帶個三歲小娃去動物園，她憑直覺就知道這個在吃樹葉的長脖子生物就是她圖畫書中叫做“長頸鹿”的動物。這看起來很平常，但其實(shí)非常了不起。圖畫書里是一個單線條組成的靜態(tài)輪廓，而動物園所見的是一個充滿顏色、質(zhì)感和動作的活生生的動物。從每一個不同的角度看，它都變成不同的形狀和樣子。

圖片來源：Greg Dunn

　　人類非常擅長這類項(xiàng)目。我們可以輕松地從幾個例子中，領(lǐng)會到一個物品的重要特征，然后在陌生的情景下運(yùn)用出來。而電腦呢，則需要從非常多的長頸鹿數(shù)據(jù)庫中進(jìn)行分類，研究從不同的環(huán)境和角度，來學(xué)習(xí)如何準(zhǔn)確識別這種動物。

　　視覺識別是人類勝過電腦的眾多領(lǐng)域之一。我們還更擅長在大量的數(shù)據(jù)中找到相關(guān)信息，更擅長解決非結(jié)構(gòu)性問題，更擅長自主學(xué)習(xí)，就像嬰兒玩著積木就理解了重力。“人類更擅長總結(jié)。“卡內(nèi)基梅隆大學(xué)的電腦科學(xué)家和神經(jīng)科學(xué)家Tai Sing Lee說，“我們更具有靈活性思維，我們可以預(yù)計(jì)、相信和創(chuàng)造未來事件。”

　　一項(xiàng)由美國聯(lián)邦政府智能軍隊(duì)投資的宏偉新項(xiàng)目，計(jì)劃讓人工智能與我們自己的智能更加靠近一些。三支由神經(jīng)科學(xué)家和計(jì)算機(jī)科學(xué)家組成的團(tuán)隊(duì)將研究大腦如何實(shí)現(xiàn)視覺識別等偉業(yè)，然后讓機(jī)器照搬學(xué)習(xí)。“如今，人類擅長的事情機(jī)器搞不定。”Jacob Vogelstein說，他領(lǐng)導(dǎo)智能高級研究項(xiàng)目活動(IARPA)，“我們希望通過將大腦的算法和計(jì)算能力逆向工程，革新機(jī)器學(xué)習(xí)領(lǐng)域。”

　　時(shí)間不多。每組以前所未有的細(xì)節(jié)度，模擬大腦皮層的一個模塊。各組基于自己的發(fā)現(xiàn)，聯(lián)合開發(fā)算法。明年夏天之前，每一個算法將面對一個陌生物體，并需要在幾千個未標(biāo)記的數(shù)據(jù)庫中選出該物體的例子。”這是個非常緊張的時(shí)間表，“Christof Koch說，他是西雅圖艾倫大腦研究院的主席和首席科學(xué)家，正在與其中一支隊(duì)伍合作研究。

　　Koch和同事正在建造一個大腦小方塊的完整連線圖——一百萬立方微米，相當(dāng)于二十分之一個罌粟種子的大小。這已經(jīng)比現(xiàn)有最大的完整連線圖都大很多了，現(xiàn)有的連線圖去年六月發(fā)布，用了大約六年時(shí)間完成。

　　在5年IARPA項(xiàng)目的最后——又稱為“皮層網(wǎng)絡(luò)而來的機(jī)器智能“(Micron)——研究員目標(biāo)繪制一張一立方毫米大腦皮層的地圖。這一小小的部分包含了10萬個神經(jīng)元，300萬到一千五百萬個神經(jīng)連接，或者說突觸，以及一張大到可以有曼哈頓島那么寬的連線圖，如果把圖的一端鋪展開到另一端。

　　從未有人曾嘗試重建如此規(guī)模的大腦部分。但是小規(guī)模的研究已經(jīng)顯示出，此類大腦地圖可以提供大腦皮層內(nèi)部結(jié)構(gòu)的信息。在3月《自然》雜志發(fā)布的一篇論文，與Koch團(tuán)隊(duì)合作的一位哈佛大學(xué)神經(jīng)科學(xué)家Wei-Chung Allen Lee及其同事繪制了一張圖，包括了50個神經(jīng)元和超過1000個它們的伙伴。通過將這張地圖和這些神經(jīng)元在大腦中的功能配對——例如，有一些神經(jīng)元會對垂直條紋的視覺輸入有反應(yīng)——人們可以了解大腦皮層這部分的神經(jīng)元在解剖學(xué)上是如何連接起來的。他們發(fā)現(xiàn)，相同功能的神經(jīng)元，相比別的神經(jīng)元，更有可能互相連接。

