快捷搜索:

您的位置:金莎娱乐 > 科学 > 法国首都London大学副校长,的关键吗

法国首都London大学副校长,的关键吗

发布时间:2019-10-30 10:18编辑:科学浏览(85)

    专家谈计算神经科学与类脑人工智能的关系

    上海纽约大学副校长:脑科学需要自己的牛顿

    人工智能会取代人类吗?这个问题一度引发全民热议。虽然目前人工智能正在快速提“智”,但是这不代表它真的很聪明。相反,很多时候它还很傻很天真,仍然需要向人脑学习。 近日,以色列魏茨曼科学研究学院计算机科学系教授希蒙·厄尔曼发文表示,相信神经科学能为人工智能发展提供进一步的助力。那么,人工智能和神经科学究竟有什么关系?神经科学到底如何进一步助力人工智能发展?深度融合神经科学的人工智能将发生哪些变化? 神经科学和人工智能本属同源 谈到人工智能和神经科学之间的关系,中国科学院上海生命科学研究院副研究员王小理用两句话来概括:同源分流、学科独立;交叉融合、分久必合。 *金莎娱乐,初,人工智能与神经科学是两门各自独立的学科,有着不太一样的研究对象、研究方法体系。从学科起源的时间原点来看,人工智能学科以1956年美国达特茅斯学院夏季讨论班为缘起;而神经科学诞生的标志可以回溯到1891年的神经元学说。这样看神经科学算是人工智能学科的“前辈”。 神经科学更多地侧重于生物学意义上的神经活动的规律,解析包括思维、情感、智能等在内的高级神经活动的发生机制,而意识起源问题,则是神经科学的*目标,研究方法上神经科学是以自然现象归纳为主的“实验科学”。而人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学,研究对象不是智能而是智能操控,现阶段研究方法上是侧重于对复杂现象进行模拟仿真的“计算科学”。 “但可以将神经科学和人工智能的关系简单理解为源和流。”王小理告诉科技日报记者,人工智能的兴起和发展离不开神经科学成果的滋养。 正如希蒙·厄尔曼文章所述,早期人工智能领域的科学家将生物神经系统作为参照对象,创造出了近年来盛行的“深度网络”脑启发架构,这是一个非常鲜明的“源流”案例,也一直为神经科学家和人工智能领域科学家所津津乐道。但有些人工智能领域的*,认为深度网络前期是仿脑,后期发展了独立的方法,因此认为,人工智能有自己的方法体系,基本可以抛开脑科学。这样的观点其实是值得深入讨论的。 中国科学院神经科学研究所蒲慕明院士曾向记者表示,近年来,脑与神经科学、认知科学的进展使得人们在脑区、神经微环路、神经元等不同尺度观测的各种认知任务中,获取脑组织的部分活动数据已成为可能,获知人脑信息处理过程不再仅凭猜测,通过多学科交叉和实验研究获得的人脑工作机制更具可靠性。因此,脑科学有望为机器学习、类脑计算的突破提供借鉴。 但是,人工智能对神经科学发展的反哺或反馈作用也是客观存在的。在神经科学基础研究阶段,人工智能可以辅助研究人员解析复杂的脑神经信号、脑神经图谱实验数据,构建和模拟大脑模型系统等。在转化应用阶段,人工智能还能加速脑科学成果的应用,例如大脑疾病诊断与新疗法成果的临床转化等。 