大(da)腦(nao)(nao)是(shi)由幾百億個神經(jing)(jing)元(yuan)結合而成(cheng)的復(fu)雜系統，涌現(xian)出復(fu)雜的神經(jing)(jing)動力學。大(da)腦(nao)(nao)的結構和動力學特征(zheng)(zheng)如(ru)(ru)何(he)(he)幫助實現(xian)高效的信息(xi)處理(li)和計(ji)算功能，涌現(xian)出高度(du)的智(zhi)(zhi)能？大(da)腦(nao)(nao)作(zuo)為演化過(guo)程中受到(dao)多種(zhong)限制的生物智(zhi)(zhi)能系統，如(ru)(ru)何(he)(he)啟發實現(xian)更(geng)先進的人工(gong)(gong)智(zhi)(zhi)能？模仿大(da)腦(nao)(nao)的人工(gong)(gong)神經(jing)(jing)網(wang)絡如(ru)(ru)何(he)(he)反(fan)過(guo)來幫助理(li)解大(da)腦(nao)(nao)的神經(jing)(jing)表征(zheng)(zheng)和計(ji)算原理(li)？
我們(men)可以(yi)把(ba)大腦看作是(shi)一個(ge)信(xin)息處理(li)的(de)(de)機器(qi)，它在不斷地進化或(huo)是(shi)在成長過程中經(jing)過不斷地學習(xi)和(he)訓練(lian)，具(ju)有很多突出(chu)的(de)(de)復雜“結(jie)構-功(gong)能(neng)-行為”的(de)(de)關系(xi)。從這種角(jiao)度為理(li)解人(ren)(ren)(ren)類的(de)(de)智(zhi)能(neng)打下一定的(de)(de)基礎。神(shen)經(jing)科學和(he)人(ren)(ren)(ren)工(gong)智(zhi)能(neng)的(de)(de)發(fa)(fa)展相(xiang)輔相(xiang)成，神(shen)經(jing)科學啟(qi)發(fa)(fa)了(le)人(ren)(ren)(ren)工(gong)智(zhi)能(neng)一些模型和(he)算(suan)法(fa)，而人(ren)(ren)(ren)工(gong)智(zhi)能(neng)可以(yi)作為工(gong)具(ju)在神(shen)經(jing)科學中進行數據的(de)(de)分析和(he)特征的(de)(de)抓取，另外作為模型來理(li)解大腦運作的(de)(de)一些原理(li)。有關這最(zui)后一點，本次讀(du)書會主(zhu)要介紹(shao)如何運用機器(qi)學習(xi)方法(fa)來理(li)解人(ren)(ren)(ren)類對于時間(jian)處理(li)的(de)(de)特征，最(zui)后簡要地介紹(shao)了(le)未來的(de)(de)研究(jiu)發(fa)(fa)展方向。
大腦具有兩種物質，即(ji)灰(hui)質（皺褶的(de)(de)(de)皮(pi)層表面，大部分(fen)是(shi)神經元，還有局部的(de)(de)(de)一(yi)些樹突(tu)和(he)軸突(tu)）和(he)白質（連接不同腦區的(de)(de)(de)長軸），這兩種物質構成一(yi)個計算的(de)(de)(de)功(gong)(gong)能(neng)(neng)(neng)性系統(tong)。根據功(gong)(gong)能(neng)(neng)(neng)可以把大腦劃分(fen)成不同的(de)(de)(de)系統(tong)：視覺系統(tong)、感(gan)覺運動(dong)系統(tong)、前額(e)葉系統(tong)等。大腦的(de)(de)(de)功(gong)(gong)耗大約占據人體功(gong)(gong)耗的(de)(de)(de)20%，就其功(gong)(gong)能(neng)(neng)(neng)而言(yan)，大腦是(shi)一(yi)個非常高效(xiao)(xiao)的(de)(de)(de)系統(tong)。大腦中的(de)(de)(de)皮(pi)層通過(guo)皺褶的(de)(de)(de)方(fang)式(shi)，在(zai)有限的(de)(de)(de)空間(jian)內(nei)容納了大量的(de)(de)(de)神經元，同時也縮(suo)短了腦區間(jian)的(de)(de)(de)連接距離。研究表明，大腦灰(hui)質和(he)白質之間(jian)存(cun)在(zai)標度關系，實際上(shang)反映(ying)了大腦作為一(yi)個生物體的(de)(de)(de)智能(neng)(neng)(neng)系統(tong)，在(zai)空間(jian)和(he)能(neng)(neng)(neng)量的(de)(de)(de)限制下通過(guo)優化(hua)保(bao)持了高效(xiao)(xiao)的(de)(de)(de)計算能(neng)(neng)(neng)力(li)，這是(shi)類(lei)腦計算學科可以參考的(de)(de)(de)。
神(shen)(shen)(shen)經(jing)元是(shi)神(shen)(shen)(shen)經(jing)系統(tong)基本的(de)(de)計算單元。一(yi)個(ge)(ge)神(shen)(shen)(shen)經(jing)元包(bao)括細胞(bao)體，軸突和樹突，不同神(shen)(shen)(shen)經(jing)元之間(jian)的(de)(de)通(tong)(tong)訊通(tong)(tong)過(guo)化學突觸和神(shen)(shen)(shen)經(jing)遞質的(de)(de)釋放來(lai)實現。從結構(gou)上來(lai)看，局部(bu)的(de)(de)大腦回路(lu)相當于(yu)一(yi)種隨(sui)機網(wang)絡(luo)，從更大尺度(du)上我們可以看到大腦還有其(qi)(qi)他的(de)(de)柱、層的(de)(de)組織結構(gou)。人類成年(nian)大腦含有將近(jin)860億個(ge)(ge)神(shen)(shen)(shen)經(jing)元，每個(ge)(ge)神(shen)(shen)(shen)經(jing)元與(yu)上萬(wan)個(ge)(ge)其(qi)(qi)他的(de)(de)神(shen)(shen)(shen)經(jing)元線連接(jie)，形成一(yi)個(ge)(ge)非常復雜的(de)(de)計算網(wang)絡(luo)。
那么，我(wo)們如(ru)何(he)采(cai)集數(shu)據來(lai)得(de)到(dao)大腦(nao)(nao)(nao)(nao)的網絡結(jie)構？在動物模型里，通(tong)(tong)過(guo)注射追(zhui)蹤(zong)劑，研(yan)究(jiu)者(zhe)觀察試劑分(fen)子(zi)如(ru)何(he)從一個(ge)腦(nao)(nao)(nao)(nao)區(qu)(qu)到(dao)底另外一個(ge)腦(nao)(nao)(nao)(nao)區(qu)(qu)，以(yi)此得(de)到(dao)腦(nao)(nao)(nao)(nao)區(qu)(qu)間(jian)的連(lian)(lian)接(jie)結(jie)構。比如(ru)，研(yan)究(jiu)者(zhe)通(tong)(tong)過(guo)這(zhe)(zhe)樣(yang)的方(fang)(fang)(fang)式(shi)(shi)發現(xian)小鼠的大腦(nao)(nao)(nao)(nao)可(ke)以(yi)被劃分(fen)為(wei)很多(duo)的腦(nao)(nao)(nao)(nao)區(qu)(qu)，不同(tong)腦(nao)(nao)(nao)(nao)區(qu)(qu)之(zhi)間(jian)有許多(duo)復雜的連(lian)(lian)接(jie)。