当今的人工智能系统可以在象棋，围棋和
德州扑克等具有挑战性的游戏中击败冠军人物。 在飞行模拟器中，他们可以击落最好的飞行员。 它们在创建准确的手术缝合线和进行癌症诊断方面优于人类医生。 但是在某些情况下，一个三岁的孩子很容易提供世界上最好的人工智能：当比赛与训练相关联时，常规的训练使人们甚至都不会对它感到怀疑。
这个想法发生在哈佛大学的神经科学家戴维·考克斯（David Cox）身上，他是一个三岁女儿的骄傲父亲，是一位AI专家，她是一个三岁女儿的骄傲的父亲，当她注意到国家历史博物馆中的一根长腿骨骼时，指着它说：“骆驼！” 她与骆驼的唯一会面发生在几个月前，当时她父亲在图画书中向她展示了一只骆驼。
人工智能研究人员称这种能力可以从一个示例中“一次学习”来识别物体，他们非常嫉妒小孩子的能力。 当今的AI系统以完全不同的方式学习。 根据一个称为“深度学习”的自主培训系统，该程序将获得一系列数据以从中得出结论。 为了训练可识别骆驼的AI，该系统必须消化成千上万的骆驼图像-绘图，解剖图，一头驼和两头驼的照片-所有标记为“骆驼”的图像。 人工智能还将需要成千上万张标有“非骆驼”的图片。 当他利用所有这些数据并确定了动物的独特特征后，他将成为骆驼的绝佳识别者。 但是到那时，考克斯的女儿将有时间改用长颈鹿和鸭嘴兽。
考克斯提到了他的女儿，并解释了美国政府在美光公司Cortical Networks开发的名为“机器智能”的计划。 他雄心勃勃的目标是逆向工程人类的智能，以便程序员可以创建改进的AI。 首先，神经科学家需要找出进入大脑灰质的计算策略。 然后处理数据的团队会将其转换为算法。 最终AI的主要任务之一是一次训练。 考克斯说：“人们有一个极好的机会来得出结论和概括，而这正是我们试图抓住的。”
这项为期五年的计划从
情报情报局 （IARPA）获得了1亿美元的资金，重点关注视觉皮层，即大脑处理视觉信息的部分。 三个Microns小组与老鼠合作，计划在立方毫米的大脑组织中布置神经元的布局。 这听起来可能并不令人印象深刻，但是这个立方体包含大约50,000个神经元，它们通过5亿个突触相互连接。 研究人员希望，对所有连接的清晰了解将使他们能够确定在视觉皮层工作期间激活的神经“回路”。 该项目需要一个特殊的神经成像系统，以纳米级的分辨率显示单个神经元，对于这种规模的大脑区域而言，这还没有实现。
尽管每个Microns团队都有数个研究所的代表工作，但该团队的大多数成员都是由哈佛大学分子与细胞生物学和计算机科学的助理教授考克斯领导的，在哈佛大学的同一栋大楼内工作。 在实验室中散步时，您可以在“游戏俱乐部”中观察老鼠在忙于完成任务的老鼠。 像最好的自动香肠切割机一样将大脑切片的机器； 地球上最快，最强大的显微镜之一。 通过充分发挥这种设备的作用以及巨大的人力投入，Cox相信他们有机会破解这个不幸的立方毫米代码。
尝试想象人脑的这种巨大力量。 为了处理有关世界的信息并维持人体的机能，电脉冲经过860亿个神经元，这些神经元被挤压到头骨内部的海绵状组织中。 每个神经元都有一个长
轴突 ，该
轴突卷曲在该组织中，并使其与数千个其他神经元连接，从而产生数万亿个连接。 电脉冲的绘制与一个人的所有感官相关：手指运动，午餐消化，坠入爱河或辨认骆驼。
两光子激光显微镜。 红外激光扫描执行特定任务的活体动物的脑组织。 当两个光子同时撞击神经元时，荧光标记会发出具有不同波长的光子。 显微镜用这些闪光灯记录视频（上方）。 “您可以看到老鼠的想法，” David Cox说。自1940年代以来，程序员就一直在尝试模仿大脑的功能，当时他们首次提出了称为人工神经网络的软件结构。 大多数最好的现代AI都使用这种结构的某种现代形式：深度神经网络，卷积神经网络，反馈神经网络等。 这些基于大脑结构创建的网络由许多计算节点，执行小的特定任务并相互连接的人工神经元组成，因此整个系统可以执行令人印象深刻的事情。
由于科学仍然没有关于神经系统布局的基本信息，因此神经网络无法更准确地复制解剖大脑。 IARPA的Microns项目经理Jacob Vogelstein说，研究人员通常在微观或宏观上进行研究。 他说：“我们使用的工具既可以追踪单个神经元，也可以从大脑的大范围收集信号。” “在理解电路级的操作方面存在很大差距-数千个神经元如何协同工作以处理信息。”
