人工智能和脑科学的结合有望为这两个领域带来好处
塞坦·潘达里纳（Cetan Pandarinah）希望让肢体瘫痪的人有机会像自然人一样借助机械臂来操作物体。 为了实现这个目标，他收集了瘫痪者大脑活动的记录。 许多研究人员都希望他的希望是，可以在控制手部运动的神经元中建立电活动模式，以便随后将这些说明提交假肢。 这本质上是对思想的解读。
亚特兰大Pandarin佐治亚理工学院的生物医学工程师说：“事实证明，这些大脑信号很难理解。” 为了寻找解决问题的方法，他求助于AI。 他利用大脑活动的记录来训练人工神经网络-计算机体系结构，该思想是从大脑中借来的，并且将重现数据的任务设置在了它之前。
记录是在大脑中的一小部分神经元上进行的-在控制人手运动的10-100百万个神经元中，有200个左右。 为了使这么小的样本有意义，计算机必须找到被研究人员称为“隐藏因素”的模式，这些因素控制着所记录的大脑活动的整体行为。 这项研究揭示了神经活动的时空动态，与以前的方法相比，可以产生更为准确的手运动指令集。 Pandarinakh解释说：“现在我们可以说，直到最近的毫秒，实验动物正试图以这个确切的角度移动。这正是我们需要知道的，以便控制机械臂。”
他的工作只是AI与认知科学之间不断增长的互动的一个例子。 在过去的十年中，人工智能具有识别大型，复杂数据集中的模式的能力，取得了举世瞩目的进步，特别是模拟了大脑执行某些计算的过程。 人工神经网络类似于组成大脑的神经元网络，使计算机能够将猫的图像与其他图像区分开，识别出足以驾驶无人驾驶车辆的行人，并能够识别语音并对其做出反应。 现在，认知科学已开始从AI的功能中受益，既可以作为开发和测试有关大脑如何执行计算的思想的模型，也可以作为处理与Pandarinakh进行的研究类似的复杂数据数组的工具。 他说：“技术在其发展方面进行了一场彻底的革命，现在正被用于了解大脑本身的工作原理。” [
Chethan Pandarinath Pub。 ]。 这个相互放大的周期可能会继续。 由于人工智能使神经科学家可以了解大脑如何执行计算，因此他们的进一步研究可以使机器产生更多的人类智能。
伦敦大学学院盖茨比分校计算神经生物学系的神经科学家理论家和机器学习研究员Manesh Sahani说，这两个学科自然地融合在一起。 “我们有效地研究了同一件事。 在一种情况下，我们问如何在数学上解决该学习问题，以便可以在机器中有效地实现它。 在另一种情况下，我们正在寻找可以解决问题的唯一证据就是大脑” [
Maneesh Sahani Pub。 ]。
处理数据
AI方法不仅对创建模型和产生想法有用，而且还作为处理数据的工具。 “神经数据非常复杂，因此我们经常使用机器学习方法来查找其中的结构，” Sahani说。 机器学习的主要功能是识别模式，这些模式可能在巨大的数据集中太微妙或太隐蔽，人们无法察觉。
例如，功能磁共振成像可以每秒约1-2毫米的分辨率生成整个大脑的活动图像。 “认知神经生物学的任务是如何在非常大的图像中找到有用的信号，”康涅狄格州纽黑文市耶鲁大学的认知神经科学家Nicholas Turk-Brown说。 特克·布朗（Turk-Brown）领导着几个在数据科学和神经科学交叉领域寻求新想法的项目之一[
Nicholas B Turk-Browne Pub。 ]。
使用机器分析此数据可加快研究速度。 “这是神经生物学研究方法的巨大改变，”位于加利福尼亚州旧金山的Google Brain小组的神经计算器David Susillo说。 “研究生不需要做不必要的日常工作-他们可以专注于更大的问题。 您可以实现很多自动化，并获得更准确的结果。”
再现感情
斯坦福大学吴仔神经科学研究所的计算神经科学家丹尼尔·亚明斯（Daniel Yamins）采用的方法是创建一个能够复制大脑数据的人工系统。 2014年，Yamins在剑桥的麻省理工学院获得博士学位后，和他的同事训练了神经网络，以预测猴子识别出某些物体时的大脑活动[
Yamins，DLK等，2014 ]。 人类和猴子中物体的识别是通过称为
腹侧视觉流的大脑系统进行的，该系统具有两个主要的结构特征。 首先，它是
视网膜色素变性 ，这意味着大脑中的视觉处理路径以使眼睛感知视觉信息的方式组织。 其次，系统是分层的； 从仅识别物体轮廓的层到识别整个物体（例如汽车或人脸）的较高层，皮质的某些区域执行的任务越来越复杂。 上层如何工作的细节尚不清楚，但是结果是，当由于距对象的距离不同而大小不同，甚至部分隐藏时，大脑仍可以在不同位置，不同光照条件下识别对象。 计算机通常无法应付这些困难。
