認知神經(jīng)原理
今年9月16日，科技部網(wǎng)站正式發(fā)布科技創(chuàng)新2030“腦科學與類腦研究”重大項目2021年度項目申報指南的通知，涉及59個研究領域和方向，國家撥款經(jīng)費預計超過31.48億元人民幣。
中國科學院院士、中科院腦科學與智能技術卓越創(chuàng)新中心學術主任蒲慕明在2021世界機器人大會上指出，在腦科學基礎研究外有兩項應用研究，一是腦疾病的診斷和治療，另一個是腦機智能技術。類腦研究并不是模擬腦，而是將相關概念應用到人工智能中。以下為現(xiàn)場報告整理。
認知神經(jīng)原理
首先談談何謂“認知神經(jīng)原理”，到底包含哪些認知功能？最重要的基本認知功能包括感覺、知覺、記憶、學習，還有情感、情緒、注意、抉擇等，這些是很多動物神經(jīng)系統(tǒng)都有的認知功能，需要理解其工作原理。
另一方面還有一些高級的認知功能，包括要通過長期證據(jù)搜集做出的比較復雜的抉擇、根據(jù)證據(jù)的評價做出的抉擇、共情心、對他人的理解等，這是所謂的社會行為與親社會行為的基礎。還有更高級的意識和語言的認知功能。這些神經(jīng)環(huán)路和工作原理是很多低等動物所沒有的，必須研究靈長類以上的動物才能夠解析這些功能。
對于基本和高級的認知功能，我們想知道其發(fā)育過程是怎么產(chǎn)生的。因為這些環(huán)路的形成與遺傳因素、環(huán)境因素直接相關。環(huán)境和遺傳因素怎樣交互作用而產(chǎn)生神經(jīng)環(huán)路，這是神經(jīng)科學的一個重大問題。
在研究基礎問題時，我們需要各種模式動物——即脊椎動物中最基本的斑馬魚到哺乳類的小鼠、獼猴等。我們希望能夠有一個全景式的繪制圖譜，取得結構的信息，進一步認識它的工作原理。
重大腦疾病的診斷和治療
重大腦疾病的定義是在早期、幼年期的各種自閉癥和智障，這是發(fā)育性疾病。在成年期的抑郁癥和成癮屬于精神類疾病。在老年期有退行性疾病，就是神經(jīng)系統(tǒng)退化造成的阿爾茲海默癥、帕金森等。這些均是造成目前社會負擔的重大疾病，我們希望能夠了解其致病機理，然后針對機理做診斷和治療。
到現(xiàn)在為止，絕大多數(shù)的腦疾病機理仍然尚未厘清。真正要理解這些機理可能還要數(shù)十年的時間，但是社會醫(yī)療可能等不了那么久。因此希望在沒有完全理解致病機理前，能夠確定疾病的預警信息和早期診斷指標。我們可以獲得血液和腦脊液分子、腦影像數(shù)據(jù)、腦功能直接檢測指標等，獲得這些指標之后，如果能夠判斷哪些指標在早期就出現(xiàn)異常現(xiàn)象，可以針對癥狀提前做出干預。
這些干預包含了各種藥理、藥物的研發(fā)，還包含了各種生理和物理的刺激技術。藥物研發(fā)通常是比較緩慢的一個過程，但是物理和生理刺激技術在很多臨床中已經(jīng)開始廣泛地被應用。所謂的干預其實包括藥理、生理和物理的干預。研究這些干預手段需要有各種模式，希望有與人類比較相近的、帶有人類疾病癥狀的動物如獼猴模型來做藥物研發(fā)，并以其做為各種生理、物理干預研發(fā)的對象。在這種猴類模型中獲得了結果后，再進入人體進行臨床研究，這是最有效的開發(fā)干預手段的方法。
腦機智能技術分析
