- 壹 -
羅米（Romy Lorenz）是個金發(fā)藍眼的姑娘。
2013年，她考入倫敦帝國理工學(xué)院，師從神經(jīng)科學(xué)家里奇（Rob Leech）。兩年后，羅米的博士項目幾乎過半，但實驗卻未能取得任何成功。她得想辦法讓研究回到正軌。
“我們想創(chuàng)造一個實時的神經(jīng)反饋。”羅米回憶道，“讓病人躺在大腦掃描儀里面，根據(jù)我們在掃描儀上看到的信息，告訴他們?nèi)绾胃淖兤浯竽X不同部位的活動。”
為了實現(xiàn)這個目標(biāo)，里奇和羅米重新編寫《我的世界》（Minecraft）的代碼，用來反映玩家的大腦活動。“這是我女兒當(dāng)時最喜歡的游戲”，里奇說。
2014年10月，羅米讓志愿者進入磁共振掃描儀里，然后在像素化風(fēng)格的游戲世界里四處閑逛?！段业氖澜纭返漠嬅骘@示在志愿者面前的屏幕上，他們通過兩個圓形手柄來控制游戲角色。
這個神經(jīng)反饋實驗使用了一個基本程序，能解碼大腦掃描信息，并根據(jù)玩家的狀態(tài)，對游戲中的燈光進行明暗調(diào)節(jié)。如果玩家沒有集中注意力，軟件就應(yīng)該調(diào)低亮度，迫使他們集中精力。相反地，當(dāng)玩家集中精力時，軟件又會調(diào)高亮度。
羅米的實驗希望能夠?qū)Υ竽X默認模式網(wǎng)絡(luò)中的一系列活動進行活躍度控制，這里把大腦皮層的部分部位與更加深層的區(qū)域（例如海馬體）連接起來。當(dāng)我們不集中精力時，它會變得最為活躍。
但這個實驗卻失敗了。
“我本來也沒有奢望自己的第一個實驗?zāi)軌虺晒Α?rdquo;羅米說，“但我的博士項目已經(jīng)過半，最初的課題似乎看不到希望。我發(fā)現(xiàn)自己必須搞點創(chuàng)新。”
2015年1月，當(dāng)羅米和里奇會見她的第二位導(dǎo)師、神經(jīng)學(xué)家阿杜（Aldo Faisal）時，他們開始探討最佳方案。
“阿杜并非來自功能性磁共振成像（fMRI）領(lǐng)域。”羅米回憶道，“所以在向他解釋這些實驗如何在fMRI掃描儀內(nèi)進行，以及都有哪些技術(shù)可以控制實時fMRI時，我們突然有了靈感。”
- 貳 -
如果徹底改變這項實驗，會發(fā)生什么情況？
如果不再試圖用光照這一個參數(shù)來創(chuàng)造反饋回路，而是自動探索許多不同的參數(shù)組合來驅(qū)動大腦，達到他們想要的任何狀態(tài)，又會發(fā)生什么情況？
然而，這種實驗過于復(fù)雜，人類很難實時控制。所以，他們不可避免地需要使用人工智能來運行試驗。雖然AI已經(jīng)在許多方面得到應(yīng)用，但現(xiàn)在的問題是：如何利用人工智能來解決神經(jīng)科學(xué)問題？
“我們希望借助《我的世界》這項實驗解決很多不同的新問題。”羅米說，“我們嘗試了高度復(fù)雜的游戲環(huán)境，還努力解碼大腦中的不同網(wǎng)絡(luò)如何展開實時互動。簡單來說，我們這一步邁得有點大。”
她為接下來的實驗積累了一條非常明確的經(jīng)驗：從簡單入手。
羅米現(xiàn)在需要的是通過一個已經(jīng)被充分理解的問題來測試自己的想法。她決定從研究最為透徹的大腦區(qū)域開始：視覺和聽覺皮質(zhì)。
想要找到只激活聽覺皮質(zhì)而不激活視覺皮質(zhì)的要素，非常容易，反之亦然——前者可以用空白屏幕配合著口技演員的表演來實現(xiàn)，后者則可以用東京火車站喧鬧的視頻配合著測試音的嗡嗡聲來實現(xiàn)。
但人工智能機器卻需要自學(xué)這種方式。“實驗聽起來很無聊，”羅米說，“但如果能夠成功，就具有深遠的意義。”
人工智能算法必須利用這兩種手段來開啟和關(guān)閉大腦的兩個部分：通過調(diào)整熙熙攘攘的街景視頻播放速度來改變視覺刺激的復(fù)雜性；通過語音編碼器讓一個人的聲音更像機器人來改變聽覺刺激。
羅米和里奇嘗試了深度學(xué)習(xí)等不同的人工智能算法，但卻沒有一個能夠發(fā)揮作用。