　　雖然Micron項(xiàng)目的目標(biāo)是技術(shù)性的——IARPA資助可以最終為只能社區(qū)導(dǎo)出數(shù)據(jù)分析工具的項(xiàng)目——首先必須現(xiàn)有關(guān)于大腦的深刻新認(rèn)識。Andreas Tolias，聯(lián)合領(lǐng)導(dǎo)Koch小組的Baylor醫(yī)學(xué)院神經(jīng)科學(xué)家，將我們目前對大腦皮層的認(rèn)知比作一張失焦的模糊照片。他希望，此次Microns項(xiàng)目前所未有的研究規(guī)?？梢詭椭覀儗?，讓我們看見掌管我們神經(jīng)回路的更復(fù)雜的規(guī)則。不了解所有部件的話，他說“我們也許不能體會到大腦結(jié)構(gòu)之美。”

　　大腦的信息處理單元

　　覆蓋我們大腦表層的復(fù)雜卷曲的皺褶形成了大腦皮層，一個匹薩大小的組織層，壓縮進(jìn)我們的頭顱內(nèi)。從很多方面來說，這就是大腦的微型處理器。這個組織層大約有3毫米厚，由一系列重復(fù)模塊(或者說微型回路)組成，類似電腦芯片中的一排排邏輯門電路。每一個模塊內(nèi)包含大約10萬個神經(jīng)元，安置在相互連接的細(xì)胞所組成的復(fù)雜網(wǎng)絡(luò)中。有證據(jù)顯示，這些模塊的基本結(jié)構(gòu)在大腦皮層中大致都是一樣的。但是，不同位置上的模塊是專門針對不同的功能，例如視覺、運(yùn)動、聽覺。

　　科學(xué)家對于這些模塊長什么樣子和如何運(yùn)作只有一個粗略的概念。他們通常限制于在更小范圍內(nèi)研究大腦：幾十個或幾百個神經(jīng)元。新科技專門設(shè)計(jì)用于追蹤幾千個神經(jīng)元的形狀、活動和連接，這讓研究員終于可以分析模塊內(nèi)的細(xì)胞如何與其他細(xì)胞互動，系統(tǒng)內(nèi)一個地方的活動如何引發(fā)或阻礙另一個地方的活動。“歷史上第一次，我們可以查看這些模塊，而不只是猜測里面是什么。”Vogelstein說，”不同的團(tuán)隊(duì)會猜里面是不同的東西。“

　　研究員會專注在大腦皮層負(fù)責(zé)視覺的部分，神經(jīng)科學(xué)家已經(jīng)對這個感官系統(tǒng)進(jìn)行了深入探索，計(jì)算機(jī)科學(xué)家一直在努力模擬。“視覺看起來很簡單——只要睜開眼睛——但是要教計(jì)算機(jī)做同樣的事情就非常困難。”哈佛大學(xué)的神經(jīng)學(xué)家David Cox說，他領(lǐng)導(dǎo)其中一支IARPA團(tuán)隊(duì)。

　　每支隊(duì)伍最初對視覺的基本認(rèn)識都是相同的，一個被稱為合成分析的幾十年的理論。根據(jù)這個理論，大腦對馬上將發(fā)生的事情做出預(yù)測，并將預(yù)測與它所見的融合。這種方法的力量在于其高效性——這比時(shí)時(shí)刻刻創(chuàng)造新內(nèi)容所要求的計(jì)算更少。

　　大腦可能按不同方式執(zhí)行任何次數(shù)的合成分析，因此每隊(duì)探索不同的可能性。Cox的團(tuán)隊(duì)將大腦看成某種物理引擎，用現(xiàn)存的物理模型來模擬世界應(yīng)該是什么樣子。Tai Sing Lee與George Church共同帶領(lǐng)的團(tuán)隊(duì)，提出理論認(rèn)為大腦已經(jīng)建設(shè)了一個各種部件的圖書館——物體和人的各個部分——并學(xué)會了如何將這些部件組裝起來的規(guī)律。舉個例子，葉子，通常是在樹枝上的。Tolias的團(tuán)隊(duì)在以更加數(shù)據(jù)驅(qū)動的方式研究，大腦創(chuàng)造對外在世界的統(tǒng)計(jì)預(yù)期。他的團(tuán)隊(duì)將測試各種假設(shè)，看回路的不同部分如何溝通。

