新火種
2023-11-30 
入職MIT，中國科學家揭秘大腦，闡述大腦如何從A任務切換到B任務
“神經科學以前在國內是一個很小眾的領域，十年前我在北京王府井大廈購買相關書籍，也只買到了區區幾本，” 談及自己的研究領域，剛剛入職麻省理工學院（MIT）的 31 歲學者楊光宇告訴 DeepTech，不過雖然小眾但卻無法攔阻他的熱愛。
圖 | 楊光宇（來源：受訪者）
事實上，神經科學正在繁榮發展，在神經科學數據的采集方面，它的發展速度比摩爾定律還要快，并呈現出指數級增加。比如，馬斯克的腦機接口公司 Neuralink 是神經科學大領域的代表性公司之一，谷歌旗下的 DeepMind 公司也做神經科學。
2021 年 5 月，當期 Nature 封面論文介紹了一項意念打字的成果，斯坦福大學神經假肢轉化實驗室的里希納謝諾伊（Krishna Shenoy）教授參與了該研究，而謝諾伊正是神經科學領域的代表性學者之一。
在Nature 子刊發文，“揭秘”人類大腦神經元如何從A任務切換到B任務幾個世紀以來，人類對于大腦的探索從未停止。在神經網絡被作為大腦研究方法之前，科學家研究大腦時一般使用較為固定的方法，比如讓小白鼠等動物作為被試者去做某個任務，然后觀察它在做任務時大腦里的神經元活動情況。
但這也造成一個缺陷，即很難訓練動物做多種任務，而人類大腦經常會進行多任務思考。這也是為何在神經網絡誕生之前，科學家對神經元如何從 A 任務轉換到 B 任務的研究較少的原因之一。
此前科學家已經獲悉，大腦前額葉皮層對諸多認知功能都起著重要作用，并在任務表示中起到核心作用 。在動物行為學的實驗中，人們發現前額葉神經元在給定任務方面起著功能混合的作用，但目前尚未從神經元層面得到解釋。
（來源：受訪者）
想象一下，如果你的大腦要處理許多不同任務，處理的時候是每個任務都由專屬神經元來完成？還是多項任務同時共用神經元？亦或是介于專屬和共享之間？
2019 年，楊光宇和合作者曾使用神經網絡深入研究了上述問題，相關論文以訓練完成許多認知任務的神經網絡中的任務表示（Task representations in neural networks trained to perform many cognitive tasks）為題發表在 Nature Neuroscience。
該論文的成果，是訓練一個神經網絡去做 20 個認知科學中比較常見的認知任務，這些任務依賴于記憶、決策、和抑制控制等。
圖 | 相關論文（來源：受訪者）
楊光宇告訴 DeepTech：“經研究發現，神經網絡會涌現出很多模塊，每個模塊負責某一種特殊的計算功能，當這個網絡完成一個任務，它會把不同模塊組合起來，而一個模塊還可參與到多種任務。”
為繼續探究這一問題，楊光宇和團隊使用訓練循環神經網絡（RNN）的方法，去訓練一個循環神經網絡來執行 20 個互相關聯的認知任務。其中的大多數任務，都經常被用于非人類動物的神經生理學研究中，因此它們是了解認知神經機制的非常經典的任務。
選定的任務集包括：記憶引導的反應、簡單的感知決策、上下文相關的決策、多感官整合、參數工作記憶、抑制控制（例如堅持不要眨眼）、延遲取樣匹配等。
（來源：受訪者）
而楊光宇所設計的神經網絡架構，既可以通用地執行以上所有任務，又能簡單地進行分析。其中，對于每項任務，神經網絡都會接收三種類型的輸入：固定、刺激和規則。
固定輸入會告訴網絡到底是該定住、還是要做出例如掃視的響應。因此固定輸入的減少，意味著能讓神經網絡向前進。刺激輸入有兩種模態，每種模態都由一圈輸入單元表示，這些輸入單元可表示不同的一維變量信息，例如前進方向、以及色彩轉盤顏色。
每一次試驗中，規則輸入都會被激活一次，來指示神經網絡當前該執行的任務。神經網絡會將這些輸入映射為一個固定輸出單元和一組運動單元，它們可把響應方向編碼成輸出環上的一維變量，比如掃視方向和到達方向。
