人工智能学家
带一个三岁的小孩去动物园，她凭直觉就知道啃树叶的长颈生物和她在图画书中看到的长颈鹿是同样的。这从表面上看是件容易的事情，事实上相当复杂。漫画是简单的线条的一种投影，而活着的动物则存在于充满了颜色、 纹理、 运动和光的环境中。它可以从每个角度扭曲成不同的形状和外观不同。
人类善于这样的任务。我们可以毫不费力地从几个例子抓住一个对象最重要的特征，然后应用这些陌生的功能。另一方面，计算机通常需要通过长颈鹿在许多独特和不同的角度的外表，学会准确识别动物。
视觉识别是人类在计算机上的许多领域之一。我们也更擅长于在数据流中查找相关信息；解决非结构化的问题；进行无监督学习，比如一个婴儿通过玩方块了解重力。“人类是非常非常好的通才，” Tai Sing Lee，一个计算机科学家和匹兹堡卡内基·梅隆大学的神经学家说。“我们仍然有更灵活的思维，可以预见，想象和创造未来的事情。”
一个由联邦政府情报部门建立的雄心勃勃的新计划，目的是使人工智能技术更符合我们自己的智力。三支队伍组成的神经学家和计算机科学家将尝试找出大脑如何执行这些卓越的视觉识别，然后让机器做相同的事。“今天的机器学习失败在人类擅长的地方” Jacob Vogelstein，IARPA项目负责人说。“我们想要通过逆向大脑计算和算法的工程来革命机器学习”。
时间很短。每个团队现在以前所未有的细节对一块皮质建模。团队正在一起开发基于他们的学习算法。到明年夏天，每个这些算法会考虑外国的项目样本以及然后需要从它的样本库中挑出数以千计的未标记的数据库中的图像。“这是极具野心的时间框架”。Christof Koch，西雅图的艾伦研究所的脑科学团队的总裁兼首席科学官说。
Koch和他的同事们现在正在创建一小块大脑的完整接线图，100 万立方微米，总计五百分之一的罂粟种子量。这个数量级从完成布线地图到到去年6月发表，花了大约六年完成。
通过五年 IARPA 项目，被称为皮层网络 （微米）的机器智能，研究者旨在映射一立方毫米皮质。那小部分约有 100,000 神经元、 300万到1500万的神经元连接或突触，神经线路若全部解开，并端与端连接，则足够跨越曼哈顿。
没有人尝试过重建一整块规模的大脑。但是，规模较小的努力，表明这些映射可以洞察皮质的内部运作。在今年 3 月发表在自然杂志的一篇论文，Wei-Chung， Allen Lee ——哈佛大学神经学家正在与Koch公司的团队——和他的合作者，映射出 50个 神经元和超过 1000 的伙伴接线图。相形之下，这张地图与大脑中的每个神经元的工作有关的信息，一些例如响应竖线的视觉输入，他们为这部分皮层神经元连接的方式导出一个简单的规则。他们发现，与其他神经元类型相比，具有类似功能的神经元更容易连接并做出更大的连接。
虽然微米项目的目标是技术，IARPA资助探索可以为智能社区进行数据分析工具的研究。关于大脑新的和深刻的见解即将到来。Andreas Tolias，贝勒医学院的神经学家，科赫团队的联合领导，我们目前的皮质知识可以比作一张模糊的照片。他希望前所未有的微米项目规模将帮助使其更加清晰地揭露支配我们神经回路的更复杂的规则，在不知道所有的组成部分的情况下，他说，”也许我们怀念结构的美”。
大脑的处理单位
大脑的表面覆盖的皱褶形成大脑皮质，比萨饼大小的纤维组织，被挤压，融入我们的头骨。在很多方面，它是大脑的微处理器。饼状约3毫米厚，有一系列的重复模块或微电路，类似于计算机芯片的逻辑门的数组。每个模块有大约 100,000 个在复杂网络上的相互连接的神经元细胞排列。证据表明，这些模块的基本结构与整个大脑皮质大致相同。然而，在大脑不同区域的模块被专门用于特定目的视觉、 运动或听觉等。
Andreas Tolias (左), 和学生R.J. Cotton一起, 带领着一个 Micron 团队
