斯坦福大学吴仔神经科学研究所的一个研究小组在利用人工智能复制大脑组织感官信息以理解世界的方式方面取得了重大进展，为虚拟神经科学开辟了新的领域。

看着时钟上的秒针滴答作响，在大脑的视觉区域中，当秒针扫过钟面时，相邻的角度选择神经元组将按顺序激活。这些细胞形成美丽的“风车”图，每个部分代表不同角度的视觉感知。大脑的其他视觉区域包含更复杂和抽象的视觉特征图，例如熟悉面孔与地方图像之间的区别，这些图激活了不同的神经“邻域”。

这样的功能图谱遍布整个大脑，这让神经科学家既高兴又困惑，他们长期以来一直想知道为什么大脑会进化出只有现代科学才能观察到的地图状布局。

为了解决这个问题，斯坦福大学的研究团队开发了一种新型的人工智能算法——拓扑深度人工神经网络（TDANN），它只使用两个规则：自然感官输入和连接的空间约束；并发现它成功地预测了人类大脑视觉系统多个部分的感官反应和空间组织。

经过七年的深入研究，该研究成果于5月10日以新论​​文《早期和高级腹侧视觉皮层功能组织的统一框架》的形式发表在《神经元》杂志上。

该研究小组由吴仔神经科学研究所教授、心理学和计算机科学助理教授 Dan Yamins 和研究所附属机构心理学教授 Kalanit Grill-Spector 领导。

与传统的神经网络不同，TDANN 融入了空间约束，将其虚拟神经元排列在二维的“皮质片”上，并要求附近的神经元对感觉输入有相似的反应。

当模型学会处理图像时，这种拓扑结构会使其形成空间地图，复制大脑中的神经元如何响应视觉刺激而自我组织。具体来说，该模型复制了复杂的模式，例如初级视觉皮层(V1) 中的风车结构和高级腹侧颞叶皮层 (VTC) 中对面部或地点等类别作出反应的神经元簇。

这项研究的主要作者埃希德·马格利特 (Eshed Margalit) 与亚明斯 (Yamins) 和格里尔-斯佩克特 (Grill-Spector) 合作完成了博士学位，他表示，研究团队使用自我监督学习方法来帮助提高模拟大脑的训练模型的准确性。

“这可能更像婴儿学习视觉世界的方式，”Margalit 说。“我认为我们最初并没有想到它会对训练模型的准确性产生如此大的影响，但你确实需要正确完成网络的训练任务，才能使其成为大脑的良好模型。”

这个完全可训练的模型将帮助神经科学家更好地理解大脑组织自身的规则，无论是视觉（如本研究中）还是其他感觉系统（如听觉）。

“当大脑试图了解世界时——比如看一个人的两张快照——它会将反应相似的神经元放在大脑中并形成地图，”人文科学学院苏珊·S·和威廉·H·欣德尔教授格里尔-斯佩克特说。“我们相信这一原则也应该可以推广到其他系统。”

这种创新方法对神经科学和人工智能都具有重大意义。对于神经科学家来说，TDANN 提供了一个研究视觉皮层如何发育和运作的新视角，有可能改变神经系统疾病的治疗方法。对于人工智能来说，从大脑组织中获得的洞察力可以带来更复杂的视觉处理系统，类似于教计算机像人类一样“看”。

这一发现还有助于解释人类大脑如何以如此高的能量效率运行。例如，人类大脑仅用 20 瓦的功率就能计算出数十亿次数学运算，而超级计算机则需要消耗数百万倍的能量才能完成同样的数学运算。

这项新发现强调，神经元图谱（以及驱动它们的空间或地形约束）可能有助于使连接大脑 1000 亿个神经元的线路尽可能简单。这些见解可能是设计更高效的人工系统的关键，而这些系统正是受大脑优雅的启发而诞生的。

“人工智能受到功耗的限制，”亚明斯说。“从长远来看，如果人们知道如何以更低的功耗运行人工智能系统，那么这将推动人工智能的发展。”

更节能的人工智能可以帮助虚拟神经科学的发展，从而可以更快地进行更大规模的实验。研究人员在研究中证明了他们的拓扑深度人工神经网络能够对各种自然视觉刺激产生类似大脑的反应，这表明此类系统在未来可以用作快速、廉价的游乐场，用于原型神经科学实验和快速识别未来测试的假设。

虚拟神经科学实验还可以促进人类医疗保健。例如，更好地训练人工视觉系统（就像婴儿通过视觉了解世界一样）可能有助于人工智能像人类一样看待世界，其中凝视中心比视野的其余部分更清晰。另一个应用可以帮助开发视觉假体或精确模拟疾病和伤害如何影响大脑的各个部分。

格里尔-斯佩克特说：“如果你能做出预测，帮助开发失去视力的人的假肢，我认为这真的是一件了不起的事情。”