Neuron：神经科学家使用人工智能来模拟大脑如何理解视觉世界

地形深度人工神经网络预测人类大脑视觉系统多个部分的功能反应和空间组织

　　

斯坦福大学吴蔡神经科学研究所的一个研究小组在利用人工智能复制大脑如何组织感官信息以理解世界方面取得了重大进展，为虚拟神经科学开辟了新的领域。

看着时钟上一秒一秒地过去，在你大脑的视觉区域，当秒针扫过钟面时，相邻的角度选择神经元群会依次放电。这些细胞形成了美丽的“风车”地图，每个部分代表了不同角度的视觉感知。大脑的其他视觉区域包含更复杂和抽象的视觉特征的地图，比如熟悉的面孔和地方的图像之间的区别，这激活了不同的神经“街区”。

这样的功能图可以在整个大脑中找到，这让神经科学家既高兴又困惑，他们长期以来一直想知道为什么大脑应该进化出一种只有现代科学才能观察到的类似地图的布局。

为了解决这个问题，斯坦福大学的团队开发了一种新的人工智能算法——一种地形深度人工神经网络(TDANN)——它只使用两个规则:自然的感官输入和连接的空间约束;并发现它成功地预测了人类大脑视觉系统多个部分的感觉反应和空间组织。

经过7年的广泛研究，这些发现发表在5月10日的《神经元》杂志上的一篇新论文中——“早期和高级腹侧视觉皮层功能组织的统一框架”。

该研究小组由吴仔神经科学研究所教授、心理学和计算机科学助理教授丹·亚明斯领导;以及研究所下属心理学教授Kalanit Grill-Spector。

与传统的神经网络不同，TDANN结合了空间限制，将其虚拟神经元排列在二维“皮层薄片”上，并要求附近的神经元共享对感觉输入的类似反应。当模型学会处理图像时，这种地形结构使其形成空间地图，复制大脑中的神经元如何组织自己以响应视觉刺激。具体来说，该模型复制了复杂的模式，如初级视觉皮层(V1)的风车结构和高级腹侧颞叶皮层(VTC)的神经元簇，这些神经元簇对面孔或地点等类别做出反应。

该研究的主要作者Eshed Margalit与Yamins和Grill-Spector一起完成了博士学位，他说该团队使用自我监督学习方法来帮助模拟大脑的训练模型的准确性。

“这可能更像是婴儿学习视觉世界的方式，”Margalit说。“我认为我们最初并没有预料到它会对训练模型的准确性产生如此大的影响，但你真的需要正确地完成网络的训练任务，才能让它成为一个好的大脑模型。”

这个完全可训练的模型将帮助神经科学家更好地理解大脑如何组织自己的规则，无论是像本研究中那样的视觉，还是其他感觉系统，如听觉。

“当大脑试图了解这个世界的某些东西时——比如看到一个人的两张快照——它会把反应相似的神经元放在大脑中，并形成地图，我们认为，这一原则也应该适用于其他系统。”

这种创新的方法对神经科学和人工智能都有重要的意义。对于神经科学家来说，TDANN提供了一个新的视角来研究视觉皮层是如何发育和运作的，可能会改变神经系统疾病的治疗方法。对于人工智能来说，从大脑组织中获得的见解可以带来更复杂的视觉处理系统，类似于教计算机像人类一样“看”。

这些发现也有助于解释人类大脑是如何以如此高的能量效率运作的。例如，人类的大脑可以用20瓦的功率计算数十亿亿次数学运算，而超级计算机需要100万倍的能量才能完成同样的数学运算。新的发现强调，神经元地图——以及驱动它们的空间或地形限制——可能有助于保持连接大脑1000亿个神经元的线路尽可能简单。这些见解可能是设计更高效的人工系统的关键，这些系统的灵感来自于大脑的优雅。

“人工智能受到功率的限制，从长远来看，如果人们知道如何以更低的功耗运行人工系统，这可能会推动人工智能的发展。”

更节能的人工智能可以帮助发展虚拟神经科学，在那里实验可以更快、更大规模地进行。在他们的研究中，研究人员证明了他们的地形深度人工神经网络可以对广泛的自然视觉刺激产生类似大脑的反应，这表明这种系统在未来可以作为快速、廉价的神经科学实验原型的游乐场，并为未来的测试快速确定假设。

虚拟神经科学实验也可以促进人类医疗保健。例如，更好地训练人工视觉系统，就像婴儿在视觉上学习世界一样，可能会帮助人工智能像人类一样看待世界，在人类眼中，视线的中心比视野的其他部分更清晰。另一个应用可以帮助开发视觉假肢，或者精确模拟疾病和损伤如何影响大脑的某些部分。

Grill-Spector说:“如果你能做出预测，这将有助于为失明的人开发假肢设备，我认为这将是一件了不起的事情。”