科学家们对这些模块的外观和行为有着大致的感觉。他们在很大程度上被限制在较小的尺度上研究大脑：数十或数百个神经元。新技术的设计，跟踪的形状，活动和连接的数以千计的神经元，最终使研究人员分析一个模块内细胞的相互作用，一个部分的活动可能会引发或抑制另一部分的活性。“历史上第一次，我们可以验证而不是猜测内容的能力，”Vogelstein说。“不同的团队对内部有不同的猜测。”
研究人员将重点放在大脑皮层处理视觉的感官系统部分，神经科学家们探索研究，计算机科学家一直努力效仿。“视觉似乎很容易，只要打开你的眼睛，但是却很难教会电脑做同样的事情”神经学家David Cox，哈佛IARPA团队的领导者之一说。
每一个团队都以同样的基本理念来解决视觉如何工作，一个几十年的理论被称为合成分析。根据这一思想，大脑就会预测在不久的将来所发生的事情，然后将这些预测根据他看到的进行综合。这种方法的优势在于它的效率，它比不断再现每一时刻需要较少的计算。
大脑可以通过合成任意数量的不同方式进行分析，所以每个团队都在探索不同的可能性。Cox的团队的意见是大脑作为一种物理引擎，用现有的物理模型，来模拟世界看起来应该是什么样的。由George Church 联合领导的Tai Sing Lee的团队，认为大脑已经建立了一个由人和物件组成的库，然后学习如何把这些部件连接在一起的规则。例如，树叶会出现在树枝上。Tolia团队正在研究更多的数据驱动的方法，在大脑中建立生活世界的统计期望。他的团队将测试几种电路的不同部分如何沟通的假设。
所有这三个团队都会监测到一个目标立方体中成千上万个神经元的神经元活动。然后，他们将使用不同的方法来创建这些细胞的接线图。Cox的团队，例如，将脑组织切片成比头发丝更细的层，用电子显微镜分析每个切片。该小组将计算连接在一起，每一个横截面创建一个密集的三维地图，将数以百万计的神经丝通过大脑皮质中错综复杂的路径制成图表。
通过进行中的映射和活动模式，每个团队将试图梳理出一些基本的规则控制电路。然后，他们这些规则编程进模拟器并确保这些模拟器符合一个真实的大脑。
Tolias及其合作者已经有这种方法可以实现的感觉。在十一月发表的一篇论文中，他们映射了11000个神经元对之间的连接，在过程中发现了五个新的神经元类型。“我们仍然没有一个完整的部分组成大脑皮层的列表，个人细胞像什么，他们是如何连接，”Koch说。“这就是[Tolias]已经开始做的。”
Andreas Tolias和合作者映射出神经元之间的连接并记录其电活动。五个神经元的复杂解剖可以归结为一个简单的电路图。向神经元注入电流，使神经元兴奋，导致下游2个细胞，神经元1和5的电变化。
这些成千上万的神经元之间的连接，Tolias的研究小组发现了三个细胞连接的一般原则：一些主要与同类的神经元交流；一些则避免自己的同类，与其他品种沟通较多；第三组则只能与其他一些神经元交流。（Tolias团队是基于神经解剖定义而不是功能，这是Wei Lee的团队所研究的）只使用这三种布线规则，研究人员可以相当准确地模拟电路。“现在的挑战是弄清楚这些布线规则意味的算法，“Tolias说。“他们做了什么计算？”
Andreas Tolias 与同事对成对神经元进行映射，记录电路活动。左上方五个神经元的复杂分析可以简化成一个单独的电路图标右上. 注射电流到2号神经元中将会使其内部进行燃烧，触发下游两个细胞的电流变化，即1号和5号神经元。
基于真实神经元的神经网络
大脑仿真的人工智能不是一个新的主意。所谓的神经网络，模拟大脑的基本结构，是在上世纪 80 年代非常受欢迎的。但当时，领域缺乏计算能力和算法需要的真正有效的训练数据。毕竟互联网中的数以百万计的标记的猫的图片那时还没有。虽然现在是神经网络的文艺复兴时期——迅速成为我们日常生活的一部分的基于神经网络算法的声音和人脸识别程序，像 AlphaGo，最近击败了世界顶尖的围棋手的计算机。人工神经网络用于改变连接方式的规则是与大脑几乎完全不同。