　　三個團(tuán)隊(duì)都會監(jiān)測目標(biāo)區(qū)域內(nèi)幾千個神經(jīng)元的活動。然后他們會用不同的方法繪制這些細(xì)胞的連線圖。例如Cox的團(tuán)隊(duì)，會將大腦組裝切成比人的頭發(fā)還細(xì)的切片，用電子顯微鏡分析每一個切片。然后將切片在計(jì)算層面連接起來，創(chuàng)造一個濃縮版的三維地圖，記錄幾百萬個神經(jīng)元聯(lián)系，它們在大腦皮層間的錯綜復(fù)雜的路徑。

　　有了地圖和活動模式，每一隊(duì)將試圖套出一些掌管大腦回路的基本規(guī)則。然后他們會把這些規(guī)則編程到模擬器，并測試模擬器與真實(shí)大腦的匹配度。

　　Tolias和團(tuán)隊(duì)已經(jīng)對這種方法的實(shí)力略見端倪。在11月發(fā)表于《科學(xué)》雜志的一篇論文中，他們繪制了10，000個神經(jīng)元組的鏈接，在過程中發(fā)現(xiàn)了五種新類型的神經(jīng)元。“我們還是沒有一個大腦皮層組成部件的完整名單，每一個細(xì)胞是什么樣子，它們?nèi)绾芜B接。“Koch說，”那是Tolias開始做的事情。“

　　在這幾千個神經(jīng)連接中，Tolias的團(tuán)隊(duì)發(fā)現(xiàn)了三個掌管細(xì)胞連接的總則：有一些主要與自己同類的神經(jīng)元聯(lián)系;有一些避開自己同類的神經(jīng)元，主要只和其他種類聯(lián)系;第三種只和少數(shù)幾個神經(jīng)元聯(lián)系。只用這三種連接規(guī)則，研究員可以比較準(zhǔn)確地模擬出大腦回路。“現(xiàn)在的挑戰(zhàn)是，必須研究出這些連接規(guī)則在計(jì)算上的意義是什么，”Tolias說，“他們都做哪些計(jì)算。”

　　基于真實(shí)神經(jīng)元的神經(jīng)網(wǎng)絡(luò)

　　類似大腦的人工智能不是新鮮事。所謂的神經(jīng)網(wǎng)絡(luò)，模擬大腦的基礎(chǔ)結(jié)構(gòu)，在八十年代非常流行。但是當(dāng)時(shí)還缺乏有效算法所需的計(jì)算能力和數(shù)據(jù)。畢竟，當(dāng)時(shí)互聯(lián)網(wǎng)上還沒有這么多標(biāo)記出的貓咪照片。盡管神經(jīng)網(wǎng)絡(luò)經(jīng)歷了復(fù)興——迅速進(jìn)入我們?nèi)粘Ｉ畹恼Z音識別和人臉識別就是基于神經(jīng)網(wǎng)絡(luò)算法，打敗了世界圍棋冠軍的阿爾法狗同樣也是——不過，人工神經(jīng)網(wǎng)絡(luò)改變連接的規(guī)則，與我們大腦使用的規(guī)則當(dāng)然是不同的。

　　當(dāng)代的神經(jīng)網(wǎng)絡(luò)“是基于我們上世紀(jì)六十年代對大腦的認(rèn)識。”Terry Sejnowski說，他是圣地亞哥Salk研究院的計(jì)算神經(jīng)科學(xué)家，他與多倫多大學(xué)的計(jì)算科學(xué)家Geoffrey Hinton開發(fā)了早期神經(jīng)網(wǎng)絡(luò)算法。“我們對于大腦組織架構(gòu)的知識正在大爆炸。“

