中国人工智能协会来源

戴琼海院士:从脑科学到人工智能

本文为你介绍了第八届中国智能产业高峰论坛11 月17-18日论坛这两天的会议的精彩报告。

此次小编为大家整理的是来自中国工程院院士,清华大学教授戴琼海主题为《从脑科学到人工智能》的精彩演讲。

戴琼海,中国工程院院士,清华大学教授

以下内容根据速记进行整理经过戴琼海院士团队校对

脑科学与人工智能带来的机遇和挑战在哪里?人工智能学会发展到今天,规模已非常庞大,令人震惊。

脑,尤其是人脑,构造非常复杂。脑有上百亿的神经元,还有分支等连接起来,是一个非常复杂的结构。生命科学发展至今,从基因组到单细胞,从转化医学到精准医学,均取得了长足的发展。但是人类至始至终还不够明白——脑究竟起什么作用?脑的作用是非常复杂的,它有两个系统,一个是从脑神经到各个器官的连接系统;另一个是通过免疫系统的再反馈系统。这样复杂的系统,怎样把脑的东西了解清楚,是人类一直要探索的重要方向。尤其是在本世纪,科学家应该力图去解决这个问题。

脑神经的连接,800多个神经元和整个器官免疫系统连接,加起来超过整个光纤网络的总和。在本世纪初,对于脑的困惑和问题主要是在哪里?

  • 第一个是我们居然不知道800多个脑神经有哪些行为动作?

  • 第二个是我们不知道大脑的结构图。

  • 第三个是大脑的神经元在控制我们的语音和视觉时,我们不知道哪些神经元在视觉或者是听觉中起作用?

  • 还有就是如何了解神经细胞与个体行为的相关性?所以这四个方向是脑科学目前和长期要解决的工作,它与人工智能有着密切的关系。

为了做脑科学的研究,试图找到第一个做脑科学研究的科学家。我们虽然不知道最早做脑科学研究的是谁,但是我们知道第一个做脑科学的获得诺贝尔奖的人是谁——现代神经生物学之父Cajal,最主要的工作是用显微镜最终绘制出了神经元的结构图,所以他是做脑科学研究的第一个获得诺贝尔奖的人。100多年来有20多位科学家获得了脑科学方面的诺贝尔奖。神经系统的结构和功能,信息传递、神经细胞怎么传递,大脑认知和感知,还有其他的神经科学,这些领域的研究获得了多个诺贝尔奖。网格细胞与人工智能有极大关系。最重要在上面,现在提出的脑计划相比于2013年开始提出来的第一代,除了刚才说的四个研究工作,加了一个内容,即最后的一条内容——提出新一代人工智能的理论与方法。从机器感知机器学习到机器思维和机器决策的颠覆性模型和人工智能的方式,这是脑科学的一个重要补充。

我国提出一体两翼——脑科学和类人脑方面的工作。如果开展工作,可以看出做什么研究是最重要的环节。美国脑计划分成四大组成,其中两个组成都和观测有关,怎么去看细胞的信息传递和关联关系,以及细胞本身的特点;也就是说,我们观测的仪器是脑科学必不可少的重要的工具。

进一步调研发现,在成像时,我们看到的分辨率足够高时,看到的视野就非常小;而看到视野非常大时,分辨率就比较低。我们进行了进一步的分类。第一个是1982年诺贝尔奖,它的视场小,分辨率比较低,但获得猫视觉的响应,突破了对人工智能的结构,做出了巨大的贡献。第二个是2014年超分辨率的诺贝尔奖,对神经细胞的分类进行了观测。大家知道,X光、核磁共振等技术视场非常大,分辨率非常低,达到毫米级,看不到神经元

还有大视场方面的特点。我们用两个坐标标识它,红坐标是中间尺度、小视场和高分辨率,还有大视场高分辨等四个象限,高分辨率,视场大,分辨率还要高,这是国际上非常热的科研沃土。大家都在关注这方面的研究。

首先一个脑科学工作是2017年,六位科学家中,三位是做脑成像,三位是做脑关系的,拿到了1.5亿美元的支持。他们希望看到的一个视野有多大?把一条斑马鱼能够装进去,斑马鱼有3 000多条神经元,要观测清楚,并且要观察到它们的具体行为。这些行为是怎么连接的,这个工作是他们的一个五年计划,这是一个事例。以前的显微镜只能看四分之一,现在他们要做全视场的研究工作。