另一應用被統(tǒng)稱為“腦機智能技術”，包含了大腦與機器之間的融合，即腦機接口和腦機融合的各種方法和模型。這些腦機接口也可以被用于調(diào)控大腦的活動，包括光、電、磁、超聲等。這種調(diào)控技術也包含在研發(fā)的腦機智能技術中。如今國際上有一些腦機接口應用在醫(yī)療上的例子，這些腦機接口包含著如何從大腦獲取信息，然后操控身體外的器械。另外一方面是用身體外的信息來控制大腦，用器械產(chǎn)生的信息控制大腦。這種雙向的腦機接口，一個是記錄，一個是調(diào)控。閉環(huán)式的、有反饋式的腦機接口調(diào)控技術，是未來這一領域開發(fā)的重要前景。
另一方面，腦機智能技術還包括對機器人工智能的研究，包括新一代機器學習的算法。類腦芯片、類腦處理器、類腦計算機等，這些都是目前正在前沿研究中的技術，也是人工智能的前沿領域中很受關注的領域。
當然，我們希望未來的機器人、基于類腦研究獲得的智能體，能夠應用于服務人類的機器人系統(tǒng)。目前許多腦基智能技術——包含對大數(shù)據(jù)的處理、如何有效地處理外界的信息等，是否可以從中獲得新的信息處理機制和新算法理論等，都是這個領域需要關注的內(nèi)容。
復雜的大腦與腦科學研究
大腦的網(wǎng)絡極其復雜，人類的大腦可能是宇宙中最復雜的物體。從結構上說，大腦包含近千億的神經(jīng)細胞，通過百萬億的連接組成了網(wǎng)絡。每個神經(jīng)細胞都至少與一千個以上的神經(jīng)元連接。這些網(wǎng)絡非常復雜且有特異性，并不是混亂的連接。它的連接具有自己的功能，在網(wǎng)絡中有特殊的環(huán)路與通道，這些通道是實現(xiàn)各種感知運動和思維功能的環(huán)路。
因此，我們需要理解的是一個復雜網(wǎng)絡中各種特殊環(huán)路的功能，這是研究大腦功能的目標。但在這個網(wǎng)絡中，復雜性不光指神經(jīng)元的數(shù)目多，事實上神經(jīng)元的種類也非常多，現(xiàn)在估計至少有上千類不同的神經(jīng)元，它的形態(tài)、生理性質都不同。
因此腦科學所面臨的一個大問題就是，怎樣能夠區(qū)分這么多不同種類的神經(jīng)元？要了解不同的種類才能知道它的功能，才能夠真正理解其工作原理。
大腦神經(jīng)網(wǎng)絡從結構上看就非常復雜，我們必須理解其在結構上是什么樣的模式，才能進一步理解整個網(wǎng)絡的結構。在此基礎上，還要了解這些連接不是完全混亂的，也不是一成不變。在大腦使用的過程中，會有電波動產(chǎn)生，也會改變神經(jīng)元的結構和功能，連接也會產(chǎn)生變化。這個過程我們稱為“學習”，事實上學習的過程就是感覺信息、認知信息，把神經(jīng)元結構、網(wǎng)絡結構變到新的狀態(tài)，形成記憶。學習記憶的過程，就是整個網(wǎng)絡的可塑性，而這個可塑性是非常重要的，大腦認知功能最主要的基礎就是可塑。
可塑使得一個大腦在使用后，未來在進一步活動時行為會有改變，這就是認知行為。大腦為什么會有這么多復雜、強大的能力，其原因就是認知行為的改變。
我們研發(fā)類腦的人工智能或者類腦的機器學習算法時，關鍵就是如何通過網(wǎng)絡的使用來改變結構與功能，能夠學習大腦是怎么變化的，然后在人工網(wǎng)絡上實現(xiàn)，這是類腦人工智能的關鍵。
可塑性與記憶的形成
要理解類腦人工智能，首先要理解自然大腦的可塑性。近半個世紀前，就有科學家提出了電波動如何改變大腦。一個最通用的學習的法則，多年來統(tǒng)治著腦科學對于可塑性的理解，即赫伯的學習法則——這種法則就是突觸強化或弱化的法則。