由于最近的技术突破使神经科学家能够建立“
连接组 ”图谱，从而揭示神经元之间的许多联系，这种情况已经改变。 但是Microns不仅需要静态连接图。 团队必须证明当啮齿动物看到，学习和回忆时如何激活这些连接。 Vogelstein说：“这与人们试图理解电子电路的操作非常相似。” “可以对芯片进行详细检查，但是直到了解其工作原理，您才会明白该做什么。”
对于IARPA，如果研究人员能够跟踪参与识别的神经元的模式并将其转换为更像大脑的人工神经网络架构，则将获得真实的结果。 “希望可以根据数学和算法来再现大脑的计算策略，”沃格斯坦说。 政府认为，以类似于大脑的方式工作的AI系统将比其前身更好地应对实际任务。 当然，了解大脑的工作原理是一项艰巨的任务，但情报机构希望AI快速学会识别摄像头的颗粒状框架中的骆驼和半隐藏的面孔。
供考克斯老鼠使用的“游戏俱乐部”是一个小房间，其中四个微波大小的黑匣子相互堆叠。 每个盒子的屏幕上都有老鼠的脸，鼻子的前面有两个水龙头。
在阿贡国家实验室（Argonne National Laboratory）， APS同步加速器使电子加速，并撞击到金属线中，产生聚焦在小脑组织上的非常明亮的X射线。 从多个角度拍摄的X射线图像被组合以创建三维图像，该三维图像显示一块内的每个神经元。
脑组织中的神经元在当前的实验中，老鼠正试图应付一项艰巨的任务。 屏幕显示由计算机创建的三维图像。 这些不是来自外部世界的某些对象，而只是块状的抽象形式。 当老鼠看到物体A时，它必须舔左水龙头才能得到一滴甜汁。 当她看到对象B时，果汁将在正确的水龙头中。 但是从不同角度显示物体，所以老鼠需要转动脑海中的每个物体并决定它是指A还是B。
培训课程的重点是拍摄照片，然后将老鼠带到大厅到另一个实验室，那里有一个大显微镜，上面盖着黑布，看上去像老式的照相设备。 该小组使用两光子激光显微镜研究动物的视觉皮层，当它看着屏幕时会从不同的角度显示两个熟悉的物体A和B。 显微镜记录了当激光撞击活动神经元时发生的闪烁和发光，而三维视频则显示了类似绿色萤火虫的图片，这些萤火虫在夏夜闪烁。 考克斯想知道当动物成为这项任务的专家时，这些模式将如何变化。
显微镜的分辨率不足以看到轴突将神经元彼此连接。 没有这些信息，科学家就无法确定一个神经元如何激活下一个神经元来创建信息处理电路。 为此，必须杀死动物，并且必须更仔细地研究大脑。
研究人员从联邦快递提供给阿贡国家实验室的视觉皮层中雕刻出一个很小的立方体。 在那里，粒子加速器使用强大的X射线辐射建立三维图，显示单个神经元，其他类型的脑细胞和血管。 立方体中连接的轴在此地图上也不可见，但是稍后在研究人员将两光子显微镜的图像与电子显微镜的图像进行比较时会有所帮助。 “对我们来说，X射线就是
罗塞塔石碑 ，”考克斯说。
然后，一部分大脑返回到分子连接与细胞生物学教授杰夫·利希特曼（Jeff Lichtman）的哈佛实验室，他是大脑连通性的领先专家。 利希曼团队将大脑的这一立方毫米切成薄片，然后用机器将其切成33,000块30纳米厚的薄片。 将这些最薄的薄板收集在薄膜条上，然后放在硅基板上。 然后，研究人员使用世界上最快的电子显微镜之一，该电子显微镜向每个组织样本发送61束电子束并测量电子散射。 一台冰箱大小的机器全天候工作，并以4 nm的分辨率产生每个切片的图像。
每个图像都类似于一块紧密包装的意大利面条的一部分。 一个软件图像处理系统按顺序收集切片，并跟踪从一个切片到另一个切片的每个意大利面条线，绘制每个神经元轴突全长的草图以及与其他神经元的数千个连接。 但是软件有时会丢失线程或将线程彼此混淆。 考克斯说，人们比计算机更擅长计算机。 “不幸的是，处理如此多的数据不足以覆盖整个地球。” 哈佛大学和麻省理工学院的程序员正在研究他们需要解决的跟踪任务，以建立准确的大脑结构图。
通过将此图叠加在用双光子显微镜获得的大脑活动图上，可以检测计算机的大脑结构。 例如，这样的组合应该显示出回路中的哪个神经元，当老鼠看到一个奇怪的物体时被点燃，将其颠倒过来并决定看起来更像物体A。
