我们的大脑,足以理解大脑本身吗?

早过忘川 提交于 2021-01-28 07:13:36

来源: 利维坦

树突(红色)神经元的分支过程,接收突触信息的突出棘的渲染,以及来自小鼠大脑皮层的饱和重建(多色圆柱体)。© Lichtman Lab at Harvard University

利维坦按:

关于大脑,你可以用这句话来自问:你凭什么觉得自己可以理解它呢?你或许会回答说:凭大脑。即,凭借大脑来理解大脑。但问题是,这两个“大脑”的信息匹配度或许存在很大差异。这就如同文中博尔赫斯那篇关于帝国地图的精妙描述:所有地图的绘制之所以能够以比例成图,就在于忽略掉了现实的很多细节,可试想,如果真要绘制一幅囊括一切细节的地图,那么这张地图无疑与真实国度的比例相同了。

同理,鉴于我们目前对于脑内的这坨物质理解十分有限,所以,如何再描述“理解”可谓十分重要了。也许,未来人类对于人脑的理解可以非常接近我们的人脑地图“比例”,但,无限接近也仅仅是无限接近。


在去年秋天一个寒冷的夜晚,紫红的太阳缓缓坠落,我坐在哈佛大学郊外的办公室里,透过落地窗凝视着窗外的虚无,思考着关于老鼠大脑的数据集。

与此同时,我回想起波士顿市中心那些没有窗户的冰冷房间,那里的高性能计算中心存储着我宝贵的48TB数据。作为博士实验的一部分,我用了13万亿个字节来记录数据,并研究老鼠大脑的视觉皮层是如何对运动做出反应的

如果将数据集按双倍行距打印出来,需要1160亿张纸。但当我写完关于这些数据的故事时,只印了不到24页纸。所以说,进行实验其实是很简单的。去年一整年,我都在为这些数据而苦恼,观察并提出问题。然而,答案省略了与问题无关的大部分过程,就像地图总是省略与领土无关的细节一样。

尽管我的数据集听起来十分庞大,但它只是整个大脑数据集的一小部分。这些数据需要回答的问题是:当动物看不见东西时,视觉皮层的神经元会做什么?当从大脑其他区域到视觉皮层的输入被切断时又会发生什么?与神经科学的终极问题——“大脑是如何工作的”相比,这些问题更显得微不足道。

色彩灵动:这张老鼠大脑皮层切片的电子显微镜图像显示了被颜色标记的不同神经元,但这只是一个开始。哈佛大学的杰夫·利希特曼(Jeff Lichtman)说:“我们在研究人类大脑的皮质层,这里的每个神经细胞的任一突触以及连接关系都是可识别的,实在太惊人了。”© Lichtman Lab at Harvard University 

科学过程的本质要求研究人员必须选择涉及范围小的、有针对性的问题。科学家就像餐馆里的食客:菜单上的菜大家都想尝一尝,但必须做出选择。因此,我们选择了这一小领域及其子领域,在研究了成千上百个与此主题相关的实验后,开始设计并进行自己的实验,希望这些先前的实验能够对我们的理解有所帮助。但是,若只是研究小领域的问题,又该如何能理解整体呢?

神经科学家在理解大脑结构及其功能方面已经取得了相当大的进展。我们可以识别大脑中对环境做出反应的区域,激活感官,产生动作和情绪。但我们却不知道大脑的不同区域是如何相互作用和相互依赖的,也不明白它们之间的相互作用是如何影响行为、感知和记忆的。科技让我们轻而易举地收集到庞大的数据集,但我不确定我们对大脑的了解是否能与数据集的规模相匹敌。

我正走在一条漆黑的路上,被冗杂的大数据和自己有限的理解能力困扰着。

然而,人们一直坚持不懈地对大脑进行全面的描绘。一种被称为“神经连接组学”的方法致力于绘制出大脑神经元之间的整体连接图。原则上,一个完整的连接体应该包含所有必要的信息,为建立对大脑的整体理解提供坚实的基础。我们可以看到大脑的每个部分是什么,如何支持整体,是怎样与其他部分和环境互动的。我们可以将大脑置于任何假设的情境中,以更好地了解它会如何反应。

