在现阶段的神经科学和脑科学的研究中，有没有人脑结合 AI（人工智能）的方向？ 第1页

抛砖引玉

1.AI 一直在从神经科学中汲取营养

这一部分主要是和电生理/计算神经科学相关。

现在AI中最热的人工神经网络，来源于神经元连接。人工神经网络算法的进化，灵感很多也来自神经科学。比如最基本的feedback 和recurrent 的概念都来自实际的神经环路结构。CNN（卷积神经网络，大量用于图像识别）借鉴了视网膜/视皮层/LGN内部和之间的连接结构。强化学习网络借鉴了多巴胺系统在价值判断中的运算逻辑。

最近，人工神经网络的鼻祖大牛Hinton抛出了下一代CNN网络的Capsule的概念。这个概念的灵感来自于皮层的计算基本模块：皮层柱（ cortex column）。不同的皮层有不同的功能，却具备相似的基本结构。因此皮层柱也被认为是大脑的通用计算模块，换句话说，就是个通用CPU。这个通用CPU的工作原理我们还没能搞明白， 在研究它的过程中，会不断的给人工神经网络提供灵感。

视频：根据神经元连接建模的皮层柱神经活动（来源：Cajal Blue Brain Project）

举个最近的例子：计算神经科学家，Idan Segev，Blue Brain Project 初始倡议人之一，最近他和Eyal Gal在bioRxiv上上传了一篇文章，得到了很多AI从业者的关注。

这篇文章主要是验证了他在之前建立的皮层柱模型中预测到的几种主要motif的存在。皮层柱模型见https://www.nature.com/articles/nn.4576 ，研究目标是属于神经科学领域。得到AI界人士的关注，主要是因为这几种motif给人工神经网络提供了灵感。

2.AI 正在成为神经科学家的有力工具

前面几位答主提到了AI对于磁共振和脑电的分析。我再补充下我了解到的一些方面。

一是借鉴现成的AI算法，使当前的科研手段更加精密。

举个例子，马普研究所的美女神经科学家，Nadine Gogolla，利用AI进行动态图像识别，发现小鼠也是有表情的。可以从小鼠胡须动作，耳朵位置，面部肌肉来预测小鼠吃到的东西是甜的还是苦的，是不是受到了电击等。

这可以很高的提高动物行为学的精细度。

二是设计各种工具蛋白。

最近我参加了一个神经科学的小型会议，2天13个报告，11个报告使用了病毒工具，其中5个把设计新的病毒工具当成了主要创新点。

病毒工具的工作原理是将工具蛋白导入神经元。如何设计工具蛋白是件复杂的事情，要从需求去设计蛋白的三维结构，再从三维结构去反推氨基酸结构。

蛋白质三维结构的预测非常复杂。AI将会是这个领域的重要辅助手段。

3. AI有可能帮助我们发现unknown unknown

最近几年，各主要发达经济体（中美欧日以色列）纷纷上马脑计划，原因在于，大脑的高度复杂性，使得单打独斗小作坊式的以单个课题组为基本单元的科研模式越来越低效和浪费（此条接受反驳）。

各国的脑计划主要集中在三个领域：连接谱（Connectome），表达谱，模拟脑。模拟脑属于计算神经科学领域，已经在第一部分说过了。

连接谱可以有不同程度的精细度。上面的视频仅仅是一个皮层柱的连接结构，不到一立方毫米。如果把全脑连接很精细的描绘出来，其数据量会相当庞大。参考我之前的答案

在拿到部分或全部数据之后，我们怎么利用和理解这个大数据？现在还不知道。

表达谱主要基于最近兴起的单细胞RNA测序技术，把不同脑区不同类型的细胞的mRNA表达模式全部测绘出来。在中国脑计划中，表达谱也有着相当的权重。

最近刚刚有一篇science文章采用了这个技术，对比了snRNA的表达在孤独症患者和健康对照之间的差异。

实话实说，我自己对这样的文章是不信的。只有15个病人，16个对照，对比了10万组不同的表达模式，年龄跨度为4-22岁。孤独症是异质性很强的精神疾病。这样的前提条件导致任何的结论都不可信。（接受反驳）

单篇文章是否可信不是大问题，根本问题是，对于大规模的连接谱和表达谱，我们目前还没有能解读的工具。即使拿到了数据，我们目前也不明白应该怎样去理解。AI可能能够识别出其中一些模式特征，帮助我们理解未来的基于大数据的神经科学。这种对unknown unknown的发现才是最令人期待和兴奋的事情。

最后，不仅仅在神经科学领域，其它科研方向也有被AI重塑的可能性。