「硅基大脑」来了，UCSF华人实验室打造！神经科学未来不是碳基？

新智元报道

编辑：KingHZ

【新智元导读】「硅基大脑」来了，AGI还会远吗？医学顶校加州大学旧金山分校（UCSF），华人科学家张复伦（Edward Chang）实验室的博士后，描述了神经科学+AI的未来。

AI起源于人类利用「电脑」模拟「大脑」，希望计算机和人类一样可以处理各种任务。

或许，计算机还没有产生和人类一样的「智慧」。

但不妨设想一下「硅基大脑」—— 高级的AI模型，它能够破译人类的思维，让「哑巴」重新说话，也许有朝一日，甚至能预测大脑的「一举一动」。

这不是科幻小说，而是Shailee Jain正在努力实现的未来。

在近日采访中，Shailee Jain分享了踏入AI+神经科学的交叉领域的心路历程，描述了神经科学的未来：建立「硅基大脑」。

「硅基大脑」

Shailee Jain对神经科学与AI交叉领域的兴趣，起源于对大脑复杂性的迷恋。

AI不仅可以分析海量数据、帮助撰写邮件或推荐股票，还有可能模仿人类最根本的特性——思考、说话和互动。

这种观点深深吸引了她。

2023年，她加入了加州大学旧金山分校（UCSF）张复伦（Edward Chang）博士的实验室，研究全脑网络（brain-wide networks）及单个神经元的活动，以了解人类的大脑是如何实现基本的人类特质：语言。

神经科学领域长期以来因技术限制进展缓慢，但20世纪80年代和90年代的脑测量技术，革命性地改变了这一状况。

如今，在Chang Lab，在患者接受脑外科手术时，可以同时记录单个神经元的活动。

10年前，这样的技术还无法想象，但现在我们可以追踪数百个单神经元的活动，为揭示控制语言等复杂行为的脑回路提供了全新视角。

Shailee Jain是加州大学旧金山分校威尔神经科学研究所Edward Chang实验室的博士后研究员。

尽管这些数据极其珍贵，但要充分利用它们，需要强大的计算工具。

这正是AI和CS派上用场的地方。

AI与脑活动测量方法的结合，有望彻底改变神经科学。

探索单神经元的AI模型

由于海量数据和强大的计算机，AI为人类理解大脑开辟全新的可能性。

这是一个重要的转折点。

过去十年间，AI已经被成功用于分析通过功能性磁共振成像（fMRI）、脑磁图（MEG）和脑电图（EEG）等技术收集的大脑数据。

然而，目前，对单神经元活动的AI建模，仍处于初期阶段。

在UCSF，神经外科医生、神经病学家和精神病学家合作，收集了高质量、多样化的大脑数据，例如：

• fMRI：大脑的「温度计」，显示大脑活动的「热点」，展示大脑不同区域在特定时间的活动情况。

• 弥散张量成像（diffusion tensor imaging）：大脑的「交通地图」，揭示大脑不同区域之间的连接方式。

• Neuropixel 探针：脑细胞的「显微镜」，记录单个神经元的活动。

3D打印的大脑模型，背景是Shailee Jain的大脑扫描图。

张复伦博士，开创性地将Neuropixel探针用于人类手术。

而且在手术过程中，病人处于清醒状态，在手术室里执行不同的任务，同时探针记录神经元的活动。

这种精确到神经元水平的观察，为研究大脑提供了前所未有的机会。

整合多种数据

Shailee Jain的工作是将这些多样化的数据输入到人工神经网络中，目标是让模型生成与患者大脑相同的活动模式。

这一过程的挑战在于整合多种数据。

例如，fMRI反映的是大脑不同区域的氧气使用情况，而不是直接的神经活动，虽然数据分辨率较低，但对于观察整个大脑的活动模式具有重要价值；而Neuropixel探针提供了单神经元的高分辨率数据，却缺乏全脑视角。

