新智元報道
新智元報道
編輯：KingHZ
【新智元導讀】「矽基大腦」來了，AGI還會遠嗎？醫學頂校加州大學舊金山分校（UCSF），華人科學家張復倫（Edward Chang）實驗室的博士後，描述了神經科學+AI的未來。
AI起源於人類利用「電腦」模擬「大腦」，希望計算機和人類一樣可以處理各種任務。
或許，計算機還沒有產生和人類一樣的「智慧」。
但不妨設想一下「矽基大腦」—— 高階的AI模型，它能夠破譯人類的思維，讓「啞巴」重新說話，也許有朝一日，甚至能預測大腦的「一舉一動」。
這不是科幻小說，而是Shailee Jain正在努力實現的未來。
在近日採訪中，Shailee Jain分享了踏入AI+神經科學的交叉領域的心路歷程，描述了神經科學的未來：建立「矽基大腦」。
「矽基大腦」
Shailee Jain對神經科學與AI交叉領域的興趣，起源於對大腦複雜性的迷戀。
AI不僅可以分析海量資料、幫助撰寫郵件或推薦股票，還有可能模仿人類最根本的特性——思考、說話和互動。
這種觀點深深吸引了她。
2023年，她加入了加州大學舊金山分校（UCSF）張復倫（Edward Chang）博士的實驗室，研究全腦網路（brain-wide networks）及單個神經元的活動，以瞭解人類的大腦是如何實現基本的人類特質：語言。
神經科學領域長期以來因技術限制進展緩慢，但20世紀80年代和90年代的腦測量技術，革命性地改變了這一狀況。
如今，在Chang Lab，在患者接受腦外科手術時，可以同時記錄單個神經元的活動。
10年前，這樣的技術還無法想象，但現在我們可以追蹤數百個單神經元的活動，為揭示控制語言等複雜行為的腦回路提供了全新視角。
Shailee Jain是加州大學舊金山分校威爾神經科學研究所Edward Chang實驗室的博士後研究員。
儘管這些資料極其珍貴，但要充分利用它們，需要強大的計算工具。
這正是AI和CS派上用場的地方。
AI與腦活動測量方法的結合，有望徹底改變神經科學。
探索單神經元的AI模型
由於海量資料和強大的計算機，AI為人類理解大腦開闢全新的可能性。
這是一個重要的轉折點。
過去十年間，AI已經被成功用於分析透過功能性磁共振成像（fMRI）、腦磁圖（MEG）和腦電圖（EEG）等技術收集的大腦資料。
然而，目前，對單神經元活動的AI建模，仍處於初期階段。
在UCSF，神經外科醫生、神經病學家和精神病學家合作，收集了高質量、多樣化的大腦資料，例如：
-
fMRI：大腦的「溫度計」，顯示大腦活動的「熱點」，展示大腦不同區域在特定時間的活動情況。 -
彌散張量成像（diffusion tensor imaging）：大腦的「交通地圖」，揭示大腦不同區域之間的連線方式。 -
Neuropixel 探針：腦細胞的「顯微鏡」，記錄單個神經元的活動。
3D列印的大腦模型，背景是Shailee Jain的大腦掃描圖。
張復倫博士，開創性地將Neuropixel探針用於人類手術。
而且在手術過程中，病人處於清醒狀態，在手術室裡執行不同的任務，同時探針記錄神經元的活動。
這種精確到神經元水平的觀察，為研究大腦提供了前所未有的機會。
整合多種資料
Shailee Jain的工作是將這些多樣化的資料輸入到人工神經網路中，目標是讓模型生成與患者大腦相同的活動模式。
這一過程的挑戰在於整合多種資料。
例如，fMRI反映的是大腦不同區域的氧氣使用情況，而不是直接的神經活動，雖然資料解析度較低，但對於觀察整個大腦的活動模式具有重要價值；而Neuropixel探針提供了單神經元的高解析度資料，卻缺乏全腦視角。