一段时间以来,我一直在思考一个问题:我们如何才能理解这个产生思想的器官。像大多数神经科学家一样,我有两个相互冲突的想法:一方面努力理解大脑,另一方面知晓这在很大程度上是项不可能完成的任务。我很好奇其他人是如何忍受这种双重思想的,所以我找到了哈佛大学分子和细胞生物学教授、神经连接学领域的领导者杰夫·利希特曼。

利希特曼的实验室刚好在实验室走廊的另一头,所以在最近的一个下午,我信步来到他的办公室,询问他关于新兴的神经连接学领域的问题,以及他是否认为我们会彻底了解大脑。他的回答是:不。这让我很不安心,但这次谈话给了我启示,让我对一直困扰自己的问题有了一些了解。

我如何理解庞大的数据量?科学在哪里终结,个人诠释又从何处开始?人类是否有能力将当今大量的信息编织成一幅完整的画面?我正走在一条漆黑的路上,质疑人类理解力的极限,被冗杂的大数据和自己有限的理解能力困扰着。

利希曼喜欢先“开枪”后提问。这位68岁的神经科学家选择的“武器”是一台61束电子显微镜,他的团队用它来观察脑组织中最微小的细节。大脑中神经元的排列方式会让“罐装沙丁鱼”看起来像是完成了高度进化的个人空间。为了理解这些图像,进而理解大脑在做什么,神经元的各个部分必须被标记在三维空间中,这样就会得到一个接线图。在整个大脑的范围内,人们努力构成一个完整的接线图,或者说是连接体。

为了捕捉这张图,利希特曼使用了一台只能被描述为“高档熟食切片机”的机器。该机器将脑组织切成30纳米厚的切片,然后将其粘贴到胶带输送带上。胶带被贴在硅片上,后被放入电子显微镜,数十亿电子冲击大脑切片,生成的图像揭示了神经元的纳米尺度特征,它们的轴突,树突,以及用来交换信息的突触。这幅图像十分美丽,它能唤起一个奇妙的想法:大脑如何创造记忆、思想、感知、感觉以及意识本身的奥秘一定隐藏在这迷宫般的神经连接中。

制图者:杰夫·利希特曼,大脑绘图领域的领导者。他表示:“‘理解’这个词必须经历一场与人脑有关的革命。你永远不会说‘我现在理解大脑了’,就像你不会说“我现在了解纽约市了’一样。”© Lichtman Lab at Harvard University

一个完整的人类大脑连接模型,将是一项巨大的技术成就。仅是完成一个完整的老鼠大脑接线图就需要2EB(Exabyte,艾字节,即百亿亿字节,译者注),也就是20亿千兆字节。相比之下,世界上所有书籍的数据加起来估计也不到100TB,或是0.005%的老鼠大脑。但利希特曼并不气馁,他决心要无视过高的艾字节存储规模,绘制出整个大脑的图像。

利希特曼的办公室很宽敞,有落地窗,可以俯瞰绿树成荫的人行道,还可以看到一座古老的圆形建筑,在神经科学还没有作为一个独立的领域存在时,这里曾坐落着一台粒子回旋加速器(Cyclotron)。他穿着一件黑色毛衣,与银发和橄榄色的皮肤形成了鲜明对比。当我问起一个完整的连接体是否能让我们对大脑有更全面的了解时,他不假思索地做出回答,我感觉他对于这一问题大概已经思考了很久。

我认为‘理解’这个词必须经历一次演变,”当我们坐在他的办公桌旁时,利希特曼说,“当我们说‘我明白了’时,我们知道其中的含义,我们可以在脑子里想得清清楚楚,也可以用语言来解释。但如果我问:‘你了解纽约吗?’你可能会回答:‘这是什么意思?所有这些都很复杂,如果你不了解纽约市,并不是因为你无法获取数据,只是因为同时发生的事情太多了。人类的大脑也是这样,其中同时进行着各种各样数百万个活动,有不同类型的细胞,神经调节剂,遗传成分,以及外部刺激。你永远不会说‘我现在理解大脑了’,就像你不会说“我现在了解纽约市了’一样。”

我们误以为人类智慧无穷,世上没有不能被我们所理解的存在。

“但至少我们了解大脑的具体方面,”我说,“为什么不把它们放在一起,得到更全面的理解呢?”