- 叁 -
2015年3月，在倫敦大學(xué)國王學(xué)院統(tǒng)計學(xué)家喬瓦尼（Giovanni Montana）和他的博士生里卡多（Ricardo Pio Monti）的幫助下，羅米和里奇以貝葉斯優(yōu)化為基礎(chǔ)開發(fā)了一套人工智能算法——這是一種以18世紀(jì)的長老會牧師托馬斯·貝葉斯（Thomas Bayes）的名字命名的方法。
貝葉斯設(shè)計了一種系統(tǒng)化的方法：基于對世界運行方式的假設(shè)，便可計算出新的元素加入進來后，發(fā)生某種變化的概率。
這種方法可以根據(jù)之前的知識計算某種假設(shè)的合理性。貝葉斯的方法非常適合開發(fā)人工智能，它可以主動尋找最佳的答案或?qū)嶒灐?/div>
5月，羅米再次讓數(shù)十名志愿者進入她的fMRI掃描儀。“fMRI的好處是，志愿者躺在掃描儀里，你可以立刻看到實驗是否有效。”羅米解釋道，“里奇和我屏息靜坐。我們都很緊張。”
當(dāng)?shù)谝晃恢驹刚咛蛇M掃描儀時，那臺機器先是進行了一些漫無目的的嘗試，但突然之間就找到了合適的視頻和聲音組合。
“我們以為這或許只是運氣。”羅米說，“但每一個新的志愿者進來，系統(tǒng)都可以發(fā)揮作用。”平均而言，這套人工智能算法都能在6分鐘后找到最優(yōu)的刺激方案。
里奇狂喜不止。
“我們意識到這項技術(shù)有多么強大。”他說。他們創(chuàng)造了第一個人工智能科學(xué)家。他們決定將其命名為“自動神經(jīng)科學(xué)家”（自動神經(jīng)科學(xué)家）。
- 肆 -
盡管科學(xué)追求客觀，但卻不可能完全不受人類偏見的影響。我們或許擁有超凡的模式識別能力，但也經(jīng)?？吹教摷俚南嚓P(guān)性。
2005年，斯坦福大學(xué)教授John Ioannidis發(fā)表了一篇驚世駭俗的文章：《為什么多數(shù)研究結(jié)論都是錯誤的》（Why Most Published Research Findings Are False），并因此震驚同行。
這篇文章認為，多數(shù)科學(xué)研究論文的結(jié)果都不能獨立復(fù)現(xiàn)。10年后有報道稱，超過半數(shù)的心理學(xué)研究無法復(fù)現(xiàn)。而Ioannidis今年發(fā)表的一項研究顯示，認知神經(jīng)科學(xué)的情況甚至更糟。
當(dāng)然，大腦內(nèi)部盤根錯節(jié)的運作方式并不容易理解。神經(jīng)科學(xué)家過去幾十年一直通過掃描大腦來尋找人類的特定活動會激活哪些回路。但始終沒有確切答案。
例如，疼痛回路與突出回路極其相似，前者是在我們感受到疼痛時被激活的大腦部位，后者則是在某個物體或個人在特定背景中十分顯眼時激活的大腦區(qū)域。另外一個名為顳上溝的區(qū)域則負責(zé)處理各種不同的任務(wù)，包括運動、語言和面部識別。
當(dāng)然，前提是你相信這些研究。很多發(fā)現(xiàn)使用的樣本量都很小，統(tǒng)計方式不夠完善，分析也存在瑕疵。有的研究還無法復(fù)現(xiàn)，即便是采用相同的方法也不例外。即便能夠復(fù)現(xiàn)，很多相關(guān)性也會在樣本更多的研究中消失。
2009年就出現(xiàn)過這樣一個案例，當(dāng)時對一條死三文魚的掃描顯示，它的腦活動足以表明它仍在思考。這種現(xiàn)象被命名為“死三文魚效應(yīng)”。
科學(xué)家終歸也是人。“歸根到底，我們都是人，無法做到足夠的客觀。”羅米強調(diào)說。畢竟，我們的大腦優(yōu)化的目標(biāo)是生存，而不是實驗。
當(dāng)羅米第一次建議用人工智能研究人腦時，里奇立刻其中蘊含的深刻意義震驚了。與人類科學(xué)家不同，人工智能的偏見相對較低——它可以復(fù)制研究結(jié)論。
“我從沒想過這么做。”里奇回憶道，“但如果羅米完全按照我說的去做，我們不可能有如今的成就。”