难在什么地方?有两个方面,一个是结构;一个是功能。大家都知道,一个系统,结构决定功能。神经系统的结构是首要的。那么在这里,蓝色区域是光学显微镜,只占一块,不能看全脑系统;下面是功能核磁,客观测动态脑区级功能活动。了解到脑区的功能,但是划分不出边界,我们的细胞大概就是几个微米,其分辨率只能达到毫米。所以国际上,大视野高分辨的观测仪器一直是研究的重点和热点。

国际上做这个方面的工作团队,我计算了一下,大概有300多个,具有典型的代表有加州理工、麻省理工、霍华德休斯学院、北卡医学院等。可以看到,它的视场很大,分辨率也很低;而分辨率很高时,视野较小。神经元在动态连接的过程中,瞬间的变化就难以捕捉到。这几个研究都存在这方面问题。

总之,要做一个大视场、多尺度,动态连续观测的一个光学系统,是比较难的一件事。2016年英国十大进展学会,6 mm×6 mm×3 mm的视场扩展,分辨率非常高,0.8 μm,纵向分辨率8 μm,是其的十大进展之一。

要做宽视场和高分辨是核心的难题,怎样巧妙设计这样的系统?这里存在的问题也非常大。根据这方面的工作,我们也联合了国内几家单位开始攻关。2009年我们在深圳开会,研讨了到底需要什么样的东西才能和我们的信息结合起来;2012年我们开始做脑皮层神经、肿瘤转移的观测。现在有清华大学、浙江大学、中国科学院上海生命科学研究院三家单位联合研制,设计了一个计算摄像的系统。给出原有的光照,结合我们的强项计算重建,加入计算光照和模型算式。通过几年的努力,平台构建、元件加工、模块装配到系统集成,我们完成了这样一个仪器。仪器里最重要的创新点涉及到什么?我们用仪器成像原理做了曲面,来做成像,用多个传感器取得曲面成像。

智能成像模型有两个成果,一个是压缩感知,我们提出了LOGSUM范数算法;一个是metric Learning度量学习,完成了一个算法的工作。通过几年的工作,我们研制了很多仪器,如RUSH,实时的动态成像系统。

可以看到,与国际上先进仪器相比,1 cm×1.2 cm的视场足够大。最大的特点是国际上同类仪器中成像速度最快的,还有通量也是国际仪器中最大的。通量越多,描述时间的细节越丰富。我们的通量是5.78。

这是我们在去年拍到了第一张全脑的图。大家可以看到不同的颜色,代表了不同的深度。脑皮层达到了100μm,这是在动态图里截取出来的。这张图诞生于2017年7月,我们做的第一张完全事动态的图,一张图7个G。

这样的仪器也带来了很多生命科学的实验。

首先是颠覆科学发现的问题。在这里最重要是做一件什么事?1991年开始,核磁共振开始出现时,有一个假设就是神经细胞的作用和血氧是有关联的。两个门派,一个认为有关联;另一个认为没有关联。核磁共振技术无法验证这样一个假设,但是我们的仪器可以试图解决这方面的工作。

使用小鼠进行实验,我们吹小鼠胡须时,可以看到这个神经元的变化,它和神经血管的供应是有关联。我们已经做了上千次实验,但是并没有说明它到底有没有关联,所以这个实验还要持续做下去。现在北卡医院的两个教授还在和我们做这个实验,这个实验一旦成功,不管有关系或者没有关系,将会给科学界带来非常大的震撼。现在有很多生命科学家也持续发邮件询问结果。这项实验还在进行,目前还没有准确结果。

我们也可以在探索脑疾病上进行相关的研究。最重要的脑疾病,包括帕金森、老年痴呆等,病例很多。这是脑肿瘤,我们与第三军医大学开展的工作,这是活体细胞的展示。目前的技术需要5~7天才能确定有没有肿瘤,用这台仪器3 ms就可以诊断结果。所以第三军医大学,从去年开始就希望订购这台仪器。

刚才说了哈佛大学需要看到多条斑马鱼,我们这个仪器可以实现,这个研究是什么?研究肿瘤细胞在体内形成肿瘤的过程是什么。可以看到细胞的运动。细胞怎么转移?往哪里转,在什么环境下转?这是我们非常重要的一项研究工作,就是多条斑马鱼的共同观测。

第二个可以看到,小鼠全脑在运动过程时免疫细胞与肿瘤细胞是相反的过程。脑肿瘤手术中最难的是确定它的边界,切得少了没有把肿瘤切干净,切多了把人切傻了。这个单细胞的实验也引起了医学界的轰动。比如同济医学院,跟踪一个细胞就能知道后面的情况,可以确定边界到底有多大。

