|
|
在过去十年中，人工智能 （Artificial intelligence，AI) 经历了一场改变经济、社会和科学的革命。以惊人的步伐解决了曾经难以解决的问题，尤其是在神经科学方面的发展令人兴奋。
因此，冷泉港实验室的Anthony Zador与加拿大麦吉尔大学的Blake Richards、美国加州大学伯克利分校的Doris Tsao合作，于2022年7月21日在《Cell》杂志上在线发表题为“The application of artificial intelligence to biology and neuroscience”的评述文章。讨论了AI在分析和解释生命科学特别是神经科学方面的影响，引起了广泛的关注。这也是该领域最新的评述。
1. 什么是人工智能？
人工智能 (AI) 一词没有严格的定义。从广义上讲，人工智能是指旨在模仿人类智能的计算机系统，其目标是执行人类可以执行的任何任务（图1）。人工智能系统能够看到非常高维数据中的模式，因此可以作为强大的工具来帮助而不是取代人类研究人员，这样的人工智能系统具有可以补充人类的优势。AI的灵感来源于人的神经系统，几乎所有的现代AI系统都依赖于人工神经网络 (Artificial neural networks，ANN)数据模型。
图1 “从文本到图像”--人工智能的成功范例（在系统输入是文本“三个盲人触摸一头大象试图找出它是什么，除了盲人就是人形机器人。”，图像由人工智能系统自动生成）
人工智能有三种从数据中提取结构的经典范式：1）“监督学习”，数据由输入项目及其标签对组成，可以看作是非线性回归的一种特别强大的形式；2）“无监督学习”，数据没有标签，目标是找到潜在的统计结构。无监督学习可以看作是经典统计技术的推广，例如聚类和主成分分析；3）“强化学习”，是利用从先前行动中获得的奖励信息来发现实现某个目标的策略。强化学习方法最近已被用于在国际象棋和围棋等游戏、新药设计中实现超人的表现。
本文将讨论人工智能工具在分析和解释生命科学数据方面的影响，特别是神经科学。
2. 用于分析和解释数据的人工智能工具
人工智能的第一个重要应用是开发用于分析和解释数据的工具。例如：①依赖AI工具的运动跟踪软件Deeplabcut ( Mathis et al., 2018 ) 现在可以分析视频以识别和/或标记动物的精确姿势，从而实现更精确的动物特征表征，更好的实现神经记录或扰动期间的动物行为（个人和社会群体）。②显微镜数据突触重建系统MICrONS (MICrONS 联盟，2021），使用机器学习中的分割和跟踪算法从串行电子显微镜数据中重建突触连接图，此系统正在改变收集和解释实验数据的方式。③基于AI的方法，用于从一维氨基酸序列预测3D蛋白质结构的Alphafold-2，超越了先前所有的算法（Jumper 等人，2021）。
人工智能AI也适用于生物学的许多其他领域，如蛋白质建模、基因序列分析、医学诊断和药物发现等多个领域。本评述主要聚焦在人工智能在神经科学中的应用。
3. 模拟大脑的人工智能工具
ANN 最初是作为大脑模型开发的，因此人工智能的重要应用是使用人工神经网络作为神经计算模型，如 John von Neumann（发明了现代“von Neumann”计算机架构）和 Frank Rosenblatt（发明了“感知器”，第一个从示例中学习的神经网络系统）所说，其目标不仅是制造可模仿人类思维和推理的机器，同时也可以了解大脑如何计算（Lindsay et al., 2021）。1980年代，认知科学家进一步追求将人工神经网络用作真实神经计算模型，其明确目标是理解和模拟人类认知。同时，导致”强化学习”发展的研究主要关注模拟动物如何从“试错”中学习（Sutton and Barto 2018）。当时认知科学的一个关键驱动因素是我们可以将智能作为一种普遍现象来研究，使用人工智能模型来理解思维，进而来构建更好的人工智能系统。因此在不同领域的研究人员中，引发了一场大规模的跨学科互动。（图2）