里奇曾經(jīng)在劍橋大學(xué)就讀心理學(xué)本科，他很欽佩Paul Feyerabend，這位奧地利心理學(xué)家認為，如果科學(xué)是為了取得進步，“怎么都行”。而使用人工智能來理解人類智能就是“怎么都行”的典型代表。
“我們可以徹底改變常規(guī)的科研方式。”里奇說。
在“自動神經(jīng)科學(xué)家”取得成功后，里奇認真考慮了神經(jīng)科學(xué)的各種可能后，給出了樂觀的結(jié)論：“讓貝葉斯優(yōu)化一切！”
- 伍 -
在他們第一次取得實驗成功后，羅米和里奇很快意識到，機器人的潛力不僅局限于剖析人腦運作模式，還可以有其他用途。例如，可以用于設(shè)計臨床測試，或者了解如何通過刺激大腦來改變行為。
他們知道，“自動神經(jīng)科學(xué)家”成功了?，F(xiàn)在，他們需要對其提出挑戰(zhàn)，挖掘它的潛力。“經(jīng)過了第一項研究后，我們希望做一些震驚這一領(lǐng)域的事情，同時回答新的問題。”羅米說。
這項挑戰(zhàn)來自羅米、里奇和他們的同事亞當(dāng)（Adam Hampshire）在2015年秋天進行的一次對話。
亞當(dāng)當(dāng)時讀完了神經(jīng)科學(xué)家歐文（Adrian Owen）和IQ專家John Ducan的博士學(xué)位，歐文曾在上世紀(jì)90年代末使用大腦掃描儀幫助植物人患者交流，并因此引發(fā)強烈反響。
在讀博期間，亞當(dāng)和歐文開發(fā)了在線認知測試來監(jiān)測腦損傷后的恢復(fù)情況，并且評估智力藥物的效果。我當(dāng)時是《每日電訊報》的科學(xué)編輯，我建議他們對讀者進行一次在線測試，了解年齡、性別、生活方式等因素對智力的影響。
歐文和亞當(dāng)選擇了12項認知測試，還評估了從記憶到推理的各項能力。歐文將這些稱作智能的支柱。那項用于評估演繹推理能力的測試名為Odd One Out，也就是挑出特殊的那一個：在測試中，被試需要找出一個邏輯上與其它選項不同的形狀。
這些智能支柱是為了測試能否通過一個或幾個參數(shù)來衡量人類的智力。“這種想法可以追溯到1904年，心理學(xué)家Charles Spearman當(dāng)時提出，存在一種通用的心理官能來支撐所有的認知能力，現(xiàn)在稱之為‘Spearsman假說’或‘g’。”亞當(dāng)說。
如果我們可以完全通過“g”來評估人類智能，那么Odd One Out這樣的測試就只是衡量同一個參數(shù)的不同方式：如果你在其中一個測試中表現(xiàn)優(yōu)異，在其他測試中同樣會表現(xiàn)不錯。
等到這項測試2010年上線時，歐文和亞當(dāng)都去了加拿大的西安大略大學(xué)。“由于突然涌入數(shù)以千計的訪客，網(wǎng)站崩潰了。”亞當(dāng)回憶道。
四個多月來，全球有11萬人參加了這個測試。他們通過篩選一百萬多個數(shù)據(jù)點，得出了一個確切的結(jié)論：智能不可以歸結(jié)為單個因素。“在測量大量認知任務(wù)的時候，個體表現(xiàn)上的差異可以至少由三種獨立的因素來解釋：短期記憶、推理、語言能力。”亞當(dāng)說。
亞當(dāng)和歐文覺得，這三種因素有可能分別對應(yīng)著大腦中三個完全不同的回路，于是，他們繼續(xù)研究，找了16名被試，在fMRI掃描儀上進行智能支柱測驗。
- 陸 -
他們的猜想是對的。
“彼此在表現(xiàn)上相關(guān)性較弱的任務(wù)，在大腦中激活的也是不同的網(wǎng)絡(luò)。”亞當(dāng)說。比如演繹推理，似乎與大腦額葉和頂葉里的外側(cè)部相關(guān)，而空間工作記憶激活的區(qū)域，則深埋在額葉最后一個溝回中。
“基于這些實驗，我們提出大腦中的每個網(wǎng)絡(luò)支撐著一種能力，”亞當(dāng)說，“從結(jié)果來看，這個結(jié)論似乎顯而易見。”