打开人工智能“黑箱”的几条通路 事实上,没有神经科学大的理论突破,没有对智能生物本原的认识,人工智能中的“智能”概念很可能就一直是个“黑箱”,而智能模拟与扩展就可能一直在“外围”打转。比如,美国国家工程院《21世纪人类面临的14大科技挑战》报告就认为,人工智能目前存在的部分问题是源于设计中并没有充分考虑真实的大脑情况。而通过对人脑的逆向工程来揭示大脑的秘密,可以更好地设计出能同时处理多重信息流的计算设备。 目前神经科学在助力人工智能发展上有几条通路。王小理介绍,具体路径上,可以延续认知经验主义思路的人工智能发展方向。例如,对于人工智能而言,目前总是用一个特定的任务去训练它,而忽略了它接触其他事物的过程。如果给智能体一个类似成长环境和成长过程,是不是会让它更智能呢?人类的智慧是建立在沟通之上的,目前的人工智能体还没有自主沟通能力, 这也是目前的人工智能水平与强人工智能的差距所在,也是未来的发展方向。 但也可能,希蒙·厄尔曼提出的借鉴人类先天认知系统更具有意义。深入理解大脑的原始能力,从而实现高级的机器逻辑能力。人类具备学习如何学习的能力,如果让智能体学习如何学习,那么这种二阶学习的关系也许会让它学得更快,如果未来智能体有了想象力和计划能力,那么它也许真的可以创造出一些我们人类很难创造出的东西。 此外,神经科学助力人工智能,在人工智能重大技术领域也有几个方向。例如,构建统计关联与特征关联相结合的新型学习理论,实现“知识驱动”与“语义驱动”关联统一;构建融合深度学习与强化学习、演化计算、主动学习、毕生学习等仿生和自然计算理论的新型理论框架;实现大规模并行神经网络、进化算法和其他复杂理论计算;具有自主学习能力的通用性人工智能系统等。 未来两者深度融合大有可为 那么,深度融合神经科学的人工智能将会发生什么变化呢? 对此,王小理认为,目前神经科学与人工智能的融合,只占生物大脑计算原理的冰山一角。准确预见未来人工智能将如何发展很难,但如果洞察神经科学、人工智能的学科发展规律和人类经济社会发展大趋势,粗略勾勒未来发展阶段还是可能的,这对于找准创新突破口,明确创新主攻方向非常关键。这也是包括我国在内开展相关脑科学预测和技术预见的初衷之一。 从当前到2025年,神经科学继续保持高速发展态势,但颠覆性的理论成果还不多,在这一时期,人工智能和大数据技术是神经科学发展的“加速器”。而到2030—2035年,神经科学将迎来第一轮重大突破,在神经感知和神经认知理解方面出现颠覆性成果,从而反哺、革新人工智能的原有算法基础和元器件基础,人类社会进入实质性类脑智能研究阶段。 到2050年,神经科学将迎来第二轮重大突破,在情感、意识理解方面出现颠覆性成果,开发出一个多尺度、整合、可验证的大脑模型理论,类脑智能进入升级版,并将推动人脑的超生物进化,神经科学和类脑智能学科融为一体,人类社会全面进入强人工智能时代。当然,围绕神经科学和人工智能特别是强人工智能,还有许多科学理论和社会与伦理方面的问题。 “我们相信,未来神经科学领域大有可为、未来神经科学与人工智能融合大有可为。”王小理说,从人类科技文明长河来看,神经科学和人工智能是同一枚硬币的两个面,虽然相互独立,但都有共同的指向:为人类的生存和意识演化提供新可能。

