转载

我们真的找对了方法？新研究为欧美脑计划敲响警钟

UC Berkeley 的最新研究告诉我们，大部分研究者用于分析大脑运行规律的算法也许并不准确。

神经科学就像其他很多学科一样，对获取数据有着无穷的欲望。在 2013 年，前总统奥巴马宣布的美国脑计划——和同年的欧盟脑计划一样，都致力于探寻人类大脑中数千个神经细胞的交互形式。科学家们希望在数量庞大的信息中找到一些规律，能让我们距离揭开大脑运行机制的面纱更进一步。

但是最近在 PLOS 计算生物学上发表的一篇论文对于量变能否产生质变提出了质疑。Eric Jonas 等人使用了神经科学界常用的方法：将人类大脑与计算机类比。就像大脑一样，计算机通过电信号与复杂的环路来处理信息。我们知道计算机的所有运行机制，而面对大脑却只能假设。

Eric Jonas 来自 UC Berkeley，论文的共同作者 Konrad Kording 则来自西北大学，他们都拥有神经科学和电子工程的复合背景，他们都认为计算机是测试现代神经科学分析工具的最佳方法。他们的思路是：将这些分析技术应用到计算机芯片中去，看看分析结果是否和计算机架构相符。

他们用于测试的硬件是 MOS Technology 6502 处理器，它是一种 8 位 CPU，于 1975 年面世，曾经在 Atari 游戏机、苹果电脑和 Commodore 上出现。以现在的眼光看来，它显得有点落后——只有 3510 个晶体管。6502 的结构非常简单，这让研究者可以构建一个模型，模拟在运行特定程序时 CPU 中所有晶体管的运行状态，与和这些晶体管相连的数万个通路的所有电压。这一模拟程序每秒钟能够产生 1.5G 的数据，这还处在用于探索大脑运行机制的算法的能力范围内。

大脑向左，芯片向右

对比受损和健康大脑的不同特性是一个常见的脑科学研究方式。如果特定部位受损的大脑展现出另一种预测行为，研究人员就可以得知这一部分脑区主要负责处理何种任务。以老鼠为例，如果掐断海马体（两个位于大脑底部，细长形状的小结构）就可以有效地影响它们识别物体的能力。

当应用于芯片时，这种方法呈现了有趣的假阳性。研究人员发现，禁用一个特定的晶体管组就可以完全阻止「Donkey Kong」程序（第一个出现超级马里奥形象的游戏）启动。「这也许是一个错误，」Jonas 说道。「它们不像是组成基础计算功能循环，实现软件加载的一部分，而更像是其他的什么东西。」

另一种神经科学研究方法，是寻找神经细胞群的活动与特定行为之间的相关性。在芯片上，研究人员的算法发现其中五个晶体管的活动与屏幕上显示图像的亮度强烈相关。然而再一次，这个发现随即被否定了。Jonas 和 Kording 知道这些晶体管的计算结果并不会直接与屏幕显示的内容相关（在 Atari 游戏机中，显示处理的工作由 Television Interface Adaptor 芯片完成）。这些晶体管只包含一些简单的意义——它们被程序的某些部分使用，最终决定屏幕上会出现什么。

对此，研究人员分析了这种芯片的接线图（在生物学家那里，对应的东西应该是连接组），随后把这张图输入了分析算法。算法生成了很多看起来让人印象深刻的数据，暗示着芯片处理任务时，内部存在着一些复杂的结构。然而仔细检查以后，这些推论很少被证明成立。这些性状非常具有误导性，而且经不起推敲——这倒很符合真正神经科学令人沮丧的研究历史。研究人员有一个完整的蠕虫连接组（Caenorhabditis elegans，来自 1986 年），其中只包含 302 个神经细胞。现在，我们知道自己对于如此简单的「脑结构」也无能为力了（相比之下，英特尔 Skylake K Core i7 约有 17 亿个晶体管——而且我们清楚它的内部机制）。

「这其中最基本的问题，」Jonas 说道。「在于现代神经科学的研究方式无法探明我们已知的芯片结构，而这对于我们理解真正发生的事情至关重要。计算机芯片由晶体管组成，它们是微小的电子开关。它们被组成逻辑门，从而实现简单的逻辑运算。这些逻辑门又可以组织成为更复杂的结构，如加法器。算术逻辑单元由一系列加法器组成。再往后更为复杂的结构也是这样层层递进的关系。」

但是，用神经科学的方式分析这种高级结构是非常困难的，分析算法无法探知芯片内部的电流如何计算出超级马里奥的形象。这不是神经科学才会遇到的问题，Jonas 把他们遇到的麻烦与人类基因组计划进行了比较，人类基因组计划是一项规模庞大的计划，已于 2003 年结束。科学家们希望通过这一计划攻克癌症、衰老这样的难题。然而十几年过去了，事实证明我们不能从浩如烟海的数据中获得太多启示，我们面对无数条四个字母编写的密码一筹莫展。

人类脑计划也要面临长达十几年的困局吗？或许不会。在这项研究中，算法还是探测到了主时钟信号，它协调 CPU 中不同的部位的运行。同时，一些神经科学家也批评了论文给出的结论，他们认为计算机芯片和大脑的机制并不能完全类比，同样的分析方式并不能直接移植应用。

法国计算机科学与自动化研究所机器学习专家 Gaël Varoquaux 表示：「6502 与当代 CPU 相比，前者和大脑的区别更明显。这种原始的芯片按照顺序处理输入内容。而大脑（和现代 CPU）是多线程同时计算的。」正如他所说的，神经科学在近年来已经走过了很长的一段路。例如在视觉系统的复杂细节上，人们对于大脑如何区分线和面这样的概念已经有了合乎情理的解释。

Jonas 对这些看法表示部分接受。「我并不否认神经科学近年来的成就，」他辩解道，他继续用人类基因组计划作类比。「这项工程产生的数据，以及其后更先进手段收集得来的数据都为人类的基因研究打下了基础，但由基因组计划引起的对于未来的不实际期待则被打破。收集数据是一回事，想搞清楚数据背后的意义，我们还要等很久。」

论文：Could a Neuroscientist Understand a Microprocessor?

我们真的找对了方法？新研究为欧美脑计划敲响警钟

摘要：在神经科学领域，我们有一个普遍的观念：研究非常依赖于数据，在大型数据集和高级分析算法的帮助下，我们可以探求大脑运行方式。这种量级的数据集尚不存在，而且即使它们存在，我们也无法得知我们算法生成的分析结果是否有效。

为了证明这个观点，我们使用了一个具有代表性的微处理器作为生物模型，并进行了一系列实验以检查目前主流的分析方法是否可以理解 CPU 的信息处理方式。微处理器是人造信息处理系统的组成部分，它们形式复杂，同时结构完全已知——从逻辑流程，到逻辑门，再到晶体管的动态。我们的研究展示了现有神经科学分析方法对于 CPU 的运行数据产生了有趣的见解，但这些分析随后被证明对于解释芯片在信息处理时的层级结构毫无意义。这意味着目前神经科学领域的分析方式可能对于我们理解神经系统毫无帮助——无论我们是否拥有足够数据。

此外，我们的研究结果表明，科学家们需要使用复杂非线性动态系统在已知内容的基础上开展研究，微处理器对于时间序列和结构发现方法而言就是一个可用的平台。

原文 http://www.jiqizhixin.com/article/2179

正文到此结束