她希望構建能處理多種資料模式的AI模型，全面描繪人類大腦。
為了訓練神經網路，不僅僅要關注神經資料，還要結合患者讀到的文字、聽到的語言，以及行為資料（如理解能力或解題能力）。
技術應用
透過整合這些資料，有希望建立能夠模擬人類大腦的「矽腦」。
數字孿生大腦以及未來應用
新一代腦機介面
矽腦技術最令人興奮的應用之一是新一代腦機介面（BCI）的開發。
近年來，利用BCI技術，Chang博士的團隊，幫助癱瘓和無法說話的患者，重新獲得了與人交流的能力。
然而，目前的BCI系統需要針對每位患者收集大量訓練資料，耗時且成本高昂。
矽腦有望改變這一現狀。
基於海量神經資料，訓練一個AI模型，可以開發無需大規模校準，即可立即使用的裝置，從第一天起就能幫助患者恢復語言或動作。
這將對患者護理產生巨大影響。
精神病治療
在精神健康領域，這項技術的潛力更為深遠。
長期以來，我們對神經精神疾病的理解一直受到工具的限制。
精神分裂症、雙相情感障礙和抑鬱症等神經精神疾病，發病條件極其複雜，是涉及大腦多個區域神經元的複雜網路。
為了瞭解人腦各部分的工作原理，雖然無法剖析活著的人腦，但可以透過人工大腦模型來做到這一點。
特定神經精神疾病患者的資料，提供給AI系統，可以瞭解大腦不同部分如何相互作用的模式，以及這些相互作用如何出錯。
這可能會帶來新的、更有針對性的治療方法，解決潛在的神經機制，而不僅僅是緩解症狀。
人工模型越來越接近對不同腦部疾病的模擬，我們將能夠開展在人類身上無法進行的實驗。在受控的環境中，能夠探索特定刺激或干預措施，如何影響神經活動，從而更好地理解和治療這些疾病。
隨著時間的推移，還可以進一步擴充套件研究，探討大腦如何感知外部世界、提取記憶，以及最終如何產生思想。
未來，在人工大腦模型中，甚至可以模擬不同的腦部疾病，進行無法在人類患者身上完成的實驗。這將幫助人類更好地理解和治療這些複雜的疾病，並深入研究大腦如何感知外界、提取記憶和產生思維。
數字孿生
展望未來20至50年，相信基於腦資料訓練的AI系統，能夠建立「數字孿生」——每個人獨特的大腦模型。
這些AI生成的模型不僅能複製一般的腦活動，還能精確模擬個人的神經模式，從而為大腦活動提供精準的分析。
例如，手術前，患者的數字孿生模型，可以用於模擬手術並預測結果；對於神經精神疾病，可根據每位患者獨特的腦活動模式，設計高度個性化的治療方案。
面臨的挑戰與道德問題
儘管前景令人興奮，這一技術剛剛起步。
未來需要不斷改進這些模型，並確保其在臨床應用中的倫理性和公平性。
尤其是在人腦資料的使用中，知情同意和資料隱私至關重要。
此外，隨著這些模型變得更加成熟，需要深入探討技術濫用的潛在風險，特別是當模型能夠預測個體腦活動時。
這些問題發人深省。
但隨著技術的快速發展，我們距離這一未來或許比想象中更近。
充分利用AI的力量，我們不僅是在設想未來，而是在親手創造未來。
作者介紹
目前，她是加州大學舊金山分校（UCSF）神經外科Chang Lab的博士後研究員。
之前，在德克薩斯大學奧斯汀分校（UT Austin）Huth實驗室，她完成了計算機科學碩士/博士學位，期間與谷歌AI語言團隊和英特爾腦啟發計算實驗室的研究人員進行了合作。
她的博士論文聚焦於聯合解釋人類大腦和神經自然語言處理（NLP）模型如何處理語言。
在印度國家技術學院卡納塔克（NITK），她完成了本科學習，並在德國Leuphana大學的機器學習組度過了一段時間。
參考資料：
https://magazine.ucsf.edu/building-a-silicon-brain