卡耐基梅隆大學(xué)的Sandra Kuhlman使用熒光成像技術(shù)獲得的神經(jīng)網(wǎng)絡(luò)圖像，其中可以看到單個(gè)大腦神經(jīng)元細(xì)胞。

CMU團(tuán)隊(duì)使用熒光成像技術(shù)標(biāo)記出的單個(gè)神經(jīng)元

為了提高效率以及對(duì)自身的理解，我們?nèi)祟?lèi)在開(kāi)發(fā)更強(qiáng)大的計(jì)算機(jī)和打造自動(dòng)化世界上進(jìn)行了很大的投入。盡管現(xiàn)在計(jì)算機(jī)已經(jīng)可以毫不停頓地高速執(zhí)行大量計(jì)算，但和自然界中的生物計(jì)算機(jī)（大腦）比起來(lái)，仍舊還是望塵莫及。但人類(lèi)從未停止過(guò)對(duì)大自然般造化之力的追求，卡內(nèi)基梅隆大學(xué)（CMU）正在進(jìn)行的一項(xiàng)計(jì)算機(jī)科學(xué)研究有望加深我們對(duì)生物的理解，并以此促進(jìn)類(lèi)大腦算法的開(kāi)發(fā)。

卡內(nèi)基梅隆大學(xué)計(jì)算機(jī)科學(xué)系和認(rèn)知神經(jīng)基礎(chǔ)中心（CNBC，卡耐基梅隆大學(xué)與匹茲堡大學(xué)之間的一個(gè)合作研究項(xiàng)目）教授Tai-Sing Lee領(lǐng)頭的研究項(xiàng)目將會(huì)嘗試使用反向工程研究大腦，并希望能夠以此揭示大腦的學(xué)習(xí)算法，將其應(yīng)用于推進(jìn)機(jī)器學(xué)習(xí)算法。按照計(jì)劃，這一研究項(xiàng)目將持續(xù)五年，共耗資約1200萬(wàn)美元。這些資金來(lái)自于高級(jí)情報(bào)研究計(jì)劃署(IARPA)大腦皮層網(wǎng)絡(luò)機(jī)器智能(MICrONS)計(jì)劃；該項(xiàng)目正在幫助推動(dòng)美國(guó)總統(tǒng)奧巴馬的腦計(jì)劃（BRAIN Initiative）徹底刷新我們對(duì)人類(lèi)大腦的理解。

Lee說(shuō)：「MICrONS在設(shè)計(jì)和范圍上與首次測(cè)繪排序人類(lèi)基因的人類(lèi)基因組計(jì)劃（Human Genome Project）相似。它很有可能將具有長(zhǎng)期的影響并有望徹底改變神經(jīng)科學(xué)和人工智能?！?/p>

除了生物學(xué)家在努力揭示大腦的秘密之外，計(jì)算機(jī)科學(xué)家也一直在忙于改進(jìn)機(jī)器學(xué)習(xí)，并在近幾十年內(nèi)取得了顯著的進(jìn)步。

機(jī)器學(xué)習(xí)的主要目標(biāo)是使用計(jì)算機(jī)破譯數(shù)據(jù)中的模式并生成模型，然后再使用該模型來(lái)預(yù)測(cè)新數(shù)據(jù)；與此同時(shí)，模型還會(huì)與新數(shù)據(jù)共同進(jìn)化使之變得更為穩(wěn)健。機(jī)器學(xué)習(xí)算法為近年來(lái)的許多進(jìn)步做出了貢獻(xiàn)，包括基因組分析、大規(guī)模大數(shù)據(jù)應(yīng)用和自動(dòng)駕駛汽車(chē)。