對于人類(lei)而言，由(you)于無法使用(yong)這(zhe)(zhe)種(zhong)(zhong)有創的研(yan)究(jiu)方(fang)(fang)(fang)式(shi)(shi)，研(yan)究(jiu)者(zhe)替代使用(yong)影像學的方(fang)(fang)(fang)法來(lai)檢驗腦(nao)(nao)(nao)(nao)區(qu)(qu)之(zhi)間(jian)的連(lian)(lian)接(jie)，比如(ru)磁共振研(yan)究(jiu)中(zhong)的擴散影像技術DTI。這(zhe)(zhe)種(zhong)(zhong)技術利(li)用(yong)磁場檢驗水(shui)分(fen)子(zi)在大腦(nao)(nao)(nao)(nao)組織中(zhong)的擴散速(su)率不同(tong)，通(tong)(tong)過(guo)間(jian)接(jie)的方(fang)(fang)(fang)式(shi)(shi)來(lai)估計大腦(nao)(nao)(nao)(nao)之(zhi)間(jian)的連(lian)(lian)接(jie)結(jie)構，得(de)到(dao)人腦(nao)(nao)(nao)(nao)的結(jie)構網絡。
神(shen)(shen)經(jing)系(xi)(xi)(xi)統是一(yi)個非常強的(de)(de)非線性(xing)系(xi)(xi)(xi)統，我們可以把(ba)神(shen)(shen)經(jing)系(xi)(xi)(xi)統的(de)(de)運作看作將(jiang)輸入(ru)進行非線性(xing)轉換得到(dao)輸出的(de)(de)一(yi)個過程。對于神(shen)(shen)經(jing)元(yuan)而言(yan)，輸入(ru)要(yao)達到(dao)一(yi)定(ding)的(de)(de)閾值(zhi)才能發生反(fan)應，產(chan)生神(shen)(shen)經(jing)發放(fang)。大(da)(da)腦(nao)中(zhong)的(de)(de)幾百億個神(shen)(shen)經(jing)元(yuan)的(de)(de)大(da)(da)量結合(he)，構(gou)成(cheng)了(le)一(yi)個復雜系(xi)(xi)(xi)統，可以涌現(xian)出許(xu)多復雜的(de)(de)動力學(xue)，比如(ru)多個神(shen)(shen)經(jing)元(yuan)無規(gui)則(ze)的(de)(de)發放(fang)形成(cheng)了(le)大(da)(da)腦(nao)在不同頻率上震蕩的(de)(de)信號。大(da)(da)腦(nao)的(de)(de)這些動力學(xue)特征如(ru)何參與信息處(chu)理和(he)計算形成(cheng)智能，以及大(da)(da)腦(nao)如(ru)何通過不斷進化(hua)學(xue)習來實現(xian)其功能，都將(jiang)啟發和(he)促進人工智能的(de)(de)發展(zhan)。
近(jin)年來，神經科學(xue)與智(zhi)能系(xi)統(tong)的(de)(de)(de)交叉引發了人們(men)對大(da)腦(nao)的(de)(de)(de)深入思(si)考。我們(men)已經將大(da)腦(nao)視為一種(zhong)智(zhi)能系(xi)統(tong)，這(zhe)種(zhong)觀(guan)念源(yuan)于對大(da)腦(nao)內部多(duo)層次(ci)結構的(de)(de)(de)啟發，如視覺系(xi)統(tong)等。人工智(zhi)能的(de)(de)(de)第(di)四波(bo)，尤其(qi)是深度(du)網(wang)絡，直接(jie)受到了大(da)腦(nao)多(duo)層次(ci)組織的(de)(de)(de)影響(xiang)，盡管(guan)存(cun)在簡化。在多(duo)層次(ci)的(de)(de)(de)視覺系(xi)統(tong)中，內部連接(jie)復雜(za)，存(cun)在前饋(kui)和反饋(kui)，這(zhe)兩者不僅僅在兩層之間，而是可跨越(yue)多(duo)層次(ci)。相比之下(xia)，真實的(de)(de)(de)生物智(zhi)能系(xi)統(tong)比人工智(zhi)能系(xi)統(tong)更為復雜(za)。
現今，人(ren)們廣泛討論(lun)大型模型如GPT，但其訓練代價(jia)巨大。以前幾(ji)年訓練億級參(can)數神經網絡為(wei)例，其消(xiao)耗相當于(yu)一輛美(mei)國(guo)汽車一輩子(zi)的能(neng)量的幾(ji)倍(bei)。因此，人(ren)工智能(neng)的大量訓練可能(neng)對能(neng)源和(he)環境產生巨大影響。
值得強(qiang)調的(de)(de)是(shi)，大(da)腦可(ke)(ke)以從多(duo)(duo)個(ge)(ge)角度來看待，它是(shi)一個(ge)(ge)復雜的(de)(de)系統(tong)(tong)，也是(shi)一個(ge)(ge)功(gong)能(neng)豐富的(de)(de)器官。在(zai)自然(ran)演化過(guo)程中，大(da)腦受到(dao)(dao)(dao)多(duo)(duo)種限制(zhi)的(de)(de)制(zhi)約，如(ru)能(neng)量和(he)功(gong)能(neng)的(de)(de)限制(zhi)。這種平衡(heng)體現在(zai)結構、動力學(xue)和(he)功(gong)能(neng)輸出上。類腦的(de)(de)研究(jiu)正(zheng)是(shi)基于對大(da)腦本質的(de)(de)思(si)考(kao)，以及(ji)我(wo)們可(ke)(ke)以從中學(xue)到(dao)(dao)(dao)的(de)(de)東西。大(da)腦作為(wei)生物(wu)智能(neng)系統(tong)(tong)，其限制(zhi)非常強(qiang)，但如(ru)果對能(neng)量和(he)功(gong)能(neng)的(de)(de)限制(zhi)放松，可(ke)(ke)能(neng)會(hui)(hui)找到(dao)(dao)(dao)比大(da)腦更(geng)優越的(de)(de)運作方式(shi)。然(ran)而(er)，機器不(bu)會(hui)(hui)感到(dao)(dao)(dao)疲憊，因此可(ke)(ke)以不(bu)斷訓(xun)練學(xue)習，超越人類，這值得我(wo)們反思(si)。
神經科學與人工智能的(de)交(jiao)叉研(yan)究(jiu)，揭示了大腦(nao)結(jie)構(gou)、動力(li)學和功能之(zhi)間復(fu)雜的(de)關系。在研(yan)究(jiu)大腦(nao)結(jie)構(gou)時，我(wo)們(men)關注神經元之(zhi)間的(de)連(lian)接方式，包括樹突軸突連(lian)接以及不同腦(nao)區之(zhi)間的(de)網(wang)絡連(lian)接。這些(xie)連(lian)接呈(cheng)現出多層次(ci)、模塊化的(de)特點(dian)，揭示了大腦(nao)內(nei)部的(de)復(fu)雜結(jie)構(gou)。
神經動力學方面的(de)研究發現，神經元的(de)活動具有自組織涌(yong)現的(de)特征，表現為(wei)(wei)神經雪(xue)崩(beng)現象。這(zhe)種現象在不同尺度(du)上都存在，從(cong)單個(ge)電極到整個(ge)大(da)腦(nao)，都可以觀(guan)察到神經元群體的(de)集群發放行為(wei)(wei)，表現出一種臨界(jie)活動狀態。這(zhe)種狀態使(shi)得大(da)腦(nao)對外界(jie)刺激(ji)非常敏感，能夠(gou)隨時做(zuo)出響應(ying)，實(shi)現各(ge)種功能，而且消耗(hao)能量較少（Friedman et al., 2012; Softky & Koch, 1993）。