還有一個很重要的發(fā)現(xiàn)是大腦的記憶分為短期記憶與長期記憶。一次性學習之后都是短期記憶，而在間隔性學習之后能形成長期記憶。
有意思的是，我們發(fā)現(xiàn)重復學習的時間間隔是非常重要的。特殊的最佳間隔也可以造成最高的強化，但間隔時間太長也不能強化，要有效地轉化。從短期轉化成長期記憶，必須在一個optimal（最優(yōu)的）時間間隔來進行，這在學習理論中有發(fā)現(xiàn)，在心理學上同樣也有這樣的特性。
學習突觸效率的變化，可以造成長期的記憶，但是突觸結構其實是很復雜的，并不是一個簡單的突觸神經(jīng)終端。因此，除了功能上的長期強化與長期弱化、LTP與LTD的變化，伴隨的還有結構上的變化。這種結構上的變化，可以在大腦儲存長期記憶時被發(fā)現(xiàn)。突觸的變化包括功能上傳遞效率的增加、結構變化，可以造成突觸效率的改變，這就是可塑性結構的基礎。
人類的認知都是很多外界信息的元素與成分。比如認識一個面孔，就包含了對方的眼睛、鼻子、嘴巴、頭發(fā)等各種各樣的信息，再整合成一個面孔。那么，這個整合到底是怎么在神經(jīng)網(wǎng)絡中形成呢？這就是信息捆綁的問題。如今腦科學神經(jīng)網(wǎng)絡連接面臨的最大問題之一，就是理解信息是如何捆綁的、是怎么成為整體而感知到信息的？
目前有兩種理論，一種成為聚合模型，另一種就是不需要連接上的聚合，而是用同步放電的模式來聚合。同步放電的模式與連接聚合的模式，都是當前流行的對信息捆綁問題的理解。
改進人工網(wǎng)絡的關鍵性思路
但是在真正大腦里，可能在同步放電的模式下即神經(jīng)元放電的時間相同，造成的反應就是認知。而這種模式，在人工智能網(wǎng)絡模型中很少有人應用。赫伯同步放電模式的假說是非常有用的，對下一步怎么改進人工網(wǎng)絡是一個關鍵性的思路。
赫伯細胞群假說認為，同步電活動可以強化細胞群之間的連接，連接強化后就是儲存的感知信息。比如看到一個圓形，怎么才能感知到這個圓形呢？這個圓形不斷在視野中出現(xiàn)的時候，就激活了一群大腦中的神經(jīng)元。每一個單一的神經(jīng)元都對這個圓形的每一個曲線段有反應。當這個圓形出現(xiàn)的時候，一群神經(jīng)元會同步放電，因為同時被激活。被激活后它們間的連接增強，形成一群連接在一起的神經(jīng)元，我們稱之為神經(jīng)元集群，它編碼了這個圓形。有部分的信息再來時，只要部分神經(jīng)元被激活，整體的這一群神經(jīng)元就都被激活。因此這樣的部分信息就可以提取我們的感知——確實有一個圓形，而且不需要整個圓形就可以認知出來，這就代表了圓形的視覺。這種說法其實也可以同樣用于面孔識別的理解，細胞群儲存的記憶可以儲存相當長的一段時間，這就是細胞群假說的一種看法。
比如祖母的面孔就是一個部分的集群，對“祖母”是一個整體概念。還有各式各樣與祖母相關的概念，這都是一群大超級細胞群?！白婺浮钡母拍罹褪怯蛇@超級細胞群所形成。所以，當我們看到祖母的名字就想起她的面孔，想起她唱的歌、她的聲音等。這都是可以提取的，我認為這是最好的理解概念。一個網(wǎng)絡怎樣譜成概念的最好方式，就是把信息儲存在整個網(wǎng)絡中，分布式地儲存在一個大群細胞之間的連接中。這個假說我們現(xiàn)在正在做許多實驗來加以證實
神經(jīng)網(wǎng)絡是怎么形成的？這是在出生之后，由于經(jīng)驗造成網(wǎng)絡間的強化而形成的。尤其是在出生后到幾歲之間，有大量網(wǎng)絡形成時建立了各種網(wǎng)絡。有些網(wǎng)絡要不斷地修剪，好的網(wǎng)絡就留下來，不好的網(wǎng)絡就削減掉。