Jamins和他的同事根据与大脑相同的视网膜局部层次结构来构建深度学习神经网络，并向其显示了成千上万个包含64个物体的图像，这些物体在大小和位置等特性上都不同。 当网络学会识别物体时，它发展出几种可能的神经活动模式。 然后，研究人员将这些计算机模式与猴子神经元在执行类似任务时记录的模式进行了比较。 事实证明，那些最能识别物体的网络选项的活动模式最接近猴子的大脑模式。 贾明斯说：“我们发现神经结构是在网络结构中模拟出来的。”研究人员能够将其网络区域与大脑区域进行比较，准确率几乎达到70％。
结果证实，腹侧视觉流的体系结构对于大脑视觉系统中的识别过程非常重要。 在2018年，Jamins和同事通过探索听觉皮层取得了类似的突破，为此他们创建了一个深度学习神经网络，该神经网络可以在2秒的片段中识别出与人类相同的单词和音乐类型[
Kell，AJE等。 2018 ]。 这有助于研究人员确定大脑皮层的哪些区域执行语音识别以及哪些区域可以识别音乐，这是理解大脑听觉系统的新步骤。
神经科学家仍远未了解大脑如何处理区分爵士音乐和摇滚音乐的任务，但是机器学习使他们有机会建立探索这些问题的模型。 贾明斯说，如果研究人员能够创造出一种类似于大脑的系统，那么他们的结构就可以提出有关大脑如何解决此类问题的想法。 这很重要，因为科学家们通常没有关于大脑如何运作的有效假设[
Daniel Yamins Pub。 ]。
在研究人员构建了假设之后，下一步就是检验它。 通过更改AI模型的参数，您可以了解大脑的活动，并了解哪些因素可能对特定任务很重要。 研究人员在道德上可能会干扰健康的人类大脑过程的程度受到限制。 因此，在患有癫痫病并且需要去除脑组织的人的大脑上记录了人类神经活动的许多记录。 这是由于允许将电极植入大脑组织这一事实，在任何情况下都可以将其移除。 实验动物允许研究人员使用更具侵入性的程序，但人类的行为形式，尤其是言语，是其他物种无法复制的。 可以模仿人类行为并受到任何形式的影响而不会引起道德问题的AI系统，将为科学家提供更多的工具来研究大脑的工作方式。 例如，研究人员可以教一个网络来再现语音，然后对其进行降解，以便研究语音与暴露的关系（神经网络对情感建模的另一个有趣的例子-
在哈布雷（Habré ）的
出版物中给出了数字感觉-
译者注 ）。
一般注意事项
计算机科学和认知科学解决了一些重要问题，了解如何在上述任何一个领域中回答这些问题都可以在这两个领域中取得进步。 这些问题之一是培训进行得如何？ 神经网络主要进行监督学习-与老师一起训练。 例如，对于图像识别，可以使用从ImageNet数据库获得的图像来训练它们，该数据库由超过1400万张已经被人分类和注释的对象的照片组成。 在训练期间，网络会创建具有相同标签的图像（例如“猫”）的共同点的统计描述。 当网络呈现新图像时，将检查是否存在相似的数字属性，如果存在匹配项，则猫会声明该图像。
显然，这不是孩子们学习的方式，麻省理工学院脑，思维和机器中心的神经演算专家托马索·波焦（Tomaso Poggio）说。 他说：“一个孩子在出生后的头两年中看到约十亿张图像。” 但是这些图像中只有少数是以某种方式标记或命名的。 Poggio说：“我们还不知道该如何处理，以及如何创建主要从未标记数据中学习的机器。”
他的实验室处于该项目的初始阶段，这将允许神经网络在没有老师的情况下进行训练，从而在未加标签的视频中找到模式。 “我们知道动物和人类可以做到这一点，”波焦说。 -“问题是，怎么样？”
贾明斯通过开发类似于儿童游戏的程序，通过随机互动采访他们的周围环境并逐渐加深对世界运转方式的理解，从而解决了无师傅学习的问题。 本质上，他对好奇心进行编程，以激发计算机探索环境的希望，从而希望出现新的行为方式。
另一个未解决的问题是，智力的某些方面是否已“确定”发展。 例如，人们可能倾向于面部识别，而儿童从一开始就开始这样做。 Poggio建议，也许我们的基因编码了一种机制，可以快速和早期地学习这项任务。 弄清楚这个想法是否正确，可能会使科学家们设计出一种方法来帮助机器学习。 其他研究人员正在研究道德的神经基础。 波吉奥说：“人们害怕'邪恶'的汽车。如果我们想制造好的汽车，道德的机器，我们可能需要更好地了解我们的道德行为是如何产生的。” [
Tomaso Poggio Pub。 ]
贾明斯说，很难理解仅靠神经科学如何才能发现没有老师的学习方式。 他说：“如果您没有AI解决方案，那么如果您没有任何可以人工工作的东西，就不会拥有大脑模型。” 他认为，人工智能科学家可能会提出一种或多种神经科学家可以测试的解决方案。
这些难题的答案将有助于创建更多的智能机器，这些机器将能够在其环境中学习，并将计算机的速度和处理能力与人类能力相结合。 数据处理和在计算机上进行仿真的能力已经在脑科学领域取得成果，而且只会取得进展。 Susillo说：“人工智能将对神经科学产生巨大影响，我想参与其中。”
译者的话 。 考虑到Habr听众的详细信息，而无需解释诸如神经网络或深度学习之类的问题，因此翻译时使用了一些缩写，这些缩写对于理解本文并不重要。