人(ren)工智能系統的(de)運作(zuo)也受到神經動力學的(de)啟(qi)發(fa)，尤(you)其(qi)(qi)是在處理(li)任務(wu)時的(de)自發(fa)狀態(tai)(tai)和(he)任務(wu)狀態(tai)(tai)之間的(de)關系。通過分析大(da)腦活動的(de)波傳播模式(shi)，可(ke)以預測大(da)腦的(de)表現和(he)反應(ying)，從而(er)更好地理(li)解其(qi)(qi)運作(zuo)機制。這種研(yan)究為我們提供(gong)了(le)(le)深(shen)入了(le)(le)解大(da)腦與人(ren)工智能之間關系的(de)新視角(jiao)。
近期的(de)(de)研究(jiu)趨(qu)向于(yu)從復(fu)(fu)雜(za)性(xing)(xing)角(jiao)度(du)理(li)(li)(li)(li)解(jie)大(da)腦(nao)的(de)(de)運作。復(fu)(fu)雜(za)系統(tong)理(li)(li)(li)(li)論以及能(neng)量(liang)限制(zhi)等(deng)角(jiao)度(du)被(bei)運用于(yu)解(jie)釋大(da)腦(nao)的(de)(de)復(fu)(fu)雜(za)連接和活動模(mo)式(shi)。大(da)腦(nao)被(bei)視(shi)為一個網(wang)絡，其組織(zhi)形式(shi)與(yu)個體(ti)(ti)的(de)(de)認(ren)(ren)知能(neng)力(li)以及不同尺度(du)下(xia)的(de)(de)局(ju)部回路(lu)動力(li)學(xue)有(you)(you)關。在(zai)(zai)認(ren)(ren)知心理(li)(li)(li)(li)科(ke)(ke)學(xue)中，智(zhi)(zhi)力(li)常被(bei)討論，涵(han)蓋了(le)(le)諸如自由流體(ti)(ti)智(zhi)(zhi)力(li)和晶體(ti)(ti)智(zhi)(zhi)力(li)等(deng)不同的(de)(de)功能(neng)，例如語言(yan)。流體(ti)(ti)智(zhi)(zhi)力(li)，如推理(li)(li)(li)(li)和反應速(su)度(du)，并非直(zhi)接可(ke)測量(liang)，而是通過任務表征。舉(ju)例來說，一位理(li)(li)(li)(li)科(ke)(ke)生(sheng)(sheng)在(zai)(zai)數理(li)(li)(li)(li)化方面表現(xian)(xian)優異，而文(wen)科(ke)(ke)生(sheng)(sheng)可(ke)能(neng)在(zai)(zai)歷史、語文(wen)或地理(li)(li)(li)(li)等(deng)科(ke)(ke)目(mu)表現(xian)(xian)更(geng)佳。通過在(zai)(zai)人群中對(dui)這些(xie)任務表現(xian)(xian)進行(xing)協方差(cha)共變分(fen)析，可(ke)以得出其能(neng)力(li)水平(ping)。這些(xie)能(neng)力(li)之間存在(zai)(zai)相關性(xing)(xing)，因此可(ke)以通過測量(liang)某種智(zhi)(zhi)能(neng)來了(le)(le)解(jie)這種相關性(xing)(xing)。有(you)(you)趣的(de)(de)是，人類智(zhi)(zhi)力(li)體(ti)(ti)現(xian)(xian)了(le)(le)處理(li)(li)(li)(li)多(duo)個能(neng)力(li)的(de)(de)多(duo)任務總體(ti)(ti)能(neng)力(li)，這對(dui)于(yu)評估智(zhi)(zhi)能(neng)系統(tong)的(de)(de)行(xing)為具有(you)(you)重要(yao)意義。
在探討(tao)大(da)腦(nao)(nao)(nao)(nao)(nao)神經(jing)突觸的(de)復(fu)(fu)雜(za)性(xing)(xing)時(shi)，我們(men)需要了(le)解(jie)(jie)其多(duo)層(ceng)次(ci)的(de)結(jie)(jie)構(gou)(gou)和(he)動(dong)態特(te)性(xing)(xing)。大(da)腦(nao)(nao)(nao)(nao)(nao)的(de)結(jie)(jie)構(gou)(gou)網(wang)絡(luo)(luo)具有多(duo)個(ge)層(ceng)次(ci)，這些層(ceng)次(ci)與其動(dong)態特(te)性(xing)(xing)相互(hu)交(jiao)織，以實現最優的(de)組織排列。我們(men)利用DTI技術獲得大(da)腦(nao)(nao)(nao)(nao)(nao)的(de)結(jie)(jie)構(gou)(gou)網(wang)絡(luo)(luo)，將大(da)腦(nao)(nao)(nao)(nao)(nao)劃分為(wei)200多(duo)個(ge)腦(nao)(nao)(nao)(nao)(nao)區，并量(liang)化了(le)它們(men)之間的(de)連接強(qiang)度(du)。這種(zhong)連接強(qiang)度(du)矩陣通過模(mo)(mo)式分解(jie)(jie)，類(lei)似于量(liang)子力學中(zhong)的(de)能級(ji)分解(jie)(jie)，揭(jie)示(shi)了(le)大(da)腦(nao)(nao)(nao)(nao)(nao)的(de)激發和(he)抑制模(mo)(mo)式。這些模(mo)(mo)式反(fan)映(ying)了(le)不同腦(nao)(nao)(nao)(nao)(nao)區之間的(de)相互(hu)作用，如左右(you)腦(nao)(nao)(nao)(nao)(nao)或前后腦(nao)(nao)(nao)(nao)(nao)等。通過進一步分析(xi)，我們(men)發現大(da)腦(nao)(nao)(nao)(nao)(nao)的(de)連接形成了(le)多(duo)層(ceng)次(ci)的(de)模(mo)(mo)塊(kuai)化結(jie)(jie)構(gou)(gou)，其中(zhong)包(bao)括左右(you)腦(nao)(nao)(nao)(nao)(nao)和(he)前后腦(nao)(nao)(nao)(nao)(nao)等更細分的(de)層(ceng)次(ci)。這種(zhong)多(duo)層(ceng)次(ci)的(de)結(jie)(jie)構(gou)(gou)突顯了(le)大(da)腦(nao)(nao)(nao)(nao)(nao)神經(jing)網(wang)絡(luo)(luo)的(de)復(fu)(fu)雜(za)性(xing)(xing)和(he)精(jing)妙(miao)性(xing)(xing)，為(wei)我們(men)理解(jie)(jie)大(da)腦(nao)(nao)(nao)(nao)(nao)功(gong)能的(de)復(fu)(fu)雜(za)性(xing)(xing)提供了(le)新的(de)視(shi)角。
