0
如今，人工智能系統在國際象棋和圍棋等復雜的棋類游戲中已經所向無敵，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，手術縫合和精準的癌癥診斷 AI 也占了上風。不過，AI 并非無懈可擊，在某些領域它們連 3 歲的孩子都比不了。
哈佛大學神經科學家和 AI 專家 David Cox 就在自己 3 歲女兒身上發現了 AI 的阿基里斯之踵。當時，他女兒在自然歷史博物館里看到了一條超長的腿骨，結果小姑娘指著那根腿骨就脫口而出說出了“駱駝”這個詞。可以肯定的是，Cox 的女兒只是幾個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“一次性學習”，他們甚至自己都嫉妒起孩子們的天賦了。與孩子們相比，AI 系統想變聰明需要走完全不同的道路。
一般來說，在深度學習中，程序需要遍閱各種數據才能一步步成長。要想讓 AI 掌握識別駱駝的能力，系統必須“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 還得再學習成千上萬張標記有“不是駱駝”的圖片，只有找到了駱駝不同于其他動物的特點，AI 才能成為駱駝辨識高手。不過，按照這樣的速度進行學習，等 AI 能辨別駱駝時，Cox 的女兒已經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（來自腦皮層的機器智能）的項目。該項目有一個相當宏偉的目標：對人類智能進行逆向工程研究，幫助計算機科學家打造更為先進的人工智能。
首先，神經科學家需要發掘大腦工作時灰質區的計算策略，隨后數據小組需將這些策略轉換成算法，而要想實現該項目的目標，AI 還必須擁有“一次性學習”的能力。“人類的推斷和概括能力非常強大，而這就是我們試圖讓 AI 學會的技能。”Cox 說道。
這個為期五年的項目由美國情報高級研究計劃局（IARPA）資助，該機構一共投資了 1 億美元。自項目落地以來，研究人員一直在關注視覺皮層，該區域主要負責大腦視覺信息的處理。
在對小白鼠進行深入研究后，三個 Microns 小組正著手制作 1 立方毫米內的腦組織神經元布局圖。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 萬個神經元，與它們相連的神經元突觸數量更是高達 5 億個。研究人員希望通過這張布局圖了解視覺皮層工作時會產生什么樣的神經回路。
想完成這張布局圖并不容易，研究人員需要能展示每個神經元連接的大腦影像，這就意味著影像分辨率必須達到納米級別，這樣的精細度絕對前所未見。
雖然每個 Microns 團隊都下轄多個機構，但大多數的參與者還是歸 Cox 來管。Cox 的研究室在哈佛校園獨自占了一座建筑，進入這座建筑，你會發現它簡直是嚙齒動物的“游戲中心”。同時，這里聚集了世界上最緊密的儀器。人員器材齊備，Cox 認為他們終將解開那 1 立方毫米中潛藏的密碼。
人類大腦是個神奇的存在，為了處理關于這個世界的信息并保證你的身體正常運轉，每天都會有電流穿過你顱骨中的 860 億個神經元。每個神經元上都會有個軸突，它們會蜿蜒的穿過組織并與其他數千個神經元相連，整個大腦中的連接甚至可以用萬億來計數。電流模式的不同能給人帶來不同的動作：如動動手指、消化食物、陷入愛河或認出一匹駱駝。
雙光子激發顯微鏡掃描老鼠的腦部組織
上世紀 40 年代起，計算機科學家就在嘗試模擬大腦，他們先是設計了名為人工神經網絡的軟件結構，而如今，大多數的 AI 用到的都是該結構的現代化版本：即深度神經網絡、卷積神經網絡和遞歸神經網絡等。這樣的神經網絡中包含有許多被稱為人工神經元的計算節點，它們負責解決一些很小的離散任務，連接起來后整個系統則能處理復雜任務。
神經網絡并不是我們大腦的完美復制，因為整個學界現在都沒有掌握有關神經元回路的基本信息。作為 Microns 項目的負責人之一，R. Jacob Vogelstein 稱研究人員一般都集中在微觀或宏觀領域進行探索。“我們用到的工具要么會刺激單個神經元，要么會在大腦的大片區域發射信號。”他說道。“在回路這個層級我們無法理解大腦的運行方式，這成千上萬個神經元是如何協同工作來處理信息的呢？”
不過，隨著技術突破的出現，我們可以解決這樣尷尬的局面了，神經元之間的“聯結圖譜”不再神秘。