尽管人工智能模型在认知科学和神经科学中的应用在1990年代和2000年代初处于低靡期，但随着强大计算能力的产生、庞大数据集的收集以及对模型的新调整，使得“深度学习”获得巨大成功，此举重新点燃了大家对其的研究热情。在此期间，神经科学家也开始将ANN 用于最初的预期目的，作为真正的神经计算模型（Richards et al.，2019）。在某种程度上，得益于新开发的用于监测大量神经元活动的实验技术，这使得研究人员能够更直接地比较人工神经网络和真实大脑，在相关任务中训练的人工神经网络中出现的表征与真实大脑中出现的表征相似（Richards et al.，2019）。这种对应已经出现在许多大脑区域的前馈和递归神经网络中，包括低级和高级视觉区域、语言区域、运动区域和前额区域（Yamins et al.，2014）。与此同时，对理解大脑的学习和可塑性感兴趣的计算神经科学家开始研究用于训练人工神经网络的技术，并发现一些相同的原理理论上可以在大脑中发挥作用（Richards et al.，2019）。
同时，人们也重新希望神经科学能够为开发新的人工神经网络方法提供参考，进一步推动人工智能的发展。不可否认，在很多方面大脑显然优于人工神经网络，而这些领域为人工神经网络模型的启发提供了丰富的基础。例如，“灾难性遗忘”的机器学习，学习新的东西会导致旧样本的遗忘。最近，美国国防部高级研究计划局（DARPA）提出了一项重大挑战——将“replay”这一生物学机制（海马体重新激活已经学习的记忆），确定为最有效的解决方案（Kudithipudi et al.，2022）。另一个重大挑战是“基因组瓶颈”（genomic bottleneck），认识到大量动物（包括人类）行为是与生俱来的，可能是以某种方式嵌入基因组中（Koulakov et al.，2021）。综上，神经科学在指导AI解决这些问题方面将发挥重要的支撑作用。
图2 人工神经网络如何帮助我们理解大脑功能和可塑性
4. 未来展望
人工智能是分析高维数据的新工具，正在影响所有科学领域，尤其是在神经科学领域，人工智能正在提供强大的新模型来解释大脑的计算方式。使用人工智能作为神经计算模型，可以说是实现了人工智能最初的诞生目的。理解大脑意味着什么？在神经科学的发展史中，答案一直是 “能够通过一个简单的模型来解释尽可能多的神经活动”。然而，随着包含数百万参数的模型的出现，“简单解释”的概念正在变得模糊。那么用一个包含无数单元的神经网络来解释大脑区域的价值是什么？这些单元本身可能还没有被很好地理解？从实现新的预测到脑机接口这种实际应用，存在无数种答案。
伟大的物理学家理查德·费曼（Richard Feynman）有句名言：“I do not understand what I cannot build（我不明白我不能建造的东西）”，最近人工智能的成功却表明“I cannot understand even that which I can build（我甚至无法理解我能建造的东西）”。即使在深度学习领域，也有一种强烈的感觉，那就是深不可测。该领域目前正在以一种进化模式发展，其中最成功的模型之所以能登上顶峰，与其说是基于基本原理的工程，不如说是由于适者生存。人们现在对理论机器学习的兴趣越来越浓厚，希望对有效模型有更深入的理解。对于神经科学家来说，这提出了一个问题:当我们不了解完全透明的深层网络的原理时，克服难以置信的技术挑战，记录包裹在坚硬而不透明的颅骨内的脆弱脑组织中的微小神经元的活动，有什么价值？在这种网络中，每一个单元对任何刺激/扰动的反应都可以立即被测量。一个意志坚定的研究生可能会回答:“The machines aren’t conscious, and I want to understand an intelligence capable of begetting consciousness（机器没有意识，而我想了解一种能够产生意识的智能）。”如果有一天，机器真的宣称它们是完全有意识的呢？那些渴望了解大脑的神经科学家们，真的会把显微镜和电极扔掉吗？
文章来源： |
|
发表于 2022-9-22 11:47:53