大(da)腦(nao)(nao)(nao)可以被視(shi)為(wei)(wei)一(yi)個網絡，其(qi)中動(dong)(dong)態(tai)(tai)過程被描繪為(wei)(wei)連接(jie)局部并受到(dao)激(ji)發的(de)(de)(de)(de)動(dong)(dong)力(li)學(xue)模(mo)型。這(zhe)種激(ji)發引發了所謂的(de)(de)(de)(de)功能(neng)連接(jie)，即不同腦(nao)(nao)(nao)區之間的(de)(de)(de)(de)神經(jing)活動(dong)(dong)關(guan)(guan)聯性(xing)。隨(sui)(sui)著連接(jie)的(de)(de)(de)(de)耦合(he)強度增(zeng)加，腦(nao)(nao)(nao)區之間的(de)(de)(de)(de)關(guan)(guan)聯也隨(sui)(sui)之增(zeng)強。實際上(shang)，真(zhen)實大(da)腦(nao)(nao)(nao)的(de)(de)(de)(de)平均關(guan)(guan)聯度約為(wei)(wei)0.4，與(yu)模(mo)型數據相符(fu)。在動(dong)(dong)態(tai)(tai)狀態(tai)(tai)下，腦(nao)(nao)(nao)區之間的(de)(de)(de)(de)連接(jie)強度會不斷變化(hua)，表現出豐富(fu)的(de)(de)(de)(de)動(dong)(dong)態(tai)(tai)特(te)(te)性(xing)。大(da)腦(nao)(nao)(nao)結構(gou)具有多層(ceng)次，破壞其(qi)中一(yi)些層(ceng)次會導致不同模(mo)塊的(de)(de)(de)(de)形成。這(zhe)種多層(ceng)次結構(gou)和動(dong)(dong)態(tai)(tai)特(te)(te)性(xing)使大(da)腦(nao)(nao)(nao)處于(yu)最優狀態(tai)(tai)，為(wei)(wei)其(qi)作(zuo)為(wei)(wei)智能(neng)系統的(de)(de)(de)(de)功能(neng)提供(gong)了基礎(chu)。功能(neng)網絡的(de)(de)(de)(de)分析(xi)表明，大(da)腦(nao)(nao)(nao)系統具有整合(he)和分化(hua)的(de)(de)(de)(de)特(te)(te)性(xing)，其(qi)特(te)(te)征值反映了整合(he)與(yu)分離的(de)(de)(de)(de)強度。
在研究中，我(wo)們(men)發(fa)現大腦(nao)(nao)的(de)(de)(de)整合(he)程度(du)與(yu)耦合(he)程度(du)正相(xiang)關(guan)，而分(fen)化程度(du)與(yu)耦合(he)強度(du)呈(cheng)負相(xiang)關(guan)，而且這種關(guan)系正好在一(yi)個(ge)(ge)臨界點達到平衡(heng)。通過使用1200多(duo)名個(ge)(ge)體(ti)的(de)(de)(de)磁共振數據，我(wo)們(men)發(fa)現大腦(nao)(nao)的(de)(de)(de)整合(he)和分(fen)化相(xiang)差程度(du)接近于(yu)零，表明大多(duo)數人(ren)的(de)(de)(de)大腦(nao)(nao)處(chu)于(yu)平衡(heng)狀態(tai)。這種平衡(heng)狀態(tai)在不同任(ren)務(wu)(wu)下可能會發(fa)生變(bian)化，但對(dui)于(yu)處(chu)理各種任(ren)務(wu)(wu)至關(guan)重要。
我們認為個體的大腦特質可(ke)能會影響其能力。一(yi)些人(ren)更(geng)(geng)傾向(xiang)于分化(hua)(hua)，而另一(yi)些人(ren)更(geng)(geng)傾向(xiang)于整合(he)，這可(ke)能會反映在其處理任務(wu)(wu)的方式上。我們發現(xian)處于平衡狀態的大腦可(ke)能更(geng)(geng)有利于滿足(zu)不同任務(wu)(wu)的要求，因(yin)為它可(ke)以(yi)靈活地進行(xing)分化(hua)(hua)和整合(he)。相反，如(ru)果大腦一(yi)開始就處于過度分化(hua)(hua)或過度整合(he)的狀態，可(ke)能會在處理某些任務(wu)(wu)時遇到困(kun)難。
通過對大腦(nao)和(he)(he)行(xing)為的(de)研究(jiu)，我們(men)發(fa)現(xian)大腦(nao)的(de)平衡特(te)點與(yu)(yu)智(zhi)(zhi)能(neng)有關(guan)。我們(men)的(de)數(shu)據(ju)顯示(shi)，大腦(nao)整體平衡與(yu)(yu)一(yi)般能(neng)力呈(cheng)正相關(guan)，而(er)與(yu)(yu)一(yi)些特(te)定能(neng)力（如晶體智(zhi)(zhi)力和(he)(he)反應速度）呈(cheng)負(fu)相關(guan)。進一(yi)步的(de)分析表明，不同(tong)的(de)大腦(nao)平衡類型可能(neng)與(yu)(yu)特(te)定智(zhi)(zhi)力需求相關(guan)，這對于構建更符(fu)合人類智(zhi)(zhi)能(neng)的(de)人工智(zhi)(zhi)能(neng)系統可能(neng)具(ju)有啟發(fa)意義。
通過(guo)磁(ci)共振成像(xiang)等(deng)技(ji)術，我們可以深入(ru)了解大腦(nao)的(de)(de)結構特征。灰質皮層的(de)(de)厚(hou)度(du)反映了神經元的(de)(de)密度(du)，而樹突的(de)(de)多變(bian)性(xing)(xing)則影(ying)響(xiang)了大腦(nao)的(de)(de)功(gong)能(neng)多樣性(xing)(xing)。大腦(nao)的(de)(de)功(gong)能(neng)系統因個(ge)體(ti)差異而異，使用機器學習等(deng)方(fang)法可以將大腦(nao)劃分為不同的(de)(de)子網絡系統，這(zhe)有助于(yu)理解智能(neng)的(de)(de)實現方(fang)式。
然而(er)，我們發現(xian)大腦(nao)結構(gou)和(he)功(gong)能(neng)之(zhi)間的關(guan)系并不(bu)簡(jian)單。盡管某些(xie)網絡與(yu)(yu)特定功(gong)能(neng)（如視覺系統）相關(guan)聯(lian)良好，但其他功(gong)能(neng)與(yu)(yu)結構(gou)網絡之(zhi)間的對應關(guan)系并不(bu)明確。實(shi)際上，每種能(neng)力似乎都涉(she)及多個子(zi)系統的參與(yu)(yu)，但它們的組合方式(shi)卻是(shi)獨特的。
我們的(de)研究成果表明，構(gou)建更大型的(de)模型以實(shi)現多功能(neng)靈活性可(ke)能(neng)并不簡單。在智(zhi)能(neng)系(xi)統(tong)設計中(zhong)，從(cong)結構(gou)到動力學再到功能(neng)的(de)安排具(ju)有(you)重要意義，這為未來(lai)的(de)人(ren)工智(zhi)能(neng)系(xi)統(tong)提供了有(you)價值的(de)啟示。
