人工智能的认知神经基础白皮书_55页_5mb

人工智能的认知神经基础白皮书总结（2020年）

核心内容

本白皮书由北京智源人工智能研究院发布，旨在探讨人工智能与认知神经科学的交叉领域，总结2020年在该领域的重大研究进展，并为相关研究提供参考。白皮书强调多学科交叉的重要性，指出新技术的发展为理解大脑和人工智能算法之间的关系提供了新的视角。

主要观点

• 认知与神经科学的交叉：认知科学、神经科学和信息科学分别从不同路径探索智能本质，它们的交叉促进了对智能机制的更深入理解。
• 高时空分辨率成像技术：随着技术的发展，如多光子成像、超大视场成像、超高速成像和自由行为动物成像技术，研究人员能够更深入地观察神经元和神经网络的动态活动。
• 神经递质与记忆机制：多巴胺在瞬时遗忘中起到关键作用，挑战了传统认知中关于记忆与学习的机制。
• 神经元与突触的协同作用：神经元的选择特异性不是由强突触单独决定，而是由所有突触共同“投票”决定，包括强突触和弱突触。
• 视觉系统的功能层级：小鼠视觉系统存在功能层级结构，支持类似灵长类动物的视觉信息处理。
• 全脑连接组研究：通过BRICseq技术，能够快速、高效地构建小鼠全脑连接组图谱，揭示基因表达与神经活动的关系。
• 认知理论的修订：新证据挑战了传统的视觉通路模型和海马记忆编码理论，提出了新的认知模型和理论。
• 神经调控技术的应用：非侵入式和侵入式神经调控技术在视觉认知功能增强和重建方面取得了进展。

关键信息

技术发展

• 多光子成像：康奈尔大学的Chris Xu团队开发了三光子显微成像技术，实现了对成年斑马鱼全脑的深层高分辨率成像。
• 超大视场成像：清华大学戴琼海团队开发了多平面宽场荧光显微镜，具备 $1.56 \mathrm{~mm} \times 1.83 \mathrm{~mm}$ 的超大视场和高时空分辨率。
• 超高速成像：加州大学伯克利分校的Na Ji团队开发了全光无源激光扫描高速成像技术，实现每秒3000帧的双光子成像。
• 自由行为动物成像：北京大学开发了超高时空分辨微型化双光子在体显微成像系统（FHIRM-TPM），实现了对自由行为动物的高分辨率成像。

神经科学研究进展

• 多巴胺与瞬时遗忘：果蝇实验表明多巴胺在瞬时遗忘中起关键作用，挑战了传统观点。
• 多突触输入与选择特异性：Benjamin Scholl等人发现，神经元的选择特异性由所有突触共同决定，包括强和弱突触。
• 小鼠视皮层的神经元响应特性：Saskia等人研究发现，小鼠视皮层中存在大量低特异性神经元，挑战了传统视觉神经元模型。
• 小鼠视觉系统的功能层级：Joshua H. Siegle等人通过新型神经电信号记录系统，揭示了小鼠视觉系统的功能层级。
• 全脑连接组：黄龙文等人开发了BRICseq技术，能够快速构建小鼠全脑连接组图谱。
• 斑马鱼决策行为：Qian Lin等人通过高通量全脑成像技术，揭示了小脑在决策行为中的作用。

人工智能的启发

• 分布式强化学习：Will Dabney等人发现大脑中多巴胺神经元的活动模式与分布式强化学习算法相似。
• 海马与抽象关系推理：Whittington等人通过人工智能方法建立了海马神经元表征的统一模型。
• 神经网络建模：MIT的研究借鉴秀丽线虫的神经网络结构，提高了自动驾驶任务中神经网络的鲁棒性和可解释性。

认知理论的修订

• 第三条视觉通路：David Pitcher等人提出人类和非人灵长类动物大脑存在第三条视觉通路，专门处理社会认知信息。
• 海马记忆编码机制：Rodrigo Quian Quiroga提出人类海马中不存在模式分离，而是采用类似二进制的编码机制。

结构与功能连接组

• 全脑结构连接组：通过病毒示踪和基因表达分析，揭示了大脑不同区域之间的连接强度与功能的关系。
• 全脑功能连接组：高通量成像技术帮助研究人员理解不同脑区在信息处理中的协同作用。

未来展望

• 高还原脑仿真：整合不同层次的神经信息，建立更真实的脑模型，有助于理解生物智能的涌现机制。
• 向高级灵长类转化：发展适用于高级灵长类动物的神经成像和调控技术，以揭示更复杂的认知行为。
• 新认知理论模型建立：结合新证据，建立新的认知模型，如第三条视觉通路对应的人工神经网络模型。
• 跨学科合作：认知科学、神经科学与人工智能的相互借鉴和融合，将促进各领域的共同发展。

技术应用与挑战

• 成像技术：多光子、宽场、光片显微技术等不断发展，为研究大脑活动提供了更多可能性。
• 神经调控技术：非侵入式和侵入式技术在视觉认知功能增强和重建方面取得突破。
• 数据整合与建模：随着技术进步，大脑数据的整合与建模成为可能，有助于揭示神经系统的工作原理。

总结

本白皮书系统地总结了2020年在人工智能与认知神经科学交叉领域的重大进展，涵盖了从微观神经元到宏观全脑连接组的研究，以及成像和调控技术的最新发展。这些进展不仅加深了我们对大脑工作机制的理解，也为人工智能的发展提供了新的思路和方法。未来的研究将更加注重多学科的交叉合作，以实现对智能本质的更全面揭示。