考克斯团队面临的另一个难题是速度。 在该项目的第一阶段（5月结束）中，每个团队都需要展示对一块大小为100立方微米的大脑组织的研究结果。 由于切片减少，Cox团队在两周内完成了电子显微镜和重建的阶段。 在第二阶段，团队需要学习如何在几个小时内处理相同大小的零件。 从100μm3缩放到1 mm
3会使体积增加千倍。 因此，可口可乐着迷于过程的每个步骤的自动化，从用视频训练大鼠到跟踪连接套。 他说：“这些IARPA项目使科学看起来像工程师。” “我们需要非常快速地转动曲柄。”
加快实验速度可使Cox团队测试更多与大脑结构有关的理论，这将对AI研究人员有所帮助。 在机器学习中，程序员定义了神经网络的一般体系结构，程序本身决定了如何将计算链接到序列中。 因此，研究人员计划在相同的视觉任务上训练大鼠和神经网络，并比较交流方式和结果。 “如果我们注意到大脑连接中的某些模式，而在模型中没有注意到它们，则可能暗示我们做错了，” Cox说。
研究领域之一包括大脑训练规则。 相信对象的识别是通过分层处理进行的，其中第一组神经元接收原色和形状，下一组找到边缘以将对象与背景分离，依此类推。 当动物学会更好地应对识别任务时，研究人员可能会问：层次结构中的哪一组神经元对其活动的影响最大？ 当AI开始更好地应对同一任务时，其神经网络是否会以与大鼠神经网络相同的方式发生变化？
IARPA希望这些发现不仅适用于计算机视觉，而且适用于一般的机器学习。 “我们所有人的行为都是随机的，但是我们的运气得到了证据的支持，” Cox说。 他指出，大脑皮层（发生高级识别的神经组织的外层）在整个体积中具有“可疑的相同”结构。 这种一致性迫使神经科学家和AI专家相信，在处理大脑中的信息时，可以使用一种他们计划检测的基本连接方案。 此类原型的定义可能是迈向通用AI的一步。
同时，考克斯（Cox）的团队旋转了曲柄，试图让经过考验的程序更快地运行，而另一名Microns研究人员正在研究一个基本想法。 哈佛生物学研究所的技术教授乔治·丘奇说，如果可行的话。 Wyssa，她可以革新大脑科学。
Church带领Microns团队与匹兹堡卡内基马隆大学的Tai Sing Lee一起。 教会负责标记联系，他的方式与其他团队截然不同。 他没有使用电子显微镜追踪轴突连接。 他认为该技术太慢并且会产生太多错误。 他说，当您尝试在立方毫米的组织中追踪轴突时，错误将累积并污染连接数据。
丘奇的方法不取决于轴突的长度或所研究的大脑块的大小。 它使用转基因小鼠和一种称为“
DNA条形码 ”的技术，该技术用独特的遗传标识符标记每个神经元，该标识符可以从其树突边缘和长轴突末端读取。 他说：“不管你的轴突有多大。” “使用条形码，您会发现两个目的，而中间的所有内容如何混淆都无所谓。” 他的团队使用的脑组织切片比Cox的实验室厚，而不是30 nm，而是20μm，因为他们不必担心会丢失切片之间轴突通过的确切路径。 DNA测序仪会记录给定切片中存在的所有条形码，然后程序处理遗传信息列表，并创建一个地图，显示哪些神经元与哪些相关。
丘奇和他的同事，纽约冷泉港实验室神经科学教授安东尼·扎多尔（Anthony Zador）在先前的实验中证明了条形码和测序技术是可行的，但尚未将数据收集到进行Microns项目所需的完整连接图中。 丘奇说，如果团队设法做到这一点，那么Microns只是他构建大脑图谱的尝试的开始：那么他想建立一个鼠标整个大脑中所有连接的图，您可以在其中找到7,000万个神经元和700亿个连接。 丘奇说：“使用立方毫米工作意味着极短视。” “我的计划还没有结束。”
基于RNA条形码的大脑区域图
定序机这样的大规模地图可以促进出现完全模仿生物大脑的AI开发新思想。
但是，丘吉尔（Church）扮演着挑衅者的角色，想象着一种不同的计算机开发方式：他说，您需要停止尝试创建大脑的硅仿制，并建立一个能够比人类更好地处理计算任务的生物大脑。他说：“我认为不久我们将有机会从事合成神经生物学，并创建生物大脑的改良版。”尽管硅计算机在信息处理速度方面胜过生物系统，但丘奇还是认为人造大脑会辅以可加速其工作的特殊电路。丘奇估计，美光公司的大脑逆向工程项目可能不会成功。他说，大脑是如此复杂，以至于即使研究人员能够制造这样的机器，他们也可能无法完全理解大脑的所有秘密，这并不可怕。丘奇说：“我认为理解是科学家的一种崇拜。” “创建大脑可能比理解它容易。”