大腦的(de)(de)結構和功能(neng)(neng)之間存在(zai)著復雜而微妙的(de)(de)關系(xi)。從生物(wu)學(xue)的(de)(de)角度來看，大腦是(shi)一(yi)個在(zai)成本和效(xiao)益之間進行權衡的(de)(de)系(xi)統。盡管(guan)其(qi)結構受到能(neng)(neng)量(liang)限制的(de)(de)制約，但其(qi)功能(neng)(neng)的(de)(de)實現卻相當有效(xiao)。例如，大腦的(de)(de)神經(jing)(jing)元連接是(shi)局部的(de)(de)，但在(zai)功能(neng)(neng)上卻能(neng)(neng)夠(gou)表征空間的(de)(de)關聯信息。此外，大腦的(de)(de)動力學(xue)特(te)征也具有一(yi)定(ding)的(de)(de)穩定(ding)性，與其(qi)結構相一(yi)致(zhi)，不(bu)像神經(jing)(jing)網絡那樣隨著運作過程而不(bu)斷變化(hua)。這種(zhong)穩定(ding)性使得大腦既能(neng)(neng)夠(gou)學(xue)習又能(neng)(neng)夠(gou)保持穩定(ding)狀態(tai)，滿足了矛盾的(de)(de)要(yao)求。
從生物(wu)學的(de)(de)角度出發，我(wo)們(men)可以更好地理解大(da)(da)腦結構、動力學和(he)功能(neng)(neng)之間的(de)(de)關系(xi)，并從中汲取啟(qi)示(shi)。研(yan)究表明，大(da)(da)腦的(de)(de)連接結構在實現功能(neng)(neng)傳(chuan)輸的(de)(de)同時，也需(xu)要滿足一定的(de)(de)約束條件。此外，大(da)(da)腦的(de)(de)動力學特征在完成任務(wu)時能(neng)(neng)夠以較少的(de)(de)代價實現高效的(de)(de)組合。因此，我(wo)們(men)可以通過降低大(da)(da)腦系(xi)統的(de)(de)整體能(neng)(neng)量消耗，以及優化能(neng)(neng)量消耗大(da)(da)的(de)(de)連接部(bu)分，來實現更低成本的(de)(de)智(zhi)能(neng)(neng)系(xi)統。
此外，作為(wei)一個生物系統，大腦(nao)需要(yao)消(xiao)耗(hao)大量能(neng)量，但(dan)也會產生代(dai)謝產物。這些(xie)代(dai)謝產物的積(ji)(ji)累與大腦(nao)退化相關，如淀(dian)粉(fen)樣蛋白的堆積(ji)(ji)可(ke)(ke)能(neng)導致神經退行(xing)性(xing)疾(ji)病。因此，大腦(nao)需要(yao)盡可(ke)(ke)能(neng)優(you)化其能(neng)量消(xiao)耗(hao)，特別是在能(neng)量消(xiao)耗(hao)較大的連(lian)接部(bu)分。這樣不僅能(neng)夠減少(shao)(shao)整體代(dai)謝需求，還可(ke)(ke)以減少(shao)(shao)代(dai)謝產物的積(ji)(ji)累，降(jiang)低疾(ji)病風險，使大腦(nao)在受到能(neng)量限制的情況(kuang)下保(bao)持良好的運(yun)作。
大(da)腦(nao)的(de)(de)(de)動力學(xue)特(te)征與(yu)其(qi)結構(gou)密切相關。在生物神(shen)經(jing)網絡中，神(shen)經(jing)元(yuan)之(zhi)間的(de)(de)(de)連接形(xing)成了局部回路(lu)，這(zhe)(zhe)些連接對于信(xin)息(xi)(xi)傳輸至關重(zhong)要。每個(ge)神(shen)經(jing)元(yuan)通(tong)過釋放(fang)神(shen)經(jing)遞質將信(xin)息(xi)(xi)傳遞給(gei)下一個(ge)神(shen)經(jing)元(yuan)，但這(zhe)(zhe)個(ge)過程的(de)(de)(de)時間非常短(duan)暫，通(tong)常只有(you)幾毫秒(miao)。神(shen)經(jing)元(yuan)之(zhi)間的(de)(de)(de)連接具有(you)節奏性，形(xing)成了整(zheng)個(ge)系統的(de)(de)(de)節律，如Gamma波，這(zhe)(zhe)在記(ji)憶和學(xue)習中經(jing)常出現(xian)(xian)。通(tong)過從智能(neng)和代謝的(de)(de)(de)角(jiao)度觀察，我們發現(xian)(xian)大(da)腦(nao)的(de)(de)(de)神(shen)經(jing)元(yuan)發放(fang)非常稀疏，但通(tong)過不同神(shen)經(jing)元(yuan)的(de)(de)(de)組合(he)，可以實現(xian)(xian)有(you)效的(de)(de)(de)信(xin)息(xi)(xi)表征，這(zhe)(zhe)種方(fang)式能(neng)夠以最少的(de)(de)(de)代價實現(xian)(xian)最優的(de)(de)(de)信(xin)息(xi)(xi)傳輸。
大(da)(da)腦(nao)(nao)的(de)(de)(de)(de)結(jie)構也與其(qi)功能密切相(xiang)關。實(shi)際的(de)(de)(de)(de)大(da)(da)腦(nao)(nao)結(jie)構中(zhong)，神經(jing)元(yuan)通(tong)常(chang)分布在(zai)團簇中(zhong)，并(bing)通(tong)過空間中(zhong)的(de)(de)(de)(de)連(lian)接(jie)(jie)形(xing)成模(mo)塊(kuai)化(hua)的(de)(de)(de)(de)特征。模(mo)塊(kuai)化(hua)結(jie)構可以使(shi)得連(lian)接(jie)(jie)隨著距(ju)離的(de)(de)(de)(de)增加(jia)而(er)衰減(jian)，從而(er)形(xing)成模(mo)塊(kuai)化(hua)特征。然而(er)，在(zai)完全打(da)亂(luan)的(de)(de)(de)(de)連(lian)接(jie)(jie)中(zhong)，形(xing)成了(le)稀疏的(de)(de)(de)(de)隨機(ji)網(wang)絡(luo)，每個神經(jing)元(yuan)的(de)(de)(de)(de)發(fa)放都是無規律(lv)的(de)(de)(de)(de)，這樣的(de)(de)(de)(de)網(wang)絡(luo)神經(jing)元(yuan)的(de)(de)(de)(de)發(fa)放頻率(lv)(lv)可以達到20赫茲，而(er)真實(shi)的(de)(de)(de)(de)腦(nao)(nao)網(wang)絡(luo)神經(jing)元(yuan)的(de)(de)(de)(de)發(fa)放頻率(lv)(lv)是1-2赫茲。相(xiang)比于隨機(ji)網(wang)絡(luo)，大(da)(da)腦(nao)(nao)這種(zhong)優化(hua)的(de)(de)(de)(de)連(lian)接(jie)(jie)方式使(shi)得它能夠以更少的(de)(de)(de)(de)代價實(shi)現(xian)更高效的(de)(de)(de)(de)信息(xi)傳輸，體現(xian)了(le)“less is more”的(de)(de)(de)(de)原則。
