新浪科技訊 北京時間1月25日消息，據國外媒體報道，大腦中的自發秩序和噪音對我們的思考方式有驚人的重要性。

現代人工智能（AI）的核心挑戰之一可以用一輛黃色校車來說明。如果是在鄉村公路上正面觀察，深度學習的神經網絡可以自信地準確識別出校車。然而，如果校車側方位停在馬路正對面，那算法可能就會很有自信地認爲它是一輛掃雪車。如果從某個角度從下往上看，它又會被當作一輛垃圾車。

問題之一在於情境。當一張新圖像與訓練圖像集足夠不同時，即使差別只是簡單的旋轉或障礙物，深度學習的視覺識別也會發生錯誤。相反地，情境的生成似乎取決於某種非同尋常的連線和信號生成功能——至少在人類大腦中是這樣。

Matthias Kaschube是德國法蘭克福高等研究院的神經科學家，主要研究大腦回路的組成、功能和維持，他通過建立模型來研究大腦中的神經元連線，並在模型中描述了在實驗中觀察到的大腦活動。他和法蘭克福高等研究院、馬克斯普朗克佛羅里達神經科學研究所、明尼蘇達大學和其他研究機構的同行們發現，大腦有着許多與計算機形成鮮明對比的特徵：自發活動、相關的動態情境生成、不穩定的傳輸，以及直接的噪音。有人將大腦稱爲宇宙中最複雜的物體，而這些似乎正是大腦的基本特徵。在接受nautilus網站的採訪時，Matthias Kaschube闡述了大腦和人工智能在處理視覺信息時的差異，以及大腦中自發神經活動帶來的啓示。

計算機電路與大腦回路之間最大的區別是什麼？

計算機屬於數字設備，它們使用的是可以打開或關閉的二進制單元，而我們的神經元是模擬設備。它們的輸出是二元的——神經元在給定時刻發出或不發出信號——但輸入卻是分層級的。神經元的活動取決於許多因素。而且，我們所建立的計算系統，比如計算機，是確定性的。你提供了特定的輸入，就會得到特定的輸出。當你反覆提供相同的輸入時，就會得到相同的輸出。這與大腦中的情況非常不同。在大腦中，即使你選擇了完全相同的刺激，每次試驗得到的反應也會有所不同。

大腦中這種可變的反應來自何處？

現在有各種假說。例如，可能存在不穩定的突觸傳遞。工程師通常不會在一個系統中構建這種東西。當一個神經元處於活動狀態，並且信號沿着軸突運行時，該信號並不能保證實際到達下一個神經元。它跨越突觸的概率可能只有一半，甚至更少。這會給系統帶來很多噪音。

另一個因素是大腦其他部分的持續活動。例如，視覺皮層會被視覺場景激活，但它也從其他大腦區域接收大量信息。由於存在大量交叉的連線，因此大腦的這些其他部分可以在任何給定時間影響視覺皮層中的活動模式。這可以非常顯著地調製輸入信號。部分這種調製可能在生成情境和編碼預期時很有用。當你聽到狗的吠叫後，你會轉身，然後尋找那隻狗。我們越來越認識到，大腦的一部分反應多變性實際上是有意義的，並且包含重要的背景信息或情境信息。

大腦中的自發活動有什麼作用？

即使你沒有任何視覺輸入，視覺皮層也不會沉默。它能顯示出廣泛而強烈的活動模式，有時與真實視覺刺激引起的活動一樣強烈，並且在結構上也可能十分相似。鑑於這種相似性，自發活動可能代表了某種視覺想象。你看到了某些東西，但與此同時，你在視覺上想到了昨天看到的東西。自發活動可能是逐次試驗中大腦反應多變的原因之一。