她希望构建能处理多种数据模式的AI模型，全面描绘人类大脑。

为了训练神经网络，不仅仅要关注神经数据，还要结合患者读到的文本、听到的语言，以及行为数据（如理解能力或解题能力）。

技术应用

通过整合这些数据，有希望创建能够模拟人类大脑的「硅脑」。

数字孪生大脑以及未来应用

新一代脑机接口

硅脑技术最令人兴奋的应用之一是新一代脑机接口（BCI）的开发。

近年来，利用BCI技术，Chang博士的团队，帮助瘫痪和无法说话的患者，重新获得了与人交流的能力。

然而，目前的BCI系统需要针对每位患者收集大量训练数据，耗时且成本高昂。

硅脑有望改变这一现状。

基于海量神经数据，训练一个AI模型，可以开发无需大规模校准，即可立即使用的设备，从第一天起就能帮助患者恢复语言或动作。

这将对患者护理产生巨大影响。

精神病治疗

在精神健康领域，这项技术的潜力更为深远。

长期以来，我们对神经精神疾病的理解一直受到工具的限制。

精神分裂症、双相情感障碍和抑郁症等神经精神疾病，发病条件极其复杂，是涉及大脑多个区域神经元的复杂网络。

为了了解人脑各部分的工作原理，虽然无法剖析活着的人脑，但可以通过人工大脑模型来做到这一点。

特定神经精神疾病患者的数据，提供给AI系统，可以了解大脑不同部分如何相互作用的模式，以及这些相互作用如何出错。

这可能会带来新的、更有针对性的治疗方法，解决潜在的神经机制，而不仅仅是缓解症状。

人工模型越来越接近对不同脑部疾病的模拟，我们将能够开展在人类身上无法进行的实验。在受控的环境中，能够探索特定刺激或干预措施，如何影响神经活动，从而更好地理解和治疗这些疾病。

随着时间的推移，还可以进一步扩展研究，探讨大脑如何感知外部世界、提取记忆，以及最终如何产生思想。

未来，在人工大脑模型中，甚至可以模拟不同的脑部疾病，进行无法在人类患者身上完成的实验。这将帮助人类更好地理解和治疗这些复杂的疾病，并深入研究大脑如何感知外界、提取记忆和产生思维。

数字孪生

展望未来20至50年，相信基于脑数据训练的AI系统，能够创建「数字孪生」——每个人独特的大脑模型。

这些AI生成的模型不仅能复制一般的脑活动，还能精确模拟个人的神经模式，从而为大脑活动提供精准的分析。

例如，手术前，患者的数字孪生模型，可以用于模拟手术并预测结果；对于神经精神疾病，可根据每位患者独特的脑活动模式，设计高度个性化的治疗方案。

面临的挑战与道德问题

尽管前景令人兴奋，这一技术刚刚起步。

未来需要不断改进这些模型，并确保其在临床应用中的伦理性和公平性。

尤其是在人脑数据的使用中，知情同意和数据隐私至关重要。

此外，随着这些模型变得更加成熟，需要深入探讨技术滥用的潜在风险，特别是当模型能够预测个体脑活动时。

这些问题发人深省。

但随着技术的快速发展，我们距离这一未来或许比想象中更近。

充分利用AI的力量，我们不仅是在设想未来，而是在亲手创造未来。

作者介绍

目前，她是加州大学旧金山分校（UCSF）神经外科Chang Lab的博士后研究员。

之前，在德克萨斯大学奥斯汀分校（UT Austin）Huth实验室，她完成了计算机科学硕士/博士学位，期间与谷歌AI语言团队和英特尔脑启发计算实验室的研究人员进行了合作。

她的博士论文聚焦于联合解释人类大脑和神经自然语言处理（NLP）模型如何处理语言。

在印度国家技术学院卡纳塔克（NITK），她完成了本科学习，并在德国Leuphana大学的机器学习组度过了一段时间。

参考资料：

https://magazine.ucsf.edu/building-a-silicon-brain