我觉得现在需要引出另一个问题,那就是:我们能描述一下大脑吗?”利希特曼说,“关于大脑的物理本质,仍各种各样的基本问题亟待解决,我们可以学会去描述这些本质。很多人认为‘描述’是科学界中的贬义词,但哈勃望远镜就是去‘描述’一些现象,基因组学也是在进行‘描述’,它们如实地‘描述’了真实情况,你才得以得出自己的假设。”

“为什么‘描述’对于神经科学家来说并不是一个有吸引力的的概念呢?”

“生物学家常常被能与自己产生共鸣的想法所吸引,”利希特曼说,“也就是说,他们试图让世界屈从于自己的想法,而非与之背道而驰。不如换一个思路,从世界的实质出发,然后让你的想法与之靠拢,这样会更好且更容易”。与其使用检验假设的办法,不如在描述之后再生成假设更靠谱。否则,我们最终一定会咬着自己的尾巴转圈。利希特曼说:“在这个时代,丰富的信息已经成为了简单概念最大的敌人。

“为什么呢?”我问。

“这么说吧,”利希特曼说。“语言本身是一个基础的线性过程,一个想法连接着另一个。但当你想描述上百万件同时发生的事件时,语言就不是合适的工具了。就像股市一样,理解经济的基本概念不一定能赚大钱,你要了解如何利用这些数据,才能知道买什么和什么时候买。这可能与经济学无关,但与数据本身以及如何使用数据密切相关。”

也许人类的大脑并不具备了解自己的能力,”我说。

利希特曼说:“这里有一个隐藏基本性原则的想法:没有一台机器能够输出比它本身更精密的东西。与制造汽车的工程技术相比,汽车本身的复杂程度不值一提。同理,人类大脑所能做的事与其自身构造相比同样微不足道,这是相当讽刺的。我们误以为人类智慧无穷,世上没有不能被我们所理解的存在。但如果我问你,你的狗是否能理解你说的话?你可能会说:‘呃,狗狗们的大脑很小。’确实,你的大脑只是比狗狗们的大了一点,”他笑了笑继续说,“那为什么你又会觉得自己能理解这一切呢?”

没有一台机器能够输出比它本身更精密的东西。© Giphy

利希特曼是否会被连接组学需要解决的问题所吓倒?又是否认为自己所做的努力都是徒劳呢?

“恰恰相反,”他说,“我认为现在我们已经离目标很近了。目前,我们在研究人类大脑的皮质层,这里的每个神经细胞的任一突触以及连接关系都是可识别的,这太惊人了。然而,我不会说完全理解了皮质层,因为那太荒谬了。但这是非常特别的数据,而且很美。从技术的角度来说,你真的可以看到细胞之间是如何连接在一起的,在之前我觉得这根本不可能。

利希特曼强调他的工作不仅仅是全面了解大脑。“如果你想知道神经元和行为之间的关系,那就必须有接线图,”他说,“病理学也是如此,有许多不治之症,如精神分裂症,这类疾病没有与大脑相关的生物标志物。病因可能是大脑接线混乱,但我们并不明白具体哪里出了问题。没有医学模型就不会有病理学,因此,除了关于大脑如何工作和什么是意识等基本问题,我们还可以回答以下问题:精神障碍是怎么产生的?病人到底怎么了?为什么他们的大脑工作方式如此不同?也许这些问题对人类来说更重要。

阿根廷作家博尔赫斯(1899-1986)。© Paris Review

在花了一整天的时间试图弄清楚杂乱的数据后,晚上我看了乔治·路易斯·博尔赫斯(Jorge Louis Borges)的一篇短篇小说,它似乎抓住了大脑映射问题的本质。

在这篇名为《论科学的精确性》(On Exactitude in Science)的故事中,一个名叫苏亚雷斯·米兰达(Suarez Miranda)的人写到,古老的帝国通过科学技术的应用,使地图的制作艺术逐渐趋于完美。早期的地图只是粗糙地描绘领土,随着版图的不断扩大,更多的细节也被填充进去。最后,博尔赫斯写道:“制图艺术达到了如此完美的境界,仅仅是一个省的地图就占据了整整一个城市,而帝国的地图则占据了整个省份。”尽管如此,人们还是渴望更多的细节。“随着时间的推移,那些不精准的地图已不再令人满意,于是地图绘制者们绘制了一张帝国地图,它的尺寸与帝国的实际面积相当,且几乎吻合。