當然，Microns 要的可不只是簡單的靜態線路圖。研究團隊必須找出嚙齒動物觀察、學習和記憶時整個回路的工作情況。“這樣的工作就像是在對集成電路做逆向研發。”Vogelstein 說道。“你必須仔細的觀察整個芯片的每一處細節，但如果芯片不通電，你根本不知道它到底是如何運行的。”
對 IARPA 來說，只有研究人員能追蹤到認知工作中神經元的模式，并將其轉換成類腦結構整合進人工神經網絡中，才能算成功。“現在我們最大的希望是大腦的計算策略能成功被轉換成數字或者算法。”Vogelstein 說道。
政府希望新的類腦 AI 系統可以比現有產品更擅長解決現實問題。雖然理解大腦是人類的終極目標，但對情報機構來說，通過監控攝像頭快速認出一個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物“游戲中心”。這個房間并不大，里面放著四個微波爐大小的黑盒子，每個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有兩個管子。
X 射線斷層攝影術的成像
目前的實驗顯示，老鼠會試圖掌控一項復雜的視覺任務。實驗中，屏幕上會展現電腦生成的 3D 物體，這種物體在現實世界中根本不存在。當老鼠看到物體 A 時，它必須舔一下左邊的管子才能喝到甜水；當它看到物體 B 時，則需要去舔右邊的管子。不過，屏幕上呈現的物體方向各不相同，因此老鼠必須在大腦中旋轉這些物體并決定它到底是 A 物體還是 B 物體。
在這些訓練中，研究人員還會穿插加入圖像測試，這些老鼠會被帶到另一個實驗室，這里笨重的顯微鏡會蓋著黑布，就像相機剛發明時的樣子。實驗時，研究人員會使用雙光子激發顯微鏡來檢查老鼠的視覺皮層。隨后他們會讓老鼠繼續觀察物體 A 和物體 B，顯微鏡會記錄下激光遇到活動神經元時的熒光，從 3D 視頻來看，這個場景就像盛夏夜晚不斷飛舞的螢火蟲。Cox 的目標就是找出老鼠在完成任務過程中大腦模式的變化。
當然，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元的，而沒有這一重要信息，研究人員就不能確定神經元是如何一個連著一個創造出完整的信息處理回路的。在現有條件下，我們必須殺掉參與實驗的老鼠并對其大腦進行進一步研究。
研究人員在視覺皮層上切掉了一個小方塊，隨后將其運送到伊利諾伊州的阿貢國家實驗室。在那里，一個特殊的加速器會用 X 射線對給單個神經元、大腦細胞和血管制作 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行對比時能派上用場。Cox 認為，“X 射線就像羅塞達石（解釋古埃及象形文字的可靠線索）。”
阿貢國家實驗室的工作完成后，切片又被送回哈佛，不過這次進的是分子與細胞生物學教授 Jeff Lichtman 的實驗室。在該實驗室中，Lichtman 的團隊會用機器將 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，研究人員會祭出世界上最快的掃描電子顯微鏡，它會向每個切片拋出 61 束電子并對電子的散射情況進行記錄。這個像電冰箱一樣大的機器會順時針運行，給每個切片拍照，其分辨率可達 4nm 級別。
世界上最快的掃描電子顯微鏡
每個圖像都類似于意大利面的立方體的橫截面，圖像處理軟件會對這些切片進行排列，以便找出神經元軸突的長度。不過，有時圖像處理軟件會發生識別錯誤，無法從錯綜復雜的橫截面中找出對應的部分。人類比計算機更擅長這一任務，但如 Cox 所說：“即使全人類都上陣去完成這項任務，我們恐怕也無法完成如此巨大數據的追蹤工作。”哈佛和 MIT 的軟件工程師正在著手解決追蹤過程中出現的錯誤，只有解決了這一問題，我們才能完整的拿到準確的大腦接線圖。
用雙光子激發顯微鏡做出的動態圖來覆蓋原有圖像可以揭示出大腦的計算結構。舉例來說，它可以展現出老鼠看到物體時到底哪些神經元組成了一個回路、顛倒了過來或者將圖像與物體 A 進行了匹配。
對 Cox 的團隊來說，另一個巨大挑戰是速度。在該項目的第一階段（5 月就結束了），每個團隊都必須拿出 100 立方微米腦組織的分析成果。即使只有如此小的體積，Cox 的團隊還是在上面兩個顯微鏡的步驟中耗費了 2 個星期。到了第二階段，他們則需要在幾個小時內完成同樣體積腦組織的掃描，而要想完成目標中的 1 立方毫米，其工作量會高出一千倍。這也是 Cox 一直想將每個步驟自動化的原因。“IARPA 的項目讓科學研究像工程一樣，每一步都必須高效且精準無誤。”Cox 說道。
