué)教授 Jeff Lichtman 的實(shí)驗(yàn)室。在該實(shí)驗(yàn)室中，Lichtman 的團(tuán)隊(duì)會(huì)用機(jī)器將 1 立方毫米的腦部切片切成 33000 片，每片厚度僅為 30 納米。隨后這些切片會(huì)被放在磁帶上并整齊的排列在硅晶片上。下一步，研究人員會(huì)祭出世界上最快的掃描電子顯微鏡，它會(huì)向每個(gè)切片拋出 61 束電子并對電子的散射情況進(jìn)行記錄。這個(gè)像電冰箱一樣大的機(jī)器會(huì)順時(shí)針運(yùn)行，給每個(gè)切片拍照，其分辨率可達(dá) 4nm 級別。  

 

世界上最快的掃描電子顯微鏡  

每個(gè)圖像都類似于意大利面的立方體的橫截面，圖像處理軟件會(huì)對這些切片進(jìn)行排列，以便找出神經(jīng)元軸突的長度。不過，有時(shí)圖像處理軟件會(huì)發(fā)生識(shí)別錯(cuò)誤，無法從錯(cuò)綜復(fù)雜的橫截面中找出對應(yīng)的部分。人類比計(jì)算機(jī)更擅長這一任務(wù)，但如 Cox 所說：“即使全人類都上陣去完成這項(xiàng)任務(wù)，我們恐怕也無法完成如此巨大數(shù)據(jù)的追蹤工作?！惫鸷?MIT 的軟件工程師正在著手解決追蹤過程中出現(xiàn)的錯(cuò)誤，只有解決了這一問題，我們才能完整的拿到準(zhǔn)確的大腦接線圖。

用雙光子激發(fā)顯微鏡做出的動(dòng)態(tài)圖來覆蓋原有圖像可以揭示出大腦的計(jì)算結(jié)構(gòu)。舉例來說，它可以展現(xiàn)出老鼠看到物體時(shí)到底哪些神經(jīng)元組成了一個(gè)回路、顛倒了過來或者將圖像與物體 A 進(jìn)行了匹配。

對 Cox 的團(tuán)隊(duì)來說，另一個(gè)巨大挑戰(zhàn)是速度。在該項(xiàng)目的第一階段（5 月就結(jié)束了），每個(gè)團(tuán)隊(duì)都必須拿出 100 立方微米腦組織的分析成果。即使只有如此小的體積，Cox 的團(tuán)隊(duì)還是在上面兩個(gè)顯微鏡的步驟中耗費(fèi)了 2 個(gè)星期。到了第二階段，他們則需要在幾個(gè)小時(shí)內(nèi)完成同樣體積腦組織的掃描，而要想完成目標(biāo)中的 1 立方毫米，其工作量會(huì)高出一千倍。這也是 Cox 一直想將每個(gè)步驟自動(dòng)化的原因?！癐ARPA 的項(xiàng)目讓科學(xué)研究像工程一樣，每一步都必須高效且精準(zhǔn)無誤?！盋ox 說道。

如果速度能得到大幅提升，Cox 的團(tuán)隊(duì)就能測試更多與大腦回路相關(guān)的理論，同時(shí)這對 AI 研究人員也是一大利好。在機(jī)器學(xué)習(xí)中，計(jì)算機(jī)科學(xué)家會(huì)設(shè)定好神經(jīng)網(wǎng)絡(luò)的整體框架，程序?qū)⒆孕袥Q定如何將計(jì)算指令生成序列。這樣一來，研究人員就能在相同的視覺識(shí)別任務(wù)下同時(shí)訓(xùn)練老鼠和神經(jīng)網(wǎng)絡(luò)并對其連接模式和結(jié)果進(jìn)行對比。“如果我們確實(shí)連接了腦中的回路卻無法看到相同的模型，那么我們肯定走歪了?！盋ox 說道。

雷鋒網(wǎng)獲知，Cox 的團(tuán)隊(duì)還研究了大腦的學(xué)習(xí)規(guī)則，他們發(fā)現(xiàn)通過層級處理，目標(biāo)識(shí)別出現(xiàn)了。第一組神經(jīng)元會(huì)以顏色和形狀進(jìn)行識(shí)別，第二組則會(huì)通過物體的邊緣形狀將其從背景中“摳”出來。隨著小白鼠識(shí)別能力的不斷提高，研究人員就會(huì)有如下問題：在整個(gè)識(shí)別過程中，到底哪一組神經(jīng)元的作用最大？隨著 AI 技能的提升，神經(jīng)網(wǎng)絡(luò)會(huì)產(chǎn)生像小白鼠一樣的識(shí)別模式嗎？