　　例如，如今的神經(jīng)網(wǎng)絡(luò)是由前饋控制的架構(gòu)組成，信息從輸入經(jīng)歷一系列層次后輸出。每一層都會識別特定的特點(diǎn)，例如眼睛或者胡子。這個分析結(jié)果又被推到下一層，接下來的每一層都會有越發(fā)復(fù)雜的數(shù)據(jù)計(jì)算。通過這種方式，軟件最終認(rèn)出了一大堆彩色像素是一只貓。

　　但是這種前饋系統(tǒng)忽略了生物系統(tǒng)中的一個關(guān)鍵環(huán)節(jié)：反饋，每一層之中的反饋，以及從高級到低級層的反饋。“反饋連接在大腦皮層網(wǎng)絡(luò)中非常重要，”Sejnowski說，“反饋與前饋連接一樣多。”

　　神經(jīng)科學(xué)家目前還未精確理解這些反饋回路的運(yùn)作，雖然他們知道這些回路對控制人的注意力是很重要的。舉個例子，它們讓我們可以在注意電話里的聲音，過濾背景里的雜音。這種合成分析理論的好處之一是，它解釋了所有這些重復(fù)出現(xiàn)的連接。他們幫助大腦比較預(yù)測結(jié)果和現(xiàn)實(shí)結(jié)果。

　　Microns研究員希望解密控制反饋回路的規(guī)則——例如，這些回路連接哪些細(xì)胞，什么觸發(fā)他們的活動，這種活動如何影響回路的輸出——然后將這些規(guī)則轉(zhuǎn)化為算法。“現(xiàn)在機(jī)器所缺的是想象和內(nèi)省。我相信這些反饋回路可以讓我們在不同的層面進(jìn)行想象和內(nèi)省。”Tai Sing Lee說。

　　也許有一天，反饋回路可以讓機(jī)器擁有我們認(rèn)為人類才有的特點(diǎn)。“如果你能在深度網(wǎng)絡(luò)中實(shí)現(xiàn)(反饋回路)，你就能從類似膝跳反應(yīng)的網(wǎng)絡(luò)——只有輸入、輸出——實(shí)現(xiàn)一個更加能反省的網(wǎng)絡(luò)，可以開始思考輸入，測試各種假設(shè)。”Sejnowski說，他在奧巴馬總統(tǒng)的一億美元大腦項(xiàng)目中擔(dān)任顧問，Microns項(xiàng)目也是此項(xiàng)目一部分。

　　人類意識的線索

　　與所有IARPA項(xiàng)目一樣，Microns項(xiàng)目風(fēng)險(xiǎn)很高。研究所需的大規(guī)模繪圖的技術(shù)已經(jīng)存在，但是還沒有人在這樣的規(guī)模上應(yīng)用過。有一項(xiàng)挑戰(zhàn)將是處理研究帶來的大規(guī)模數(shù)據(jù)——每立方毫米的大腦，帶來1到2千兆字節(jié)的數(shù)據(jù)。團(tuán)隊(duì)?wèi)?yīng)該需要開發(fā)新的機(jī)器學(xué)習(xí)工具，來分析所有數(shù)據(jù)，這也算是一個挺搞笑的反饋回路。

　　一小塊大腦的信息能否讓我們更加了解大腦更宏觀的能力，我們尚未知曉。”大腦不只是一個皮層。“Sejnowski說，”大腦有幾百個不同的系統(tǒng)，專門用于不同的功能。”

　　大腦皮層本身是由看起來差不多的重復(fù)單元組成的。但是大腦的其他部分可能非常不同。例如，阿爾法狗利用的增強(qiáng)學(xué)習(xí)是與大腦基底的運(yùn)行有關(guān)，大腦基底與上癮現(xiàn)象有關(guān)聯(lián)。“如果你希望AI超越簡單的模式識別，你需要許多不同的大腦部分。”Sejnowski說。

　　如果項(xiàng)目成功，它所做的就不只是分析智能數(shù)據(jù)了。成功的算法將告訴我們大腦是如何認(rèn)知世界。具體來說，這將幫助確認(rèn)大腦的確是通過分析合成運(yùn)作的。它會顯示，構(gòu)成人類意識的關(guān)鍵是不斷變化的想象與感覺的結(jié)合。“是想象讓我們預(yù)測未來事件，用于指導(dǎo)我們的行為。”Tai Sing Lee說。通過建造能夠思考的機(jī)器人，研究員們希望揭開的秘密。