最(zui)近的(de)(de)(de)(de)(de)研究發現(xian)(xian)(xian)了一(yi)種(zhong)有(you)趣的(de)(de)(de)(de)(de)生(sheng)(sheng)物局部(bu)網絡，其動力學特征表(biao)現(xian)(xian)(xian)為(wei)無規則的(de)(de)(de)(de)(de)發放，以及一(yi)種(zhong)稱為(wei)“雪崩(beng)”的(de)(de)(de)(de)(de)現(xian)(xian)(xian)象，即(ji)在臨界(jie)(jie)狀態下神經元(yuan)發放的(de)(de)(de)(de)(de)數量可能(neng)(neng)會劇烈變化。相比(bi)于物理科學中的(de)(de)(de)(de)(de)隨機(ji)臨界(jie)(jie)性模(mo)型，生(sheng)(sheng)物神經系統中的(de)(de)(de)(de)(de)臨界(jie)(jie)性表(biao)現(xian)(xian)(xian)出(chu)更大的(de)(de)(de)(de)(de)靈(ling)活性和(he)可重復性，即(ji)使在小刺激和(he)大刺激下都能(neng)(neng)做(zuo)出(chu)響(xiang)應，并(bing)且在不同信號(hao)之間(jian)能(neng)(neng)夠產生(sheng)(sheng)可重復的(de)(de)(de)(de)(de)內(nei)部(bu)表(biao)征。這種(zhong)動力學特征與大腦(nao)內(nei)部(bu)的(de)(de)(de)(de)(de)結(jie)構密切相關，使得大腦(nao)能(neng)(neng)夠以更少的(de)(de)(de)(de)(de)能(neng)(neng)量實(shi)現(xian)(xian)(xian)更優越的(de)(de)(de)(de)(de)信息處理。
圖15. 大(da)腦(nao)網絡的臨界雪崩協調響應的可靠性(xing)和敏感性(xing)以實現最優的神(shen)經表征
最(zui)近我們撰寫(xie)了一篇綜(zong)述(shu)論文，總結了神經動力學(xue)(xue)平衡、臨界性以(yi)及它們之間的(de)內在統(tong)一。這篇綜(zong)述(shu)包括(kuo)了數十(shi)篇相關(guan)論文。大(da)腦(nao)被視為一個復雜的(de)系統(tong)，它利用涌(yong)現的(de)復雜動力學(xue)(xue)進行計算，并(bing)通過(guo)模塊的(de)不同組合實(shi)現多種(zhong)功能(neng)。在能(neng)量有限(xian)的(de)情(qing)況(kuang)下，大(da)腦(nao)通過(guo)優化其(qi)結構和動力學(xue)(xue)特征(zheng)來(lai)實(shi)現高(gao)效的(de)信息處理。因此，我們相信人(ren)工(gong)智能(neng)可以(yi)從大(da)腦(nao)中學(xue)(xue)習，并(bing)且在某些方面甚(shen)至可以(yi)超越其(qi)限(xian)制(zhi)，實(shi)現更(geng)優異的(de)功能(neng)。
大腦作為一個智能系(xi)統(tong)，啟發了許(xu)多(duo)人工智能領域(yu)(yu)的(de)發展。最初的(de)神經網(wang)絡(luo)模型在(zai)上個世紀90年代(dai)達(da)到巔峰，但(dan)后來隨著深度學(xue)習(xi)的(de)興起，特(te)別是卷積神經網(wang)絡(luo)在(zai)圖像(xiang)處(chu)理(li)(li)領域(yu)(yu)的(de)成功，再(zai)次引發了AI領域(yu)(yu)的(de)熱潮。除了視覺系(xi)統(tong)，還(huan)有(you)處(chu)理(li)(li)語言的(de)神經網(wang)絡(luo)，它們的(de)設計與處(chu)理(li)(li)任(ren)務密切相關。汪小京老師(shi)和楊光宇(yu)等學(xue)者對人工神經網(wang)絡(luo)進行了深入(ru)的(de)研究和介紹。
劉健老師(shi)則專注(zhu)于(yu)脈(mo)沖神經網絡(luo)的研(yan)究，這種網絡(luo)使用(yong)脈(mo)沖而(er)非速率進(jin)行信息傳遞，更接近(jin)生物神經系統的工作方(fang)式，并(bing)具(ju)有(you)(you)低能耗的優勢。強化學習(xi)是另一個受到(dao)大(da)腦啟(qi)發(fa)的領域，它(ta)可以(yi)將動物實驗中的獎(jiang)賞機制轉化為機器學習(xi)模型，從而(er)實現更智能的學習(xi)策略。雖然已有(you)(you)許多相(xiang)關研(yan)究和應用(yong)，但對(dui)于(yu)新進(jin)入(ru)這個領域的人(ren)來說(shuo)，仍需深入(ru)研(yan)究現有(you)(you)文獻，尋找前沿領域并(bing)探索新的研(yan)究方(fang)向。因(yin)此，對(dui)于(yu)生物神經網絡(luo)結(jie)構、動力學和學習(xi)算法等方(fang)面的深入(ru)思考是非常有(you)(you)意義的。
在(zai)(zai)神(shen)(shen)經科學(xue)(xue)領域，機器(qi)學(xue)(xue)習技術的應用(yong)正在(zai)(zai)逐漸成(cheng)(cheng)為(wei)研(yan)究(jiu)的重要(yao)組(zu)成(cheng)(cheng)部分(fen)。神(shen)(shen)經科學(xue)(xue)研(yan)究(jiu)者們面對著神(shen)(shen)經系(xi)統復雜性(xing)的挑戰(zhan)，如何(he)從中提取結構和動力學(xue)(xue)信(xin)息成(cheng)(cheng)為(wei)了一(yi)個(ge)重要(yao)課(ke)題。大數(shu)據時(shi)代的到來使得(de)神(shen)(shen)經科學(xue)(xue)進入了一(yi)個(ge)數(shu)據豐富(fu)的時(shi)代，這(zhe)也(ye)促使著研(yan)究(jiu)者們開始思考如何(he)利用(yong)機器(qi)學(xue)(xue)習技術來處理(li)這(zhe)些海量數(shu)據。
舉例來說(shuo)，醫(yi)(yi)學(xue)(xue)(xue)領域的(de)研究者們利用MRI等影像技術(shu)(shu)(shu)進(jin)行(xing)腫瘤分類識別，并通過(guo)機(ji)器(qi)學(xue)(xue)(xue)習(xi)(xi)技術(shu)(shu)(shu)來進(jin)行(xing)腦區劃分和(he)(he)(he)mapping。在(zai)神(shen)經(jing)動力學(xue)(xue)(xue)研究中，尋找與任務、年齡(ling)和(he)(he)(he)疾(ji)病相關(guan)的(de)特征(zheng)成為(wei)了一(yi)項重(zhong)要(yao)任務，這些特征(zheng)的(de)提取常常需(xu)要(yao)借助(zhu)人工神(shen)經(jing)網絡和(he)(he)(he)深度(du)(du)學(xue)(xue)(xue)習(xi)(xi)模(mo)型。例如，通過(guo)融合深度(du)(du)學(xue)(xue)(xue)習(xi)(xi)和(he)(he)(he)影像學(xue)(xue)(xue)技術(shu)(shu)(shu)，可(ke)以(yi)預測一(yi)個人的(de)年齡(ling)，這種應(ying)用對醫(yi)(yi)學(xue)(xue)(xue)診斷和(he)(he)(he)疾(ji)病監測具有重(zhong)要(yao)意義(yi) (Cole & Franke, 2017)。此(ci)外，圖神(shen)經(jing)網絡在(zai)認(ren)知(zhi)研究中也發揮著(zhu)(zhu)重(zhong)要(yao)作用，它可(ke)以(yi)分析腦電(dian)信號和(he)(he)(he)腦結(jie)構之間的(de)關(guan)系，為(wei)神(shen)經(jing)科學(xue)(xue)(xue)研究提供了新的(de)視角 (Klepl et al., 2024)。盡管機(ji)器(qi)學(xue)(xue)(xue)習(xi)(xi)技術(shu)(shu)(shu)在(zai)神(shen)經(jing)科學(xue)(xue)(xue)領域的(de)應(ying)用正(zheng)在(zai)迅速(su)增長，但其中仍然(ran)存在(zai)著(zhu)(zhu)一(yi)些挑戰，如特征(zheng)的(de)可(ke)解(jie)釋性(xing)等問題，這需(xu)要(yao)結(jie)合領域專(zhuan)業知(zhi)識進(jin)行(xing)深入(ru)研究。隨著(zhu)(zhu)機(ji)器(qi)學(xue)(xue)(xue)習(xi)(xi)技術(shu)(shu)(shu)在(zai)神(shen)經(jing)科學(xue)(xue)(xue)領域的(de)不斷發展，相信未來將會(hui)有更多的(de)創(chuang)新和(he)(he)(he)突破。
