前言

人工智能的终极目标是研究使计算机来模拟人的思维过程和智能行为(如学习、推理、思考、规划等),制造类似于人脑智能的机器。为了实现这个目标,理解构成智能必要的元素,必须研究人和动物智能的载体生物大脑的本身结构以及其运行方式。神经科学聚焦于大脑如何进行信息加工,力图阐明复杂行为之下的机制和物理实现形式;认知科学研究研究人类的心智和认知过程,通过构建认知框架,预测复杂行为,揭示智能的产生机制。认知科学、神经科学与信息学科分别从不同的路径来探索智能本质的,它们的交叉碰撞出炫丽的火花。北京智源人工智能研究院的人工智能的认知神经基础重大研究方向,期望利用本方向的多学科交叉基础,用白皮书的形式总结过去一年间在这个前沿领域的一些重要探索和发现,更好的为这几个方向的研究者搭建沟通的平 台和桥梁。

解析大脑和神经系统的连接方式及工作原理离不开借助先进的技术,因此高时空分辨率的生物荧光成像是系统神经科学的必要工具。康奈尔大学的 Chris Xu 研究组,一直研究三光子显微成像,实现成年斑马鱼全脑任意位置的深层高分辨率成像,相关技术也被应用于大型的模式动物如猕猴的深层脑区。高分辨率显微镜的另一个缺点是往往只能够成像很小的区域,无法看到多个神经回路和脑区的活动。为了克服这个问题,清华大学戴琼海团队一直在发展大视场、可以观察小鼠全脑很大视场内结构和功能变化的单光子显微镜。为了提高单光子成像的对比度和实现多层同时成像,他们开发了一种新的多平面宽场荧光显微镜,同时具备光学层切、体成像能力以及1.56 mm×1.83 mm的超大视场,并用于稀疏的小鼠血管和斑马鱼神经元成像。单个神经元脉冲发生的时间尺度在毫秒量级,因此如何提高成像的时间分辨率、用成像来观察动作电位的发生和传播也是领域内努力的重点。加州大学伯克利分校的 Na Ji 团队开发全光无源激光扫描高速成像,实现 XY方向上的 3000 Hz 扫描的双光子成像;发展基于轴向扩展的贝塞尔光扫描双光子显微镜,实现稀疏标记样本的每秒 99 帧的体成像速率。哥伦比亚大学的 Hilman研究组发明了可以用于小鼠等哺乳动物的单镜头的单光子光片显微镜,实现高时空分辨率的体成像。最后,为了解决如何在自由行为动物上实现高分辨率成像,北京大学分子医学研究所牵头开发了超高时空分辨微型化双光子在体显微成像系统,实现了小鼠自由行为过程中大脑神经元和神经突触活动清晰的图像,并赋予微型化系统的体成像和多平面成像能力。伴随着不断发展出来的遗传编码或是化学合成的特异性荧光探针,高时空分辨率成像能够观察越来越多的神经递质和神经肽的动力学释放过程,从而描绘出正常和神经疾病时候它们调控神经元、回路、脑区活动以及整体动物行为的变化。

这些新工具的出现所揭示的新发现往往会颠覆人们对于不同层次上神经活动发生机制的传统认知。例如,突触水平上,马普佛罗里达神经研究所的Fitzpatrick研究组通过光电联合实验,研究雪貂的初级视皮层神经元发现,不同刺激激活的全部突触(包括强、弱突触)共同"投票"所决定其神经元选择特异性,挑战了赫布理论所认为的强突触调控神经元选择特异性的决定性作用。神经元水平,Allen Brain Observatory的 Christof Koch和Clay Reid 研究组通过分析大规模标准化神经活动数据,揭示小鼠视皮层中存在大量低特异性神经元,表明之前的视觉神经元-特定视野空间-特定特征的视觉信息模型的局限性。在视觉系统上,同样是艾伦研究所的 Christof Koch和 Shawn R.0lsen研究组,通过构建新型的神经电信号记录系统和神经像素电极阵列(Neuropixels),成功的观察到了小鼠视觉系统,存在如灵长类一样的功能层级活动。全脑水平上,Alipasha Vazir 研究组通过高通量全脑成像辅助预测斑马鱼决策行为,将这个行为划分成6个具有不同功能特征和解剖区域定位的神经元类群,并发现了小脑中的颗粒细胞神经活动对于运动的决策预测是十分重要。除了观察,神经调控手段的出现也可