我們是否理解大腦中噪音的本質？

我們在實驗中看到的波動是否真的有意義？是否包含我們尚未理解的信息？或者它們只是由生化過程的隨機性引起的噪音，而大腦需要對它們忽略或平衡？這些問題都還存在爭論。爲了獲得更好的持續波動模型，我們必須瞭解這些波動的來源。舉例來說，我們可以通過觀察動物行爲來做到這一點。動物處理視覺刺激的神經活動取決於視覺對象是否移動，以及是否值得警惕。如果你能記錄許多神經元的活動，你就能理解皮層中某一部分的多變性可能是其他部分的活動造成的。一旦我們能夠同時記錄大腦大部分區域的活動，我們就能理解這種多變性。

大腦中的噪音真的有用嗎？

大腦不是完全確定性的，即每次我們看同樣的事情時，大腦處理的方式會略有不同。這一點可能是有用的。對相同刺激做出略有不同的反應可以幫助我們察覺場景中的不同方面。然而，外部世界中有許多與我們無關的細節。視覺場景可以有成千上萬的特徵，其中許多都無關緊要。做出略微嘈雜的反應可能有助於我們忽略一些不太相關的特徵。想一下演化，隨機突變之後便是適者生存。以此作爲類比，可能大腦增加噪音的目的是採集外界事物呈現的不同特徵。通過探索潛在表徵的範圍，大腦可能會嘗試找出最適合當前情境的那個特徵。噪音可能促進了這種搜索。

發育中的大腦何時出現自發活動？

有趣的是，在任何結構性的感覺輸入之前，自發性神經活動的模式就已經在大腦發育早期高度結構化。例如，在視覺皮層中，這種自發活動出現在眼睛睜開之前。在眼睛睜開之後，其中一些自發活動模式會與實際視覺刺激聯繫起來。這種聯繫一旦建立，就可能是終生穩定持續的。

　　這些早期模式是否與“先天還是後天”的爭論有關？

這種自發活動模式很早就出現了，但我們尚未理解是什麼造就了它們的結構。有可能是這種結構是硬連線，並且由基因預先決定，但似乎更合理的解釋是，它是自組織過程的結果。動力系統理論中有一些概念描述了自組織系統如何形成複雜的模式。起點可能只是幾種基本規則，決定了神經元如何形成迴路，以及神經迴路活動反過來如何在回饋環路中重塑連接性。實際上，這與“先天還是後天”關係不大，而是一個你實際需要多少先天因素來建立系統的問題。你可以說整個大腦都在我們的基因中，但這是不可能的，因爲我們DNA中的遺傳信息太少了，不足以決定所有的突觸連接。基因所能編碼的只是一些簡單的規則，可以建立能夠演化並生成結構的動態系統。在大腦發育的早期階段，（神經元活動）基本上是自主的，而在後期階段更多地受到感覺輸入的影響。

您是如何探測早期自發活動的基因組成的？

一個有趣的可能方法是觀察同卵雙胞胎。幾年前，我們確實在這些方面做了一些工作。我們進行了一項研究，觀察一羣貓中的同窩幼貓。我們發現，同窩幼貓的視覺皮層中，活動區域之間的間距相關性高於來自不同窩的個體。這表明存在某種遺傳因素，決定了這一基本特徵。另一種可能方法是觀察這些結構首次出現時的更早期發育階段，並嘗試操縱它們。

這種早期的自發活動都是短程的嗎？

我們通過實驗和建模發現，儘管早期突觸連接都是局部的，但可能會出現有趣的長程相關活動。這在成熟皮層中並不令人驚訝，因爲那裏已經有了實際的長程解剖學連接。但即使在早期，當長程連接還不存在時，依然可以獲得長程相關性。長程相關性很有意思，因爲它們連接了執行不同處理過程的模塊。例如，當你的視覺皮層在處理場景的不同部分時，視覺空間信息的整合可能就涉及到長程相關性。