如果速度能得到大幅提升，Cox 的團隊就能測試更多與大腦回路相關的理論，同時這對 AI 研究人員也是一大利好。在機器學習中，計算機科學家會設定好神經網絡的整體框架，程序將自行決定如何將計算指令生成序列。這樣一來，研究人員就能在相同的視覺識別任務下同時訓練老鼠和神經網絡并對其連接模式和結果進行對比。“如果我們確實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。”Cox 說道。
雷鋒網獲知，Cox 的團隊還研究了大腦的學習規則，他們發現通過層級處理，目標識別出現了。第一組神經元會以顏色和形狀進行識別，第二組則會通過物體的邊緣形狀將其從背景中“摳”出來。隨著小白鼠識別能力的不斷提高，研究人員就會有如下問題：在整個識別過程中，到底哪一組神經元的作用最大？隨著 AI 技能的提升，神經網絡會產生像小白鼠一樣的識別模式嗎？
IARPA 希望研究人員的發現不但能應用在計算視覺領域，還能對機器學習產生裨益。“這是一種基于證據的信仰飛躍。”Cox 說道。同時他指出，整個大腦皮層（外層神經組織）有著非常類似的結構。對神經科學家和 AI 專家來說，這樣的一致性意味著大腦在信息處理時用了幾乎相同的回路。如果這樣的理論能得到證實，智能 AI 就能更進一步。
Cox 的團隊正在推動這一理論前進，它們想讓整個過程來個大提速，其他參與 Microns 的研究者也有類似的激進計劃。如果他們成功了，就能為腦科學帶來一場革命。
做出這番論斷的是哈佛大學生物工程系教授 George Church，他也參與了 Microns 項目，負責聯結圖譜的制作。Church 的研究方式與其他團隊大不相同，他并沒有使用電子顯微鏡來追蹤軸突的連接，因為他認為這種技術太過緩慢，整個過程出錯率也高。
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。Church 的團隊會給每個神經元打上特殊的基因識別符，“即使出現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，而且整個過程也不容易出現混亂。”同時，他們使用的腦組織切片更厚，達到了 20 微米（1 微米=1000 納米），因為 Church 不用擔心切片發生混亂。隨后，DNA 測序機會記錄下腦部切片的條形編碼，然后通過基因信息生成項目類型并勾勒出不同神經元的連接方式。
Church 和他的合伙人——神經科學教授 Anthony Zador 已經在此前的試驗中證明了條形編碼和測序技術是可行的。不過，他們還沒將數據整合進聯結圖譜中，而這是 Microns 項目最迫切需要的。假設他的團隊能取得成功，Church 認為 Microns 會成為他大腦圖譜項目的第一步。下一步，他想總結出小白鼠大腦的所有連接，7000 萬個神經元和 700 億個連接一個都不放過。“只專注于那 1 立方毫米無疑是極端短視的。”Church 說道。“我的志向可比這大多了。”
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 已經構思了另一種計算方式，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悍的生物大腦。“我認為我們很快就能打開合成神經生物學的神奇大門，造出新的生物大腦變體。”Church 說道。雖然硅基計算機的運算速度大大超過生物系統，但 Church 認為加入電器元件的生物大腦也能大幅提升速度。
據 Church 估計，Microns 項目的目標恐怕很難實現，大腦太復雜了，即使研究人員成功研發出相關設備，他們也很難窮盡大腦的秘密。不過，這并沒有什么大不了的。“我認為窮盡大腦的秘密是科學家的幻想，打造大腦比理解它要容易得多。”Church 說道。
Via. Spectrum.ieee
雷鋒網正在啟動“新智造成長榜2017”評選活動，我們將對人工智能與機器人行業進行大規模報道、梳理和調研，并聯合數十家著名投資機構根據這些創新公司的技術實力、商業能力和成長性進行深度評選，最終從多個領域分別選出一些極具潛力成長性的創新公司。如果你想參與我們的評選，可點擊「報名」鏈接，或通過雷鋒網郵箱xinzhizao@leiphone.com聯系我們！
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