以实现个体化神经认知相关的调控,如调节非侵入式的经颅电刺激等用于增强视觉运动学习和减弱视觉拥挤效应等以及新型侵入式神经调控技术手段用于重建大脑视觉认知功能等。

由于神经科学中的新技术的发展正在产生海量的数据,大脑与人工智能算法的交互变得越来越重要。目前深度神经网络的一大问题是其对噪音的鲁棒性不够。2019年在 Nature发表了的小鼠视觉系统的大规模的神经记录开始阐明了其群编码原则,发现其在高效和保持泛化性之间做了一个权衡。利用了该原理的人工神经网络具有更好的鲁棒性。另外MIT的 Joel Dapello等人发现在传统神经网络前面加入一个模拟大脑初级视觉皮层的模型也可以提高其鲁棒性。借鉴小动物的神经环路设计也许可以帮助我们设计更高效的人工智能系统。2020 年在 Nature Machine Intelligence 上发表的MIT 相关论文借鉴了秀丽线虫的神经系统中神经元的动态特性和连接的稀疏性和反馈结构,在跟踪道路的自动驾驶任务中比传统神经网络具有更好的鲁棒性和可解释性。

人工智能系统的进展也为帮助理解大脑的计算原理提供帮助。大脑多巴胺神经元和我们的情绪和动机息息相关,当结果好于预期时,多巴胺会被更多的释放,带来愉快的心情。但对未来的预期经常是不确定的,用一个概率分布来表示更合理,这种被称为分布式强化学习的算法最近几年取得了很好的效果。WiIIDabney 等人在 2020年的Nature上发文指出,大脑中不同多巴胺神经元表征的值也形成一个分布,和分布式强化学习算法的预测吻合。目前人工智能的一个前沿是对抽象关系的推理,大脑中的海马和内嗅皮层系统和空间导航息息相关,最近被证明在表征抽象关系中也发挥重要作用。在 2020年的Cell 文章中,Whittington 等借鉴贝叶斯学习等人工智能方法建立的模型为该系统中多种类型神经元表征提供一个统一的解释。另外,目前支持深度学习成功的反向传播算法无法在大脑中直接实现,在大脑中寻找能够完成类似功能的机制也是一个活跃的研究方向。

在当下人工智能的浪潮中,人类社会似乎从来没有像如今这样对"研究心灵本质"这个古老的问题产生过如此浓厚的兴趣,但力图从不同的方向来探寻这个问题答案的计算、神经、认知这三门学科本身存在着巨大的学科差异和鸿沟。Stephen Hawking曾经说过,"Intelligence is the ability to adapt to change"。正确承认及认识学科间差异,在多学科的交叉区域相互沟通交流借鉴,可以从研究技术、揭示机制以及计算原理等方面来相互启发,促进不同学科的螺旋式相生相长。帮助研究人员更好的理解大脑工作的硬件、算法和实现,了解神经疾病背后机理并找到治疗方案,真正实现终极目标∶"know yourself"。

以下是报告部分内容

打开网易新闻 查看更多图片
打开网易新闻 查看更多图片
打开网易新闻 查看更多图片
打开网易新闻 查看更多图片

关注公众号:锋行链盟后台回复【0313】获取报告完整版

声明

来源:北京智源人工智能研究院,锋行链盟推荐阅读,本平台所涉及内容仅作分享交流,不作为投资意见。我们对文中观点保持中立。同时,非本公众号原创文章,我们会尽量标明准确出处,感谢原作者辛苦创作,如有侵权,请告知,我们将在第一时间核实并处理。

关于锋行链盟

锋行链盟专注于区块链、物联网、云计算、AI领域技术探索和产业投资,项目方、投资方、产业招商、园区资源、研报定制、媒体对接合作请联系客服。关注公众号:锋行链盟后台回复【0313】获取报告完整版

会员请扫码进入【报告库】直接下载

扫码进入【报告库】获取30+行业资料