一个在 San Diego 的Salk研究所，与多伦多大学的计算机科学家Geoffrey Hinton一起开发早期的神经网络算法的计算神经学家Terry Sejnowski说：“当代神经网络基于我们在 20 世纪 60 年代所认识的大脑。我们关于大脑如何组织的知识正在迅速增多。”
例如，今天的神经网络是由一个前馈结构，从输入到输出信息流通过一系列的层组成。每一层被训练来识别某些功能，例如一只眼或晶须。这种分析由后向前，调节每个连续的图层，对数据执行日益复杂的计算。这种方式，程序最终通过一系列的彩色像素认识一只猫。
但这种前馈结构省略了生物系统的重要组成部分：反馈。无论是在单独的层内还是由高层到底层，在真正的大脑中，在一个层的皮层神经元连接他们的邻居，并在层的上方和下方，创建循环复杂的神经元网络。“反馈连接的皮层网络是令人难以置信的重要组成部分，”Sejnowski说。”有尽可能多的反馈作为前馈连接。
神经学家正是还不明白这些反馈回路所做的事情，虽然他们知道它们对于提高我们的注意力是重要的。他们帮助我们在接听电话时从令人分心的城市噪声中听到电话的声音。合成分析理论吸引力的部分表明他为这些循环连接提供了理由。他们帮助大脑对预测和现实做一个比较。
微米研究者旨在破译反馈回路的规则 — — 如这些回路连接的细胞，是什么触发他们的活动，以及这项活动是如何影响电路的输出 — — 然后将这些规则翻译成一种算法。”机器现在缺乏的是想象力和反思。我相信反馈电路允许我们在许多不同的层面上想象与反思。”Tai Sing Lee 说。
也许反馈电路将一天赋予机器与我们人类认知一样独有的特质。“如果你能实现 [反馈电路] 的深层网络，你可以从一个有一种下意识反应的网络，通过输入，得到更好地反映，开始思考输入，然后假设检验，得到输出” Sejnowski说，他是奥巴马总统1亿的脑提议项目做顾问，这是微米项目的一部分。
意识的线索
就像所有IARPA项目一样，微米项目具有高度的任务性。探索者需要耗费精力去映射神经活动和连接，但是没有一个人在之前做出来过。一个挑战将由研究者提供大量的数据进行解决——每立方毫米的大脑所具有的的1~2PB的数据。这个团队需要去开发一种新的机器学习工具去分析所有的数据，一个比其自己用的前馈循环方法更好的。
它也是目前还不清楚是否从大脑的一小块的经验就能说明大脑最大的天赋。”大脑不只是一张皮质，”Sejnowski说。”大脑是专门为数百个不同的功能设计的系统。”
皮质本身由大致相同的单元组成。但是，大脑的其他部分可能行为并不相同。例如，在 AlphaGo 算法中，采用强化学习发生在基底神经节，这与大脑参与成瘾过程的部分相关。”如果你想要超越简单的模式识别的人工智能，你要需要很多的不同部分，”Sejnowksi 说。
项目应该会成功，然而，它将做更多情报数据的分析。成功的算法将揭示大脑如何展示世界感知的真相。尤其是，它将有助于确认合成分析理论是否在大脑中运作——它将我们对世界的预测与我们感觉到的数据进行比较。它将揭示意识中的关键成分是不断变化的想象加上感知的混合物。Tai Sing Lee 说，”它是想象力，使我们能够预测未来事件和用它来指导我们的行动。”通过这些，研究人员希望通过构造机器来揭示的秘密思想本身。
人工智能学家 Aitists
人工智能学家是权威的前沿科技媒体和研究机构，2016年2月成立人工智能与互联网进化实验室（AIE Lab)，重点研究互联网，人工智能，脑科学，虚拟现实，机器人，移动互联网等领域的未来发展趋势和重大科学问题。
联系客服