博尔赫斯的故事让我想起了利希特曼的观点,他认为大脑可能过于复杂,以至于人类无法在通俗的意义上理解它,而描述它可能是个更好的方向。不过,这个想法还是让我不太舒服。就像讲故事一样,在描述大脑中的信息处理时,同样需要删掉一些细节。为了传达相关度更高的信息,描述者必须知道哪些细节是重要的,哪些是无关紧要的,对此你必须对所描述之物有一定的了解。我们的大脑十分精密复杂,但它能完全理解老鼠大脑中的2EB数据吗?

博尔赫斯的故事让我想起了一个观点:大脑可能过于复杂,人类将永远无法理解。

在这场战斗中,人类拥有一件至关重要的武器。机器学习已经成为大脑绘图的福音,自我强化联系(self-reinforcing relationship)给予了我们希望。在过去的十年里,深度学习算法(Deep learning algorithms,也称为深度神经网络,或DNNs)让机器得以完成从前计算机无法完成的认知任务——不仅是对象识别,还包括文本转录和翻译,或者玩围棋或国际象棋等等。

© Verizon

DNNs是一组将简单函数串联在一起的数学模型,此类函数可以模拟真实的神经元。受到了哺乳动物大脑皮层的生理学和解剖学的启发后,这些算法才得以问世。然而,基于20世纪60年代收集的一些数据,它们只是对真实大脑的粗略模拟,但即使是这样也已经超越了人们对机器能力的期望。

利希特曼在绘制人脑方面取得进展的秘密在于机器智能。利希特曼的团队与谷歌合作,利用深度网络对显微镜收集的数百万张大脑切片图像进行注释。每张扫描图像都只是一组像素点,人眼很容易识别图像中斑点的边界(神经元的胞体、轴突或树突,以及大脑中的其他东西),再努力一点甚至可以分辨出两个图像共有的位置。有了标记和重建,这些庞大的数据集也变得有意义起来。

此前,这些任务通常需要部队的本科生或公民科学家来手动完成。经过图像识别训练的DNNs已经可以独立完成这项繁重的工作,往往需要耗时数月或数年的工作,它几小时或几天内就能完成。现在,谷歌能够在人类大脑皮层的切片中识别出每个神经元、轴突、树突和树突棘,以及每个突触。利希特曼表示:“这简直难以置信。”

科学家们仍需继续研究细微的解剖特征与神经元动态活动之间的关系,也就是神经元产生的电活动模式,这是连接体数据本身所无法揭示的。在这一点上,连接组学遭到了许多批评。以蠕虫为例:几十年前神经科学家就已经得到了完整的秀丽隐杆线虫(C. elegans)接线图,但并不能说已经完全理解了这个仅由300个神经元组成的生物。至今,科学界依然在研究其大脑连接与行为之间的关系。

然而,在生物学中结构和功能是紧密相连的,也就意味着总有一天神经科学家会明白特定的神经元形态是如何对活动产生影响的。甚至将大脑映射在某个大型服务器上,创建一个类似人类思维的程序也不再只是想象。下一个飞跃将会是反乌托邦的,我们也许会通过数字化来存储自己的思想,机器也可能会利用我们的大脑来制造超级智能机器,以消灭人类。

利希特曼并不赞同科幻小说中那些天马行空的猜想,但他承认,如果一个网络中的线路图与人脑一样复杂,那将十分可怕。“就像不能理解深度学习一样,我们永远不会明白它的工作原理,”他说,“突然间,这个机器可能就永远不需要人类了。”

但即使是高超的深度神经网络也不能让我们完全了解人脑。这一点在去年的一次计算与系统神经科学会议上得到了很好的诠释,会议开设在葡萄牙里斯本郊外的一家酒店的宴会厅里,来自马里兰州贝塞斯达国家心理健康研究所(National Institute of Mental Health)40多岁的神经学家阿拉什·阿夫拉兹(Arash Afraz)在那里发表了演讲。他认为,DNNs的神经元模型对于真正的神经元来说过于粗糙。