2012年，亞當(dāng)和歐文把這一成果發(fā)表在神經(jīng)科學(xué)期刊《Neuron》上，在論文開頭，他們說：“心理學(xué)中，少有像人類智能研究這樣古老又充滿爭議的主題。”這是一個低調(diào)的聲明。
這項研究引發(fā)了一股反對的浪潮。盡管有些認知神經(jīng)科學(xué)家認同他們的工作，但很多心理測量研究者怒火沖天。
心理學(xué)期刊《Intelligence》上發(fā)表的一篇反對意見說，他們的結(jié)果“基于一系列假設(shè)和主觀決定，往好了說，也就是允許不同解釋而已。”一位研究者發(fā)twitter說它是“過去10年來最差論文之一”。
批評者說，他們的大規(guī)模實驗在設(shè)計上有漏洞，上萬人參加了測試，但這些人真的具有代表性嗎？他們?yōu)槭裁床蝗ふ掖竽X中已知和“g”相關(guān)的效應(yīng)？他們?yōu)槭裁从醚h(huán)邏輯，選擇那些好像最容易觸發(fā)大腦不同區(qū)域的任務(wù)？
抵制風(fēng)潮過去幾個月后，亞當(dāng)渴望回到英國。他覺得歐文成了一個拿自己的資金和聲望到處自吹自擂的神經(jīng)科學(xué)家，做他的下屬很憋屈。
2013年6月，也就是羅米開始讀博的時候，亞當(dāng)和里奇在同一幢樓里開設(shè)了自己的實驗室。然而，他倆直到2015年秋天，才第一次見面。
亞當(dāng)依然癡迷人腦如何支持智能的不同方面。對2012年那篇《Neuron》論文的批評意見，他是不同意的，但他還是想優(yōu)化之前的研究，做個改進版。
“受限于所用認知任務(wù)的數(shù)量和種類，那項研究的范圍太局限了。”亞當(dāng)說。
當(dāng)亞當(dāng)聽到羅米和里奇描述他們的自動神經(jīng)科學(xué)家時，他意識到，這個東西足以改變游戲規(guī)則。
里奇說，他們用AI來進行實驗，一次測試一位被試。而亞當(dāng)聽錯了，以為里奇要做涉及上千名被試的多參數(shù)平行實驗。“他把這變成了一種高度概念化的東西，用堅實的統(tǒng)計基礎(chǔ)為很多人同時優(yōu)化。”羅米說。
亞當(dāng)認為，“這個瘋狂的想法有它的優(yōu)雅之處”，人類認知“是一個難到非人力所能及的問題，所以，我們讓機器來解決它。”
- 柒 -
2016年6月，羅米在亞當(dāng)2012年的腦成像研究基礎(chǔ)上，試用了自動神經(jīng)科學(xué)家。
她讓21名志愿者進行了16項認知測試，然后讓機器找出每一項測試激活了大腦中哪些回路。她用到的測試，有一些是《Neuron》2012年那篇論文用過的。
AI只花了幾分鐘時間，就根據(jù)任務(wù)對亞當(dāng)提出的兩個大腦網(wǎng)絡(luò)的激活情況，選出了一些任務(wù)。這兩個大腦網(wǎng)絡(luò)，就是我們前文提到的演繹推理和空間工作記憶。
看到這樣的結(jié)果，亞當(dāng)又“安心”，又驚訝。
根據(jù)現(xiàn)有的研究，他們選擇的很多任務(wù)應(yīng)該激活其他回路，結(jié)果卻證實了2012年論文提出的三個回路中的兩個，真是“純粹，盲目的幸運”。
5月的一個上午，這個團隊重復(fù)了原來的實驗，他們的葡萄牙同事伊內(nèi)斯（Ines Violante）勇敢地躺在掃描器巨大磁鐵中間的洞里。幾分鐘后，羅米拿了一份圖表給我看，上面展示了伊內(nèi)斯做每個測試時，不同大腦網(wǎng)絡(luò)的激活情況。
那份圖表，看起來就像一幅馬克·羅斯科的畫，顏色鮮艷。紅色，表示兩個回路中的活動沒有順利銜接，藍色，表示他們連接得很好。
在圖表的右下角，有一個紅色的菱形，表示兩個測試利用了兩個相互獨立的回路：演繹推理和空間工作記憶。里奇笑著說，這很好地復(fù)現(xiàn)了之前試用的情況。
亞當(dāng)、里奇和羅米現(xiàn)在正準(zhǔn)備重新做2012年的在線智能測試。“我們想開發(fā)一個AI機器，讓它具備通過迭代方式學(xué)習(xí)的能力，從大量的數(shù)據(jù)中，公正地找出人類智能的主要部件。”亞當(dāng)說。