我们可以看到中风前和中风后细胞的变化区域在哪里?损伤以后形成中风,这是一个最重要的研究工作。还有一个是癫痫病的切换,自发癫痫波的产生,哪些产生癫痫波,哪些癫痫细胞没有产生,产生和不产生到底有什么关联,这是国际上都在探讨的。同时我们又给它一个刺激的波,电极刺激下产生癫痫波,哪些是自发产生,哪些是电极刺激产生。

这些工作对于加速药物研发也起到了很大的作用。大家知道心梗带来了非常大的危害。到底心脏细胞怎么运作,能够给出一个药物判断。药物判断这个是和制药公司做的试验,通过高通量的心肌药物,哪种药起作用,哪种药不起作用。

这是我在生物科学和医学上简单的汇报,如何推动人工智能的发展,我们希望做一些贡献。

大家知道,胡贝尔对人的视觉系统起到了非常重要的作用。脑神经元之间的信息传递机制是什么?可解释人工智能才能提供生物学的范例。国际上为了做这件事,也投入了1亿美金,启动了阿波罗脑计划。想要摸清一个立方毫米10万个神经元的研究关系,包括活动和连接关系,最后形成大数据。我们在想,计算神经元的模型和机器学习的的模型能不能打通,能不能在这里找到他们的一个工作。

实际上,现有人工智能基本上是同类大数据的学习,未来的人工智能会融入各种感知与记忆数据和信息传递机制是什么?现在我们还没有找到这个信息传递的机制,我们硬学。怎样从感知到决策与控制,做到认知到决策与控制,这样的一个工作使得人工智能具有主动性。我们希望能够通过脑观测和脑认知的结合来做脑模拟。现在我们这个仪器,可以看到百万级的神经元,对于它的连接状态是什么?现在还没有看到它的视觉连接行为,但是我们已经找到了它听觉和视觉的环路部分,也没有找到全部。下面是我们在国际上第一个看到在小鼠听音乐,全脑神经元的变化。这是小鼠在听音乐时,那边是神经元的整个连接状态。亚细胞级、结构功能的统一,这是国际上第一个拿出的结果。小鼠的状态,对应的神经图就是脑连接的状态。同时还可以看到,它的海马区分层神经元的连接状态,在这里我们找到了部分信息传递的这种机制方式。可以看到,这是一个毫米级的神经元在传递。我们希望在这里分析它们的模型,找到它们的工作规律,为人工智能的信息传递机制带来一些好的算法和模型。

因为这个仪器做出来以后,从2017年开始我们做了近两年的生命科学和人工智能方面的实验,也得到了国际上很多学者的关注。

目前,我们的分辨率和视场加起来不是国际最领先的,但我们的通量是领先的,要突破400 nm,国际领先。元器件已经完成了,希望在2019年的1月完成400 nm最高分辨率集成。但是目前还缺经费。

现在我们有一个团队专门做大数据分析,有10位老师带着博士生讨论清晰动物全脑实时成像数据,让小鼠看不同的颜色、不同动态的物体,它的视觉环路是怎样的?另外还要研究比如神经网络的记忆决策和控制的机制。同时又组成了两个团队在做微观成像,就是分子成像,看细胞——个体细胞的特征和整体细胞的联系。通过微观和宏观来看能不能做尺度上的总体成像,为人工智能提出一些新的线索和方式。这个研究非常复杂,也要持续的研究。

未来方向。第一个方向,生命是会发生变化的,生命进化到现在的人工智能阶段,随着材料科学的发展,未来的生命会发生新形态和新业态的变化,比如我们的人造器官都会造出来,人工智能和我们的器官都已经在一起,真正实现了一个主动式的人工智能

第二个方向,有三人的小团队,正在调研脑联网,就是解决国际上的下一个问题,意识能不能存储。这个问题是比较前沿的,也正在做这方面的分析。希望能够提出一点想法。

第三个方向是光电计算。现在的电子计算机基于硅级的纳米,量子计算离我们还有不远的距离。因此我们提出了光电计算,把光子器件和硅基集成在一起,对人工智能的发展起到了非常大的作用。现今复杂的算法使得我们很多工作没有办法往下推进。光电计算如果用好了,是可以引领新一代摩尔定律的产生。如果光电计算形成,存储和计算一体化的就变成了什么?就变成了皮米级的工作。现在是纳米级的,如果做到皮米级的工作,可以带来新的摩尔定律的变化。

这是三个方面的研究。我也想和各位交流一下,希望能够在这上面开展一些研究。

最后,感谢国家自然科学基金会!感谢仪器团队的努力工作!