新技術(shù)的發(fā)展讓收集關(guān)于大腦活動(dòng)的海量數(shù)據(jù)成為可能，更重要的是，新技術(shù)讓我們可以對(duì)這些數(shù)據(jù)進(jìn)行分析并得出重要的結(jié)論。Lee領(lǐng)導(dǎo)的項(xiàng)目的一個(gè)主要目標(biāo)是創(chuàng)建一個(gè)代表神經(jīng)回路的大型數(shù)據(jù)庫(kù)。為了實(shí)現(xiàn)這一目標(biāo)，Lee所領(lǐng)導(dǎo)的團(tuán)隊(duì)將與另一支Wyss生物啟發(fā)工程研究所（Wyss Institute for Biologically Inspired Engineering）的MICrONS團(tuán)隊(duì)建立合作，該團(tuán)隊(duì)的領(lǐng)頭人是哈佛醫(yī)學(xué)院遺傳學(xué)教授George Church，目前正與來(lái)自冷泉港實(shí)驗(yàn)室、麻省理工學(xué)院和哥倫比亞大學(xué)的研究者合作開(kāi)發(fā)用于重建卡耐基梅隆大學(xué)所記錄的全部神經(jīng)元回路的革命性技術(shù)。這個(gè)數(shù)據(jù)庫(kù)與另外兩個(gè)其它MICrONS團(tuán)隊(duì)貢獻(xiàn)的數(shù)據(jù)庫(kù)的規(guī)模將是前所未有的；建成后還將開(kāi)放給世界上其它地方的研究者用于研究。而Lee也將和卡耐基梅隆與CNBC生物科學(xué)助理教授Sandra Kuhlman、約翰霍普金斯大學(xué)與彭博公司的特聘認(rèn)知科學(xué)教授Alan Yuille對(duì)其中的數(shù)據(jù)進(jìn)行分析。

在這個(gè)MICrONS項(xiàng)目中，相關(guān)研究人員除了可以提高對(duì)大腦計(jì)算原理的認(rèn)識(shí)，還能使用這些大型數(shù)據(jù)庫(kù)評(píng)估一些計(jì)算和學(xué)習(xí)模型，并利用反向工程處理這些數(shù)據(jù)以打造更好的計(jì)算機(jī)學(xué)習(xí)和模式識(shí)別算法。

而目前已經(jīng)在機(jī)器學(xué)習(xí)中得到應(yīng)用的技術(shù)是神經(jīng)網(wǎng)絡(luò)：其中的算法基于類(lèi)似動(dòng)物神經(jīng)元的可互相分享數(shù)據(jù)并作出計(jì)算的簡(jiǎn)單計(jì)算單元。神經(jīng)網(wǎng)絡(luò)在1990年代達(dá)到過(guò)一次研究頂峰，近年來(lái)隨著計(jì)算機(jī)算力與數(shù)據(jù)集的增長(zhǎng)，研究熱度又再次回升。并在一些不同的領(lǐng)域產(chǎn)出了一些有趣的應(yīng)用，包括面部識(shí)別、語(yǔ)音和手寫(xiě)文字識(shí)別、自動(dòng)駕駛汽車(chē)的自動(dòng)決策、自動(dòng)交易和預(yù)防金融詐騙等。

Lee說(shuō)：「但今天的神經(jīng)網(wǎng)絡(luò)實(shí)質(zhì)上使用的是1980年代初期開(kāi)發(fā)的算法。它們是很強(qiáng)大，但它們?nèi)匀粺o(wú)法達(dá)到人腦算法那樣的高效和強(qiáng)大。比如說(shuō)學(xué)習(xí)識(shí)別一個(gè)物體，計(jì)算機(jī)可能首先需要成千上萬(wàn)張帶有標(biāo)簽的樣本，還需要進(jìn)行監(jiān)督式的教導(dǎo)才行；而人類(lèi)則只需少量樣本且可能不需要監(jiān)督。」

人工神經(jīng)網(wǎng)絡(luò)的信息處理是單向的：從輸入節(jié)點(diǎn)到輸出節(jié)點(diǎn)。而大腦的工作方式則很不相同。人類(lèi)大腦由許多神經(jīng)元構(gòu)成，這些小單元可以通過(guò)巨大的電脈沖網(wǎng)絡(luò)互相發(fā)送信息，這些信息調(diào)控了所有大腦所控制的身體功能，包括理解場(chǎng)景和肢體運(yùn)動(dòng)等。通過(guò)最近的研究數(shù)據(jù)可以發(fā)現(xiàn)，大腦中的神經(jīng)元是高度互連的，每一步處理過(guò)程都可能產(chǎn)生反饋。盡管近幾十年來(lái)生物學(xué)家已經(jīng)在相關(guān)研究上取得了豐碩的成果，但到目前為止，科學(xué)家還并沒(méi)有完全理解神經(jīng)元的工作機(jī)制。而一旦理解其中的機(jī)制，我們可能就將有能力打造出更有能力且更近似于人腦的神經(jīng)網(wǎng)絡(luò)。