IARPA 希望研究人員的發(fā)現(xiàn)不但能應(yīng)用在計(jì)算視覺領(lǐng)域，還能對機(jī)器學(xué)習(xí)產(chǎn)生裨益?！斑@是一種基于證據(jù)的信仰飛躍?！盋ox 說道。同時(shí)他指出，整個(gè)大腦皮層（外層神經(jīng)組織）有著非常類似的結(jié)構(gòu)。對神經(jīng)科學(xué)家和 AI 專家來說，這樣的一致性意味著大腦在信息處理時(shí)用了幾乎相同的回路。如果這樣的理論能得到證實(shí)，智能 AI 就能更進(jìn)一步。

Cox 的團(tuán)隊(duì)正在推動(dòng)這一理論前進(jìn)，它們想讓整個(gè)過程來個(gè)大提速，其他參與 Microns 的研究者也有類似的激進(jìn)計(jì)劃。如果他們成功了，就能為腦科學(xué)帶來一場革命。

做出這番論斷的是哈佛大學(xué)生物工程系教授 George Church，他也參與了 Microns 項(xiàng)目，負(fù)責(zé)聯(lián)結(jié)圖譜的制作。Church 的研究方式與其他團(tuán)隊(duì)大不相同，他并沒有使用電子顯微鏡來追蹤軸突的連接，因?yàn)樗J(rèn)為這種技術(shù)太過緩慢，整個(gè)過程出錯(cuò)率也高。

Church 不在乎軸突的長度或腦組織切片的大小，他用到了基因工程小白鼠和 DNA 條形編碼的新技術(shù)。Church 的團(tuán)隊(duì)會(huì)給每個(gè)神經(jīng)元打上特殊的基因識(shí)別符，“即使出現(xiàn)了巨長的軸突也不在話下。”他說道。“借助條形編碼你能找到軸突的兩端，而且整個(gè)過程也不容易出現(xiàn)混亂?！蓖瑫r(shí)，他們使用的腦組織切片更厚，達(dá)到了 20 微米（1 微米=1000 納米），因?yàn)?Church 不用擔(dān)心切片發(fā)生混亂。隨后，DNA 測序機(jī)會(huì)記錄下腦部切片的條形編碼，然后通過基因信息生成項(xiàng)目類型并勾勒出不同神經(jīng)元的連接方式。

Church 和他的合伙人——神經(jīng)科學(xué)教授 Anthony Zador 已經(jīng)在此前的試驗(yàn)中證明了條形編碼和測序技術(shù)是可行的。不過，他們還沒將數(shù)據(jù)整合進(jìn)聯(lián)結(jié)圖譜中，而這是 Microns 項(xiàng)目最迫切需要的。假設(shè)他的團(tuán)隊(duì)能取得成功，Church 認(rèn)為 Microns 會(huì)成為他大腦圖譜項(xiàng)目的第一步。下一步，他想總結(jié)出小白鼠大腦的所有連接，7000 萬個(gè)神經(jīng)元和 700 億個(gè)連接一個(gè)都不放過?！爸粚Ｗ⒂谀?1 立方毫米無疑是極端短視的?！盋hurch 說道。“我的志向可比這大多了?！?/p>

熒光原位測序

如果能拿出大型圖譜，AI 就能更好地模擬生物大腦，不過 Church 已經(jīng)構(gòu)思了另一種計(jì)算方式，他將不再嘗試打造硅基模擬大腦，而是要造出比人類大腦還要強(qiáng)悍的生物大腦。“我認(rèn)為我們很快就能打開合成神經(jīng)生物學(xué)的神奇大門，造出新的生物大腦變體?！盋hurch 說道。雖然硅基計(jì)算機(jī)的運(yùn)算速度大大超過生物系統(tǒng)，但 Church 認(rèn)為加入電器元件的生物大腦也能大幅提升速度。

據(jù) Church 估計(jì)，Microns 項(xiàng)目的目標(biāo)恐怕很難實(shí)現(xiàn)，大腦太復(fù)雜了，即使研究人員成功研發(fā)出相關(guān)設(shè)備，他們也很難窮盡大腦的秘密。不過，這并沒有什么大不了的?！拔艺J(rèn)為窮盡大腦的秘密是科學(xué)家的幻想，打造大腦比理解它要容易得多?！盋hurch 說道。

Via. Spectrum.ieee

雷鋒網(wǎng)正在啟動(dòng)“新智造成長榜2017”評選活動(dòng)，我們將對人工智能與機(jī)器人行業(yè)進(jìn)行大規(guī)模報(bào)道、梳理和調(diào)研，并聯(lián)合數(shù)十家著名投資機(jī)構(gòu)根據(jù)這些創(chuàng)新公司的技術(shù)實(shí)力、商業(yè)能力和成長性進(jìn)行深度評選，最終從多個(gè)領(lǐng)域分別選出一些極具潛力成長性的創(chuàng)新公司。如果你想?yún)⑴c我們的評選，可點(diǎn)擊「報(bào)名」鏈接，或通過雷鋒網(wǎng)郵箱xinzhizao@leiphone.com聯(lián)系我們！

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。