THU数据派
THU数据派

THU数据派"基于清华,放眼世界",以扎实的理工功底闯荡“数据江湖”。发布全球大数据资讯,定期组织线下活动,分享前沿产业动态。了解清华大数据,敬请关注姐妹号“数据派THU”。

产业摩尔定律机器学习神经科学脑科学戴琼海
相关数据
高通机构

高通公司(英语:Qualcomm,NASDAQ:QCOM)是一个位于美国加州圣地亚哥的无线电通信技术研发公司,由加州大学圣地亚哥分校教授厄文·马克·雅克布和安德鲁·维特比创建,于1985年成立。两人此前曾共同创建Linkabit。 高通公司是全球3G、4G与5G技术研发的领先企业,目前已经向全球多家制造商提供技术使用授权,涉及了世界上所有电信设备和消费电子设备的品牌。根据iSuppli的统计数据,高通在2007年度一季度首次一举成为全球最大的无线半导体供应商,并在此后继续保持这一领导地位。其骁龙移动智能处理器是业界领先的全合一、全系列移动处理器,具有高性能、低功耗、逼真的多媒体和全面的连接性。目前公司的产品和业务正在变革医疗、汽车、物联网、智能家居、智慧城市等多个领域。

范数技术

范数(norm),是具有“长度”概念的函数。在线性代数、泛函分析及相关的数学领域,是一个函数,其为向量空间内的所有向量赋予非零的正长度或大小。半范数反而可以为非零的向量赋予零长度。

数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

神经科学技术

神经科学,又称神经生物学,是专门研究神经系统的结构、功能、发育、演化、遗传学、生物化学、生理学、药理学及病理学的一门科学。对行为及学习的研究都是神经科学的分支。 对人脑研究是个跨领域的范畴,当中涉及分子层面、细胞层面、神经小组、大型神经系统,如视觉神经系统、脑干、脑皮层。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

度量学习技术

即学习一个度量空间,在该空间中的学习异常高效,这种方法多用于小样本分类。直观来看,如果我们的目标是从少量样本图像中学习,那么一个简单的方法就是对比你想进行分类的图像和已有的样本图像。但是,正如你可能想到的那样,在像素空间里进行图像对比的效果并不好。不过,你可以训练一个 Siamese 网络或在学习的度量空间里进行图像对比。与前一个方法类似,元学习通过梯度下降(或者其他神经网络优化器)来进行,而学习者对应对比机制,即在元学习度量空间里对比最近邻。这些方法用于小样本分类时效果很好,不过度量学习方法的效果尚未在回归或强化学习等其他元学习领域中验证。

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

神经元技术

(人工)神经元是一个类比于生物神经元的数学计算模型,是神经网络的基本组成单元。 对于生物神经网络,每个神经元与其他神经元相连,当它“兴奋”时会向相连的神经元发送化学物质,从而改变这些神经元的电位;神经元的“兴奋”由其电位决定,当它的电位超过一个“阈值”(threshold)便会被激活,亦即“兴奋”。 目前最常见的神经元模型是基于1943年 Warren McCulloch 和 Walter Pitts提出的“M-P 神经元模型”。 在这个模型中,神经元通过带权重的连接接处理来自n个其他神经元的输入信号,其总输入值将与神经元的阈值进行比较,最后通过“激活函数”(activation function)产生神经元的输出。

压缩感知技术

压缩感知(Compressed sensing),也被称为压缩采样(Compressive sampling)或稀疏采样(Sparse sampling),是一种寻找欠定线性系统的稀疏解的技术。压缩感知被应用于电子工程尤其是信号处理中,用于获取和重构稀疏或可压缩的信号。这个方法利用讯号稀疏的特性,相较于奈奎斯特理论,得以从较少的测量值还原出原来整个欲得知的讯号。核磁共振就是一个可能使用此方法的应用。这一方法至少已经存在了四十年,由于David Donoho、Emmanuel Candès和陶哲轩的工作,最近这个领域有了长足的发展。近几年,为了因应即将来临的第五代移动通信系统,压缩感知技术也被大量应用在无线通讯系统之中,获得了大量的关注以及研究。

摩尔定律技术

摩尔定律是由英特尔创始人之一戈登·摩尔提出来的。其内容为:积体电路上可容纳的电晶体数目,约每隔两年便会增加一倍;经常被引用的“18个月”,是由英特尔首席执行官大卫·豪斯所说:预计18个月会将芯片的性能提高一倍。

推荐文章
暂无评论
暂无评论~