阿夫拉兹个子不高,留着深色的马蹄形胡子,光秃秃的头顶上顶着一条细马尾,让人想起了《真探》(True Detactive)中的马修麦康纳(Matthew McConaughey)。当坚固的大西洋海浪撞上码头时,阿弗拉兹问我们是否还记得勒内·马格里特(René Magritte)的作品《这不是一个烟斗》(Ceci n’est pas une pipe,又称《形象的叛逆》,译者注),画中只有一个烟斗,但下方却写着“这不是一个烟斗”。

马格里特的作品《这不是一个烟斗》。© wiki

他指出,DNNs中的模型神经元都不是真正的神经元,它们也不是真正连接在一起的。然后他展示了一幅通过实验在猴子大脑中发现的区域之间相互连接的经典示意图:一堆杂乱的盒子,分别编号为V1、V2、LIP、MT、HC,每个盒子的颜色都不同,黑线看似随机地将盒子连接起来,而且组合方式比看起来可能还要多。

与真实大脑中令人眼花缭的一堆连接方式相比,DNNs则简单地将不同的大脑区域连接在一条链条上,从一“层”到下一“层”。阿夫拉兹说,他曾试着向严谨的解剖学家解释过这一点,接着他放出了一个目瞪口呆的小猩猩解剖学家表情包,说:“我真的试过了,相信我。”

与人脑一样复杂的虚拟线路图十分可怕,这很可能意味着机器不再需要人类的控制。

我也一直很好奇,既然DNNs和真正的大脑比起来过于简单,那为什么我们不能让它们忠实于真正的大脑结构来提高它们的机能呢?为了解开这个谜团,我打电话给牛津大学计算神经学家安德鲁·萨克斯(Andrew Saxe)。萨克斯也认为,让模型更真实地反映现实可能会让它能更好地发挥作用。“这一直是脑科学领域的挑战:我们根本不知道细节到达了什么样的重要程度。”他在Skype里说。

我们是如何做出决定的?“这些判断往往基于直觉,而我们的直觉也会发生很大的变化,”萨克斯说,“许多神经科学家都有一个强烈的直觉,即单个神经元是极其复杂的:它们有所有反向传播的动作电位,有独立的树突状细胞,有多样的传输通道。一个神经元甚至可以是一个网络。作为一个线性单位,DNNs中神经元的简单数学模型显然缺失了太多细节。”

© 164.67.24.13

随着2020年的到来,我想了很多关于从利希特曼,阿夫纳兹和萨克斯身上学到的东西,以及神经科学领域的终极难题:理解大脑。我发现自己重新回到了大学时代,那时的我认为科学是认识客观事物的唯一途径(我曾经还认为科学家是超级理性、公正的存在,对真理有着至高无上的兴趣,显然还是太天真了)。

现在我明白了,科学要想研究事实,首先得理清事实。有时,真相甚至在实验开始前就已经被屏蔽掉了。人类带着怪癖和偏见,选择要做什么实验,以及如何去做。收集数据后,科学家必须弄清楚这些数据的含义,才能进行解释。所以,科学的职责是收集关于世界的事实,而人类则需要对其进行描述,所有这些过程都需要我们通过时代语言和文化塑造个人筛子来过滤原始数据。

由此看来,利希特曼2EB的大脑切片和我48TB的老鼠大脑数据可能都无法被人脑理解,至少没有人的大脑可以将所有这些数据编排成一幅人类大脑如何工作的全景图。此时,我坐在办公桌前,望着夕阳把万里无云的天空染成浅红色,脑海里浮现出一个彩色的、机械的未来画面。

我们根据大脑皮层解剖结构设计建造的机器不能捕捉到人类大脑的本质,但从大型数据集中发现连接模式并不困难。也许有一天,当皮质解剖学发展到一定程度,他们就可以解释这些模式,解决大脑的联系之谜,绘制出一个能被人类理解的图像。窗外,麻雀们叽叽喳喳地叫着,看来它们的一天还没有结束。

文/G Guitchounts

译/钠钾

校对/兔子的凌波微步

原文/nautil.us/issue/94/evolving/an-existential-crisis-in-neuroscience-rp

本文基于创作共同协议(BY-NC),由钠钾在利维坦发布

文章仅为作者观点,未必代表利维坦立场

未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)云脑研究计划,构建互联网(城市)云脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。

  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”

易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!