　　大腦會使用糾錯編碼嗎？

這是非常合理的想法。舉例來說，很早之前就有一種稱爲“吸引子網絡”（attractor network）的概念，描述的是一個收斂到一組有限的活動狀態的網絡。當你提供某些輸入時，你會到達其中一個吸引子；當你提供鄰近的輸入時，也會到達同一個吸引子。這就使網絡能夠抵抗少量的輸入變化和噪音。關於這種網絡已經討論了許多年，但目前仍然很難在大腦中獲得很好的實驗性證據。在足夠穩定的條件下，將獲取自足夠數量細胞的記錄與允許我們直接改變神經活動的方法結合起來，將會很有幫助。

現在的人工智能與大腦相比如何？

深度神經網絡是目前在衆多任務中表現最好的人工智能，它們顯然受到了大腦回路的啓發。深度網絡具有神經元，這是一種層級結構，具有連接可塑性。它們可能可以，也可能無法很好地類比大腦內部最初處理階段時實際發生的情況，這在該領域還存在激烈的爭論。但是，目前人工智能的一個問題是，它具有高度的情境特異性。你可以在數據集上訓練深度神經網絡，它也適用於特定的數據集，但是當你提供不同的數據集時，它並不能做出調整。這當中缺少的便是情境的概念。當情境變化時，人工智能必須以另一種方式來解讀輸入信號。這種靈活性對目前的人工智能來說是巨大的挑戰。顯然，大腦在這方面做得很好。

我們將如何解決情境問題？

我們需要從大腦中獲得更多靈感。例如，對大腦中自發活動的一種解釋是，它能對情境進行編碼。這在人工智能中可能也很有用處。此外，大腦對逐次試驗的反應多變性可能暗示着我們需要對人工智能做些什麼。與大腦中存在的不穩定突觸傳遞一樣，機器學習有時候也可以使用類似的方式來避免過度匹配。這是一個有趣的方向，我認爲其中還有更多值得學習的地方。

您觀察到的自發性長程有序度是否可以爲情境如何動態生成提供線索？

是的，很有可能。發育早期的大腦中出現的（自發性長程有序度）可以解釋爲視覺表徵（涉及不同物體之間的關係及其在視覺空間中的分佈）的神經基礎。在視覺場景處理中，我們所需要的很多東西，都是在對象和我們看到的對象部分之間形成正確的關係，而這可能就與長程相關性有關。這只是推測，因爲理解這些相關性的功能含義是很困難的。但是，自發性長程有序度引人聯想，並且在直覺上可以合理地推測出，大腦中不同功能模塊之間的相關性在場景處理中發揮着某種作用。

深度學習網絡的連線方式是否和大腦一樣？

深度神經網絡被批評很多的一點是，它們的連接通常是前饋的方式，意味着活動從輸入層通過一系列中間層傳播，直到到達最終的輸出層。前饋網絡沒有環路。在給定層次中，環式連接（recurrent connection，即神經元之間的連接）或者不存在，或者以粗糙的方式建模。卷積神經網絡具有一個卷積內核，它有點像環式連接，但是相對較少使用更現實和長程的連接。此外，通常沒有任何自上而下的連接會朝輸入層的方向發回信息。環式連接和自上而下連接未被採用的部分原因是，它們使網絡訓練變得更加困難。但是，在大腦皮層中，自上而下連接很多，環式連接更是佔絕大多數。前饋網絡實際上是一種粗糙的過度簡化，與大腦中高度互連的網絡非常不同。

深度學習網絡能否像大腦一樣對刺激做出反應？

即使在視覺信息的第一個皮層處理階段，在視覺皮層中，攜帶着眼睛輸入信息的連接仍然是所有連接中很小的一部分，在大腦內部的差別甚至更大。大部分神經活動是各個大腦區域之間持續的交流互動，感覺輸入有時似乎只在這種內部活動中起到調節作用。這與你在深度神經網絡中見到的情況非常不同，後者的神經元基本上只有在提供輸入時纔會被激活。因此，無論是在解剖結構還是功能特性方面，大腦的運作方式似乎都與深度神經網絡非常不同。真正的只能與所謂“人工智能”之間仍然有相當大的差距。（任天）