人工智能本身就是為了模擬人類智慧出現，于是幾乎在人工智能發展的每個周期之中，往往是當我們受算力或應用環境一類基礎所限，ai技術無法產生效率上的突破時，便會轉向對人腦的研究，試圖用計算機來模擬大腦的運轉方式。

大腦，可以說是人類身上最奇妙的器官。但有趣的是，關于大腦研究的熱度，似乎并不是跟著醫學發展曲線前進，而是跟著智能科技的發展前行的。

或許因為本身就是為了模擬人類智慧出現，于是幾乎在人工智能發展的每個周期之中，往往是當我們受算力或應用環境一類基礎所限，技術無法產生效率上的突破時，便會轉向對人腦的研究，試圖用計算機來模擬大腦的運轉方式。

現如今，雖然深度神經網絡應用越來越廣泛，我們卻也能越來越多地發現人腦運作的特殊性。

例如同樣是辨識動物，深度神經網絡需要在黑箱中投入大量長頸鹿的圖片，才能讓ai辨識出“長頸鹿本鹿”。但對于人類兒童來說，通常見過一次長頸鹿圖片，就能識別出長頸鹿的骨架。

這一神秘的認知過程，值得被不斷探索推演。

圖片來源：圖蟲創意

對1立方毫米的腦組織進行逆向工程

近年來一項名為machineintelligencefromcorticalnetworks（皮層網絡機器智能，以下簡稱microns）的項目為行業提供了全新的思路——對于大腦灰質皮層進行“逆向工程”，破解出其中的運行策略，轉換成可為機器所用的算法。

這一項目來自2013年奧巴馬政府提出的“brain倡議”，通過一億美金的支持，倡導科學家們從認知科學、神經科學、融合科學等多個角度來對人類大腦的運行方式進行研究。

這一倡議被視作第二個人類基因組計劃——后者由多個國家的政府、學術機構共同參與，耗時十三年對人類基因組進行測序。曾經有很多人質疑過人類基因組計劃的意義，但如今這一項目正在遺傳學研究上發揮著重要意義。

microns目前是該倡議中完成度最高的項目，由美國高級情報研究計劃署主導資助。具體研究方式是，繪制出一塊1立方毫米的小鼠腦組織神經元結構，研究其神經元間電路連通的模式，從而逆向推演動物的大腦如何對外界刺激進行反應。

1立方毫米的小鼠腦組織，與人類相比，只達到了人類大腦體積的百萬分之一?？杉幢闳绱?，仍然意味著5萬個互相連接的神經元，以及5億個突觸。

我們知道，逆向工程意味著在已知某一產品的最終形態后，重新推演這項產品的誕生過程。那么面對這樣龐大的問題，要怎樣進行“逆向工程”呢？

從顯微鏡到dna，記錄神經元運動都有哪些方式？

美國高級情報研究計劃署選擇和三個研究團隊合作，三種方式齊頭并進一起對1立方毫米的小鼠腦組織進行研究。

哈佛大學選擇的是電子顯微鏡。通過對大鼠注入熒光蛋白并進行訓練，為大鼠播放視頻刺激大腦活動，當神經元活動時，熒光蛋白中的鈣離子就會融入細胞使其發亮。這時再用激光顯微鏡記錄下神經元活動狀況。另一方面，一立方厘米的腦組織被切割成薄片，在高分辨率下顯微鏡下成像。將活動時的神經元狀況和完整的非活動狀態下神經元連接狀況進行對比映射，從而去挖掘實驗鼠的“思維活動方式”。

來自哈佛醫學院的專家則選擇了另一種方法，他們通過一種特殊的dna條碼對神經元進行標注，通過這種特殊的標注來識別神經元運動。至于腦組織切片，則可以通過基因測序機進行信息分類，從而重現神經元的運動情況。

來自美國科學促進會的團隊，則干脆選擇數據驅動的方式，通過對腦神經元連接方式的全面記錄來構建研究基礎。

在計劃中，三個團隊將一起監測出大腦中數萬個神經元的運動情況，并且將腦組織切片的橫截面計算拼接，將神經元的活動路徑連接起來，構成一幅大腦運動的三維地圖。建立在這一基礎上，在嘗試模擬神經元運動的模式。

逆向工程中的悖論：通過大數據實現少樣本？

如此看來，針對大腦的逆向工程除了在研究方式上更為特出，分工上更聚焦細節之外，跟以往的大腦模擬工程等等也并無差別。

但值得注意的是，microns和其他大腦模擬最大的差別，就在于目標明確。

在13年“brain倡議”被提出時，當時定下的目標是通過研究大腦來研究阿爾茨海默病、自閉癥等等疾病。但實際上真正開始啟動時，最受關注的項目microns卻將目標圈定在了人工智能應用方面，三個團隊每個都配上了至少一位算法科學家，為了把神經學的結果轉換成可應用的計算機科學。

如此來看，大腦研究與人工智能之間有種“有事鐘無艷，無事夏迎春”的感覺。平時腦科學研究總將目標放在心理學、神經學、醫學學科上，可一旦人工智能有熱度可蹭，與腦科學有關的類腦計算、認知計算等等，又立刻成為了人工智能的明日之光。

就拿microns這一個項目來說，就存在著嚴重的悖論。

首先microns的目標，是通過對大腦的模擬推演，實現更高效的少樣本甚至無樣本學習，讓神經網絡不再需要依靠大量的數據就行建立模型。

而以目前這種對大腦逆向工程的手段來看，microns率先輸出的并不是算法，而是海量的神經元運動數據——每立方毫米的腦組織就會產生1到2pb的數據。

所以為了處理這些數據，microns率先要研發出能夠承載海量數據的神經網絡模型，耗費大量時間進行訓練，興許還要利用上超算。

整個過程，是與microns項目的初衷背道而馳的。

microns是誰的磚石瓦片？

其實對于microns的未來，研究人員自己也很悲觀。雖然如今microns的贊助費用已經高達上億美元，參與研究的哈佛大學神經學家davidcox卻表示，人腦研究實在是太過龐雜的命題，他們一定會得出結果，但這些結果很難符合人們的預期。

目前來說，microns已經能夠為實驗鼠的一些神經元進行簡單的分類。例如在分辨出在受到刺激時，哪些神經元互相連接，哪些神經元又是相對獨立的。只是這樣的結果不僅離應用還很遠，就連理論化和體系化都很難做到。

最后microns項目的結果，很有可能只是累積下來大量關于神經元運動的數據，在開放給社會之后，等待更多力量共同挖掘。這個過程就像蓋房子，或許今天我們見證的，僅僅是準備磚石瓦片的過程。利用這些磚石瓦片的，或許是人工智能，也或許是腦科學。

以上是網絡信息轉載，信息真實性自行斟酌。