為了更好地理解生物神經(jīng)網(wǎng)絡(luò)和它們的反饋回路，Kuhlman將使用一種被稱(chēng)為「雙光子鈣成像顯微鏡（2-photon calcium imaging microscopy）」的技術(shù)來(lái)記錄上萬(wàn)個(gè)小鼠神經(jīng)元處理視覺(jué)信息時(shí)所產(chǎn)生的信號(hào)。記錄下的數(shù)據(jù)將用于幫助打造一個(gè)互連神經(jīng)元模型。她指出，幾年前這樣的成果還無(wú)法實(shí)現(xiàn)，因?yàn)楫?dāng)時(shí)的觀測(cè)精度有限，幾個(gè)在一起的神經(jīng)元會(huì)被同時(shí)觀測(cè)到，而且單次實(shí)驗(yàn)時(shí)也只能觀測(cè)到幾個(gè)或十幾個(gè)神經(jīng)元。

「通過(guò)將分子傳感器與光學(xué)方法的復(fù)雜組合整合起來(lái)檢測(cè)神經(jīng)活動(dòng)，現(xiàn)在就算不能監(jiān)控全部神經(jīng)元，也有可能可以實(shí)時(shí)追蹤一個(gè)大腦區(qū)域內(nèi)神經(jīng)元的大部分神經(jīng)動(dòng)態(tài)?！?a >Kuhlman說(shuō)，「因此我們可以得到一個(gè)巨大的數(shù)據(jù)集，幫助我們?cè)敿?xì)認(rèn)識(shí)視覺(jué)皮層某個(gè)區(qū)域中神經(jīng)元的行為?！?/p>

科學(xué)家認(rèn)為如果我們能以某種方式了解大腦，那么我們就能知道如何復(fù)制它，而我們的機(jī)器也將有能力靠自己學(xué)習(xí)。（一個(gè)項(xiàng)目同時(shí)實(shí)現(xiàn)這兩個(gè)目標(biāo)非常符合卡內(nèi)基梅隆大學(xué)的跨學(xué)科文化。）

研究人員希望使用這個(gè)大規(guī)模數(shù)據(jù)集解開(kāi)神經(jīng)網(wǎng)絡(luò)的復(fù)雜難題。他們的目標(biāo)是將獲得的新知識(shí)應(yīng)用到機(jī)器學(xué)習(xí)算法上，使他們可以使用少得多的樣本就能開(kāi)發(fā)出模型。這對(duì)未來(lái)具有重要的意義。Lee說(shuō)：「希望這些知識(shí)可用以促進(jìn)新一代機(jī)器學(xué)習(xí)算法的開(kāi)發(fā)，使人工智能機(jī)器可以在不需要監(jiān)督的壞境下通過(guò)少量樣本進(jìn)行學(xué)習(xí)，而這正是人類(lèi)智能的標(biāo)志?！?/p>

「從這些大規(guī)模數(shù)據(jù)中提取大腦學(xué)習(xí)和推理的秘密算法以推動(dòng)機(jī)器學(xué)習(xí)的發(fā)展是頗具野心的，可能是這個(gè)項(xiàng)目中最不能明確的一部分?！箍突仿〈髮W(xué)計(jì)算機(jī)科學(xué)學(xué)院院長(zhǎng)Andrew Moore說(shuō)，「這就相當(dāng)于登月計(jì)劃，但卡耐基梅隆是做這件事最好的地方，因?yàn)槲覀冊(cè)谌斯ぶ悄芊矫嬗蟹浅?qiáng)大的傳統(tǒng)和社區(qū)。我們還有一個(gè)與認(rèn)知神經(jīng)基礎(chǔ)中心和大學(xué)的BrainHub計(jì)劃有合作的強(qiáng)大的理論和實(shí)驗(yàn)神經(jīng)科學(xué)家社區(qū)?！梗˙rainHub是一個(gè)神經(jīng)科學(xué)研究倡議，該倡議的目的是將大學(xué)的生物學(xué)、計(jì)算機(jī)科學(xué)、心理學(xué)、統(tǒng)計(jì)學(xué)與工程學(xué)結(jié)合起來(lái)研究理解大腦的結(jié)構(gòu)和行為如何產(chǎn)生復(fù)雜行為。）

紐約大學(xué)數(shù)據(jù)科學(xué)中心主任Yann LeCun在卡內(nèi)基梅隆大學(xué)的一場(chǎng)新聞發(fā)布會(huì)上對(duì)此評(píng)論說(shuō)：「人工智能在不斷進(jìn)步中從失敗走向失敗，但這次可能又是一次飛躍?！?/p>

(本文來(lái)自互聯(lián)網(wǎng)，不代表一點(diǎn)資訊的觀點(diǎn)和立場(chǎng))