圖 | 循環神經網絡及其輸入與輸出的實例（來源：受訪者）
值得注意的是，在該神經網絡在被訓練之前，它無法獨自執行任何任務。而訓練它的方法是監督學習，該方法會把所有輸入、循環和輸出的權重進行連接，從而不斷縮小神經網絡輸出與目標輸出之間的差異。
需要指出的是，在訓練期間，神經網絡的任務訓練順序是隨機交錯的。在下圖中即可看到經過 256 個循環單元的后神經網絡訓練的結果。由圖可知，對這一規模的神經網絡來說，訓練結果是足夠穩健的。經過訓練后，神經網絡模型在執行 20 個任務中的每一種任務，都表現出了高行為性能。
圖 | 經過訓練之后，神經網絡在執行每一種任務中都表現了高性能水平（來源：受訪者）
在同時訓練神經網絡執行多項任務后，多項任務的表示會以聚合方式來呈現。為了模擬人類學習過程，楊光宇又訓練神經網絡去連續執行多項任務。最終發現，連續訓練與同時訓練多項任務之后的神經網絡完全不同。
此外，楊光宇還通過系列測試，展現了神經網絡的行為特征與動物研究所得出的結果一致。甚至在感知決策任務中，神經網絡表現出更好的連貫性，還能處理來自不同來源的信息從而形成決策。其中，在工作記憶任務中，神經網絡能夠保存信息長達 5 秒（單個單位時間常數的 50 倍）的時間。
（來源：受訪者）
最新成果是用神經網絡去模擬嗅覺楊光宇于近期上傳至預印本網站 BioRxiv 上的成果，是用神經網絡去訓練果蠅。具體來說，大腦中有很多神經元，這些神經元組成一個神經網絡。此前人們覺得大腦中的神經網絡和深度學習中的神經網絡沒有關系，即便有關系也只是大腦神經網絡對于工程神經網絡的啟發，而事實上深度學習也會用到神經網絡。
目前，他的主要工作是為大腦建立模型，最終想達到讓人工神經網絡實現嗅覺任務。經過訓練之后，神經網絡之間的神經元可建立相互連接，這和果蠅嗅覺的神經網絡之間的神經元連接非常類似，甚至呈現出了定量性的類似，而這是非常罕見的發現。
在神經科學領域，給大腦建模是一項重要的研究方法，它可以彌補理論物理的一些局限性。簡單的說，理論物理要通過總結公式來解釋各種現象。
但只通過簡單的公式，有時無法解釋大腦的復雜現象，這時就可建立模型去模擬一些復雜現象，模擬并不需要精確度很高，主要是為了找到關鍵因素，然后將關鍵因素放入模型中進行進一步模擬。
此外，在神經科學領域進行的模擬，是通過寫代碼去對比神經元的連接方式，這和模擬行星運動、甚至模擬化學反應也有相似之處。
說到選擇這一研究命題的原因，楊光宇告訴 DeepTech：“此前科學家并沒有掌握太多大腦神經元互相連接的數據，這些數據都是最近幾年才慢慢出現。另外之前也沒有研究顯示，通過訓練一個人工神經網絡，達到和實際的神經網絡有實現定量契合。”
自高中起，就立志研究神經科學今年7月，楊光宇已經正式入職 MIT 。但從高中起，他就立下了做神經科學的志向。其認為，搞清楚大腦運作方式必將是很重要的研究。高三就被保送北大的他，在選擇專業時也曾陷入猶豫，由于當時北大沒有神經科學專業，最終他還是選擇了物理系。但在本科期間，楊光宇就一直在自學神經科學的知識。
直博期間，他先就讀于耶魯大學，后隨其導師汪小京老師轉學至紐約大學。楊光宇博士畢業后，一心追求科研教職，并收到了 MIT 的 offer。
談及面試 MIT 的過程，楊光宇表示首先需要交一個工作報告，之后要向其他教授做黑板報告，此后還有一對一的面試。其實早在 2020 年，他就收到了 MIT 的入職通知，而在過去一年中，他也一直在家做研究、寫代碼、做大腦建模。
而之所以選擇就職 MIT，是因為該校在神經科學領域比較領先。對于工作單位，他現階段沒有很強烈的地域傾向，哪里合適就去哪里。在基礎科學研究領域并沒有國界，很多成果涉及的核心代碼都是公開的，每個人都能查到。因此，楊光宇認為雖然自己人在美國，但也是在給全人類的科研做貢獻。
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