測試的數(shù)量從2012年的12個，擴充到了60個。他們把這些測試放到網(wǎng)上，人人都能參與。他們預(yù)計，完成60項測試任務(wù)的會有幾千人。
機器學(xué)習(xí)算法每次會獲取100人的信息，然后去修改、挑選這些任務(wù)，構(gòu)成一個集合，其中某一個任務(wù)上的表現(xiàn)和其他任務(wù)毫無關(guān)聯(lián)。
自動神經(jīng)科學(xué)家會修改測試，從某種意義上講，設(shè)計它自己的實驗。
- 捌 -
為了向我解釋AI在理解大腦這件事上的意義，里奇將它比作猜字游戲：一個人選出單詞，另一個要一個字母一個字母地猜出來，這個詞究竟是什么。
傳統(tǒng)的大腦掃描類似于一次猜整個單詞，研究人員事先確定要用掃描儀測量什么，在認知任務(wù)中記錄這些數(shù)據(jù)，用各種統(tǒng)計工具來“折磨”這些結(jié)果，直到它們承認自己和研究人員預(yù)設(shè)的理論有某種關(guān)聯(lián)。
AI方法和那個游戲的玩法更接近：拿一個字母來試試，看它合不合適，然后調(diào)整假設(shè)。
這項研究有著更廣泛的影響。里奇相信人工智能可以消除研究中的主觀性，從不完美假設(shè)出發(fā)進行探索，變成了從完善的、不斷優(yōu)化的假設(shè)出發(fā)，進行探索。
當(dāng)然，你還是需要有人提出最早的假設(shè)，寫代碼、做設(shè)想、定義試驗中的自由、寫出論文等等。
但機器比人快，比人可靠。
里奇說：“復(fù)制，就存在于這種方法的DNA中，它有著廣闊的潛力，可以變革整個領(lǐng)域。自動神經(jīng)科學(xué)家可以變成自動的放射科醫(yī)師、自動心理學(xué)家等等。”
羅米
2017年6月13日，羅米獲得了她的博士學(xué)位，在期刊上發(fā)表了12篇論文。
羅米還記得，她在柏林技術(shù)大學(xué)做研究員，研究腦機交互接口、幫助截癱患者的時候，在一次學(xué)術(shù)會議上，忽然意識到她所在的領(lǐng)域沒取得什么進展。
她說：“所有這些實驗室都獲得了不少資金，用來幫助患者去生活，但他們所專注的只是對算法進行很小的改進，我覺得很沮喪。我只有看到能帶來真正進步的東西，才能充滿激情。”
四年后，她終于找到了可以為止奮斗的領(lǐng)域。
- OMT -
上文提到了一組放在網(wǎng)上，人人都能參與的認知測試，它叫Cognitron，是第一個由人工智能設(shè)計的人類心理技能測試，地址是：
http://www.cognitron.co.uk/
登錄這個網(wǎng)站，提供一些個人信息，AI就會為你設(shè)計30分鐘到1小時的測試題，還會告訴你成績?nèi)绾巍?/div>
參與測試的人越多，AI就能越深入地理解人類智能。Cognitron將通過迭代的方式從測試結(jié)果中學(xué)習(xí)，找出人類智能的構(gòu)成要素。
亞當(dāng)說，如果有超過2萬人參加測試，“AI就能通過學(xué)習(xí)，繪制出比此前任何研究都詳細的人類智能結(jié)構(gòu)圖譜。”
更多>相關(guān)資訊
0 條相關(guān)評論
推薦圖文
推薦資訊
- Project Loon前CEO已加盟自主機器人交付企業(yè)Starship
- 即將實施的協(xié)作機器人末端接口標(biāo)準(zhǔn)，將對協(xié)作機器人產(chǎn)生哪些影響？
- 機械行業(yè)：噴涂機器人市場空間及競爭格局
- 螺螄粉“機器人”正式投產(chǎn)
- 告別人工作業(yè) 2022 年將實現(xiàn)水下 3D 打印技術(shù)
- ABB機器人推動建筑行業(yè)自動化升級，提升行業(yè)安全性和可持續(xù)性
- NASA噴氣推進實驗室正創(chuàng)造各種機器人：以探索人類無法抵達的地方
- 能跑又能跳！騰訊推出全新“奧利”機器人：要能買回家就好了
- 研究人員調(diào)教出可細膩模仿人類表情的AI機器人
- 專訪丨2萬小時MTBF認證背后的“硬核”品質(zhì)
點擊排行