最近，一個新興(xing)且引(yin)人(ren)注目的方(fang)向是將機(ji)器學(xue)習應用于(yu)神(shen)經(jing)(jing)(jing)科學(xue)領域。機(ji)器學(xue)習本身源自于(yu)對人(ren)類(lei)大(da)腦的模(mo)仿，但現在，我(wo)們可(ke)以(yi)將機(ji)器學(xue)習作(zuo)為(wei)(wei)一種模(mo)型來理解(jie)大(da)腦的神(shen)經(jing)(jing)(jing)表(biao)征和(he)計(ji)算原理。想象一下，我(wo)們可(ke)以(yi)將輸(shu)入(ru)(ru)給大(da)腦的圖像輸(shu)入(ru)(ru)到(dao)人(ren)工智(zhi)能系統中，然后(hou)觀察其特征。就像人(ren)類(lei)接(jie)收(shou)外界刺激后(hou)產生行為(wei)(wei)一樣，人(ren)工神(shen)經(jing)(jing)(jing)網絡(luo)也可(ke)以(yi)通過模(mo)擬(ni)(ni)類(lei)似的任務(wu)輸(shu)出(chu)類(lei)似的行為(wei)(wei)。例如，我(wo)們可(ke)以(yi)使用人(ren)工神(shen)經(jing)(jing)(jing)網絡(luo)模(mo)擬(ni)(ni)工作(zuo)記憶的任務(wu)，測試其在識別(bie)顏色(se)和(he)保持顏色(se)信息(xi)方(fang)面的表(biao)現。
通過人工神經網(wang)絡(luo)的(de)(de)(de)(de)表(biao)征(zheng)，我們(men)希望能(neng)夠(gou)理(li)解刺激(ji)與(yu)行為(wei)之間(jian)的(de)(de)(de)(de)映射關(guan)系，從而揭示(shi)大腦計算和表(biao)征(zheng)的(de)(de)(de)(de)原理(li)。這種(zhong)研究方(fang)法對于(yu)神經科學的(de)(de)(de)(de)發展具有重要意義，因為(wei)它提供(gong)了(le)一個邏輯(ji)上(shang)的(de)(de)(de)(de)框架，可(ke)以比(bi)較(jiao)不(bu)同模型之間(jian)的(de)(de)(de)(de)相似性。盡管不(bu)同模型的(de)(de)(de)(de)實現方(fang)式可(ke)能(neng)不(bu)同，但它們(men)在某種(zhong)程度上(shang)可(ke)能(neng)會共(gong)享相似的(de)(de)(de)(de)動(dong)力(li)學和結構原理(li)。
這(zhe)種(zhong)方法(fa)(fa)的(de)優勢在于(yu)我們可以通過訓(xun)練人工神(shen)經網(wang)絡(luo)執行類似于(yu)動物或人類的(de)任(ren)務，然后(hou)比較其表征方式。與動物實驗相比，人工神(shen)經網(wang)絡(luo)模型(xing)更(geng)(geng)容易解釋，因此可以為神(shen)經科(ke)學(xue)研究提供更(geng)(geng)多的(de)啟發。此外，這(zhe)種(zhong)方法(fa)(fa)還可以幫助我們理解大(da)腦(nao)的(de)基本(ben)原(yuan)則，從而推動神(shen)經科(ke)學(xue)領(ling)域的(de)進步(bu)。
最近的(de)研究表(biao)明，我(wo)們(men)可以通(tong)過(guo)比較(jiao)大(da)腦(nao)和人工智能模型的(de)表(biao)征來(lai)理解它們(men)之(zhi)間(jian)的(de)相(xiang)似(si)(si)性。在機器學習中，我(wo)們(men)經(jing)常使用(yong)表(biao)征空間(jian)中的(de)相(xiang)似(si)(si)性來(lai)對(dui)不同對(dui)象進行(xing)分類(lei)。例如，當(dang)我(wo)們(men)刺激大(da)腦(nao)觀察(cha)手(shou)的(de)圖片時，不同手(shou)勢在表(biao)征空間(jian)中可能會(hui)聚集在一起(qi)，形成相(xiang)似(si)(si)性群。然而，不同的(de)手(shou)勢之(zhi)間(jian)在表(biao)征空間(jian)中的(de)距離會(hui)隨著它們(men)的(de)不同而變化，從而使得我(wo)們(men)可以通(tong)過(guo)表(biao)征空間(jian)的(de)距離來(lai)區分刺激信號。
這種(zhong)相(xiang)似性(xing)(xing)表示的概(gai)念也可以(yi)(yi)(yi)應(ying)用(yong)于大腦研究中。當大腦產生特定活動(dong)模式時，不同(tong)刺激可能會(hui)引發(fa)類似的響(xiang)應(ying)模式，這被稱為(wei)相(xiang)似性(xing)(xing)表征。通過比較(jiao)模型(xing)生成的相(xiang)似度(du)矩陣和(he)大腦的相(xiang)似度(du)矩陣，我們(men)可以(yi)(yi)(yi)確定它們(men)之(zhi)間是否(fou)存(cun)在相(xiang)似性(xing)(xing)。這種(zhong)方法可以(yi)(yi)(yi)幫助(zhu)我們(men)理解大腦的抽象表征空間，以(yi)(yi)(yi)及它們(men)如何影響(xiang)行為(wei)表現(xian)。
舉(ju)個例子(zi)，研究人員通(tong)過訓練卷積神(shen)經(jing)網(wang)(wang)絡來理解大(da)(da)(da)腦視(shi)覺(jue)系統的(de)層次處理過程。他們(men)發(fa)(fa)現(xian)，在網(wang)(wang)絡的(de)不同層次中，隱含的(de)表(biao)征會逐(zhu)漸聚(ju)集(ji)成群。通(tong)過與測量大(da)(da)(da)腦活動的(de)數據(ju)進(jin)(jin)行比較，他們(men)發(fa)(fa)現(xian)大(da)(da)(da)腦的(de)初級視(shi)覺(jue)皮層與深(shen)度神(shen)經(jing)網(wang)(wang)絡的(de)前幾層的(de)相似(si)性(xing)較高。這表(biao)明大(da)(da)(da)腦可能(neng)采用了類似(si)于深(shen)度網(wang)(wang)絡的(de)表(biao)征方式來進(jin)(jin)行信息處理。