整體而言，在幼兒期到青春期時，網(wǎng)絡處于形成的過程，修剪大于生成。但成年后，慢慢地修剪大于生成，造成整體網(wǎng)絡的減化。這就是年紀大了后可塑性下降，記憶慢慢衰退的原因之一。但是如果這些網(wǎng)絡的形成與修剪過程不正常，就會造成各種疾病，這是現(xiàn)在對精神類疾病的網(wǎng)絡異常的一種看法。
類腦研究多重要環(huán)節(jié)
在人工智能中、數(shù)字計算機中，要理解網(wǎng)絡怎樣處理信息，最好的模式是學習兒童是如何產(chǎn)生認知的。我們現(xiàn)在研究類腦智能的發(fā)育過程，就是想從中獲知，網(wǎng)絡是怎樣實現(xiàn)自我改進的？它的結構是隨著學習而變，造成了一個新的、最有效、最高智能的人工網(wǎng)絡。
人工網(wǎng)絡可以借鑒的自然網(wǎng)絡性質很多。人的種類很多，有抑制性、有興奮性的，還有各種不同調(diào)控神經(jīng)元的網(wǎng)絡，形狀、生理放電模式都不一樣?，F(xiàn)在大多數(shù)的人工網(wǎng)絡是正向連接，其實在自然網(wǎng)絡中，有順向、逆向、側向連接，還有非常特異性的連接會造成各式各樣的環(huán)路。
還有功能的可塑性，就是效率可以增強或減弱。這在人工網(wǎng)絡中已經(jīng)得到應用，人工網(wǎng)絡中最常用的學習模式和機器學習算法就是長期學習、長期增強或減弱可塑性的應用。除了功能的可塑性，還有結構的可塑性，及時網(wǎng)絡可以增加連接、減少連接，會出現(xiàn)新生與修剪。這是現(xiàn)在人工網(wǎng)絡還沒有真正考慮到的結構變化。
此外，可塑性可以傳播，這也是在自然網(wǎng)絡中被發(fā)現(xiàn)的。它有各式各樣傳播的模式，可以造成可塑性的變化。記憶有短期和長期記憶，結構與效率的改變就是記憶的貯存。但是貯存的記憶會消退，隨著時間消退，自發(fā)活動可以被清洗，但是短期記憶又可以轉換為長期記憶。規(guī)則性的重復很重要，可以引進到記憶學習的人工網(wǎng)絡中。記憶也可以消除，有各種模式和記憶提取等，在自然網(wǎng)絡中提取是將記憶再現(xiàn)，電活動的重新出現(xiàn)作為記憶提取的模式。對與學習相關的一群突觸都可以同時修飾，這種強化學習在人工網(wǎng)絡已經(jīng)開始應用，但是人工網(wǎng)絡的強化學習沒有特異性。
集群是最重要的概念。在網(wǎng)絡之中，它是一個集群的概念、一種嵌套式的集群。各種成分是由不同的集群造成的，集群之間還可以造成連接的變化、造成集群的集群。這種嵌套式是各種信息捆綁的重要模式。這種多模態(tài)的信息就靠著這種捆綁，但是捆綁的關鍵是要同步活動振蕩，或者有相差的耦合活動來捆綁不同集群，而且是不同腦區(qū)的集群。
如何將其運用到人工的類腦研究中、怎樣利用到人工網(wǎng)絡的學習算法中，其中很關鍵的就是要把時間的信息放到人工智能里。我認為脈沖的神經(jīng)網(wǎng)絡非常重要，利用脈沖網(wǎng)絡可以更好地貯存時間信息。然后在時間信息之上可以做同步信息的捆綁，來實現(xiàn)嵌套式信息捆綁的過程，從而產(chǎn)生各種多模態(tài)的整合和各種概念的貯存、提取。
類腦研究并不是模擬腦，而是將這些概念怎樣應用到人工智能中。這是概念的應用，而不是要模擬整個人腦連接如何形成的，這就太復雜了，而且在目前來看是做不到的。