最近的(de)(de)(de)(de)研(yan)究(jiu)表明，通過(guo)建立循環神經網絡，我(wo)們(men)可(ke)以模擬汪小京老師等研(yan)究(jiu)人員在決策領域的(de)(de)(de)(de)重(zhong)要發現。這種網絡能夠根據輸(shu)入(ru)的(de)(de)(de)(de)刺激，如信(xin)號a或(huo)信(xin)號b，做出(chu)決策，并(bing)且與生(sheng)物(wu)大(da)腦(nao)(nao)的(de)(de)(de)(de)行為表現非常相似(si)。通過(guo)在網絡中引入(ru)生(sheng)物(wu)學特(te)征，如稀疏化或(huo)神經元抑制(zhi)，我(wo)們(men)可(ke)以更(geng)好地理解決策信(xin)息的(de)(de)(de)(de)積累過(guo)程(cheng)，以及大(da)腦(nao)(nao)是(shi)如何處理這些信(xin)息的(de)(de)(de)(de)。
另一個重要的(de)研究方(fang)向是(shi)多任務(wu)學(xue)習(xi)，汪小京老師等(deng)人在(zai)這(zhe)方(fang)面也取得了(le)一些(xie)突破。他們訓(xun)練(lian)了(le)多個任務(wu)，并觀(guan)察到在(zai)網絡(luo)中(zhong)某(mou)些(xie)神經元的(de)發放形(xing)成了(le)對(dui)應于特定任務(wu)類別的(de)模(mo)(mo)式。這(zhe)些(xie)研究揭示了(le)大腦(nao)在(zai)不同(tong)任務(wu)之間分(fen)化和整合的(de)基本特征，并且(qie)通過機器學(xue)習(xi)模(mo)(mo)型的(de)分(fen)析可以更好地理解這(zhe)一過程。
此外(wai)，語(yu)言模型也成為了(le)研(yan)(yan)究(jiu)的(de)熱點之一。它們(men)(men)具有強大(da)的(de)語(yu)言生成能(neng)力，并且(qie)能(neng)夠預測下一個詞出(chu)現的(de)概率，類(lei)(lei)似(si)于人(ren)類(lei)(lei)的(de)語(yu)言處(chu)理(li)能(neng)力。通過研(yan)(yan)究(jiu)模型的(de)內(nei)部表(biao)征和(he)大(da)腦(nao)在處(chu)理(li)語(yu)言上下文(wen)時的(de)特征，我們(men)(men)可(ke)以(yi)更深入地了(le)解大(da)腦(nao)是如何實現類(lei)(lei)似(si)功能(neng)的(de)。這些(xie)研(yan)(yan)究(jiu)不僅可(ke)以(yi)幫助我們(men)(men)理(li)解大(da)腦(nao)的(de)工作機制(zhi)，還(huan)可(ke)以(yi)啟發我們(men)(men)設計更加智能(neng)的(de)人(ren)工系統。
我(wo)們通過機器學習的(de)(de)訓(xun)練來理解大腦如何處理時(shi)間(jian)(jian)(jian)信息。這涉及(ji)到(dao)在(zai)工作記(ji)憶中維持時(shi)間(jian)(jian)(jian)、跳舞時(shi)的(de)(de)時(shi)間(jian)(jian)(jian)記(ji)憶與空間(jian)(jian)(jian)記(ji)憶的(de)(de)關系，以(yi)及(ji)神經(jing)元活動與時(shi)間(jian)(jian)(jian)感(gan)知的(de)(de)關聯。畢剛棟老(lao)師(shi)（目前(qian)在(zai)上海臨(lin)港實驗(yan)室）的(de)(de)研究成果，取得了一(yi)些重要進展。
通過人工神(shen)經(jing)網(wang)絡的(de)(de)訓練，我們(men)(men)可以(yi)模擬(ni)動物實驗中關于(yu)時(shi)間(jian)(jian)的(de)(de)工作記憶。神(shen)經(jing)元的(de)(de)活(huo)(huo)動模式與持續時(shi)間(jian)(jian)相關，并(bing)且(qie)通過神(shen)經(jing)元活(huo)(huo)動的(de)(de)變化速度來表征(zheng)時(shi)間(jian)(jian)信息。此外，我們(men)(men)通過對(dui)神(shen)經(jing)元活(huo)(huo)動的(de)(de)分析發現，時(shi)間(jian)(jian)表征(zheng)與空(kong)間(jian)(jian)表征(zheng)在大腦中是相對(dui)獨立的(de)(de)，這為我們(men)(men)理解時(shi)間(jian)(jian)處理的(de)(de)神(shen)經(jing)機制提供了重要線. 通過人工神(shen)經(jing)網(wang)絡模擬(ni)動物實驗中關于(yu)時(shi)間(jian)(jian)的(de)(de)工作記憶
在神(shen)(shen)經(jing)科學(xue)領域，研究人員一(yi)直(zhi)在探索大腦如何(he)處理時間信息(xi)。通過(guo)對神(shen)(shen)經(jing)元(yuan)活(huo)動(dong)的研究，我們可以了解(jie)到神(shen)(shen)經(jing)元(yuan)在時間維度上的動(dong)態變化(hua)。研究發現，神(shen)(shen)經(jing)元(yuan)的活(huo)動(dong)呈現出一(yi)種持續的演化(hua)軌跡，這(zhe)種軌跡可以用來表征時間的流(liu)逝。但(dan)是，一(yi)個(ge)關鍵的問題是，在一(yi)個(ge)全連接的神(shen)(shen)經(jing)網絡(luo)中，為什么會出現這(zhe)種持續的時間變化(hua)呢？
我們發(fa)現(xian)，神經元之(zhi)間存(cun)在著一(yi)種(zhong)連鎖反應的(de)(de)機(ji)制(zhi)。當一(yi)組神經元發(fa)放信號(hao)時(shi)，會(hui)引發(fa)另一(yi)組神經元的(de)(de)活動，并抑(yi)制(zhi)之(zhi)前組的(de)(de)活動，形成了(le)一(yi)種(zhong)序列(lie)傳遞的(de)(de)模式。這種(zhong)連鎖反應的(de)(de)存(cun)在，使(shi)得神經元的(de)(de)活動呈(cheng)現(xian)出一(yi)種(zhong)序列(lie)性(xing)的(de)(de)特征。
在(zai)進行多個任(ren)(ren)務時，我們也可以觀察(cha)到(dao)類似的(de)模(mo)式(shi)。不(bu)同的(de)空間任(ren)(ren)務會激(ji)發不(bu)同的(de)序(xu)列，而一旦某個序(xu)列被激(ji)活，它(ta)會抑制其他序(xu)列的(de)活動，從而保(bao)持動作的(de)連貫性。
總(zong)的來(lai)說，通過對神(shen)經(jing)動力學(xue)的研究，我(wo)們(men)(men)可以(yi)更好(hao)地理解大(da)腦(nao)是如何處理時(shi)(shi)間(jian)信息的。這種研究不僅可以(yi)幫助我(wo)們(men)(men)理解基(ji)本的神(shen)經(jing)機制(zhi)，還可以(yi)為(wei)我(wo)們(men)(men)解釋復雜任務中的時(shi)(shi)間(jian)處理過程提供新的線. 展望：基(ji)于神(shen)經(jing)復雜性的類腦(nao)人工智(zhi)能
官方微信
官方微博