    探索智能、意识的人脑机理,认识人的行为和情感,创新脑疾病诊断与治疗,是二十一世纪科学的前沿领域。这也是目前“十三五”上海市科研发展的一个讨论热点。脑科学是一个重大广阔的领域,本文仅涉及神经网络的计算及其对信息技术前景的影响。

    脑科学需要自己的牛顿:建议创建理论和计算神经科学平台

    众所周知,科技创新对社会经济的进步起着巨大的作用。计算机的快速发展使信息技术产业成为现代经济的重心之一。然而,现有计算机仍难以完成许多对人类大脑来说轻而易举的复杂任务。所以,新一代信息技术产业很关注对于大脑功能和神经网络的研究,希望在理解其工作机制的基础上设计出新型的“人脑式电脑和机器人” 。今年3月,百度董事长兼首席执行官李彦宏在人大、政协两会上提出了“中国大脑”提案,呼吁一个新技术革命,并希望以此“带动整个民族创新能力的提升”。

    (汪小京 上海纽约大学,2015年11月21日)

    对基础研究的投入将带来脑科学、脑科技的突飞猛进

    (作者,上海纽约大学副校长、纽约大学神经科学教授,原耶鲁大学神经科学终身教授。)

    中国要在信息技术产业上成为世界领军人,应该大力发展神经科学,带动下一个信息技术产业革命。在美国, 硅谷一些公司(高通, IBM等)已开始向这一新兴的“脑科技”(NeuroTech)产业进军。同时,发展神经科学也具有战略意义。 美国国防部高级研究计划局(DARPA, Defense Advanced Research Projects Agency)、高级情报研究计划署(IARPA,Intelligence Advanced Research Projects Activity),以及海军等军事部门在神经科学领域已投入大量资金研发最新的神经技术。

    今天,在全球范围,类脑智能和脑技术(BrainTech)的发展都得到了政府和企业的高度重视。类脑技术大致分为四个方面:

    但是,在基础研究让我们真正了解大脑的生物学原理之前, 这些应用都缺乏坚实的基础、难于发展。就好像一个国家如果不重视固体物理研究,不可能在国际上成为芯片和电脑技术创新的领军人。所以,最重要的是对神经科学基础研究提供长期稳定的资金支持。即使美国情报高级研究计划署这样以应用为目标的机构,目前也主要资助“大脑皮层网络的机器智能”(Machine Intelligence from Cortical Networks, MICrONS)的基础研究。该项目“旨在逆向大脑的运算法则,彻底改变机器学习”,并且“ 参与者将利用他们对大脑表征、转换和学习规则的深入研究和理解,来创造能力更强的类脑机器学习算法。” 这样的规划正是基于长远的战略考虑。

    硬件设计创新。也就是从神经网络的研究里得到启发,发展新型芯片,比如IBM去年公布的TrueNorth芯片。

    学科交叉推动新兴的计算神经科学发展

    开发智能机器人。比如美国的Boston Dynamics公司,中国的小i机器人公司都在从事这一类的研发。

    “类脑人工智能” 至今最成功的例子,是“深度学习”(deep learning) 。“深度学习”植根于对大脑视觉系统的研究。视觉系统由很多“层”神经网络组成(因此叫“深度网络”)。神经信号经第一层处理后送至第二层,经第二层进一步处理后送至第三层,以此类推。层与层之间的网络连接是通过学习训练而形成的(故名“深度学习”)。深度学习系统在完成某些任务上已接近人的能力。然而目前这个理论还有相当大的局限。例如,深度网络模型通常只有“前馈” 连接(从第一层到第二层、第二层到第三层,等等),而人脑的神经系统有很多“反馈” 连接(从第三层回到第二层,等等),比如视觉注意力就来自于从高级“控制”脑区到初级视觉脑区的反馈信号。训练深度网络的学习算法目前也十分有限,需要千万张图来训练网络。人们对视觉注意力、抉择、学习等认知功能的大脑神经网络机制的研究方兴未艾。发展脑科学基础研究,将促进“深度学习” 等类脑智能技术的蓬勃发展。

    脑-机接口技术,即记录、解读脑的电信号,通过脑的信号来控制机器。这类技术的应用价值很高,有望在将来服务于瘫痪的病人,让他们用思维来指挥机器人。

    计算神经科学是脑科学中新兴的、跨领域的交叉学科。它把实验神经科学和理论研究联系在一起,运用物理、数学以及工程学的概念和分析工具来研究大脑的功能。 各种新实验技术的快速发展,给我们带来了海量数据。但指数增长的实验数据,并不保证带来指数增长的知识。就像物理学一样,只有当理论的发展与实验同步时,我们才能找到大脑运作的基本规律。因此侧重于理论和模型的计算神经科学与实验神经科学的互动,将会对认识大脑工作机制起到十分关键的作用。大脑是一个异常复杂的动力学系统,具有多种在不同时空层次上的反馈机制,定量分析和计算模型上深入解析是至关重要的。这也就是为什么理论和计算神经科学成为了美国的“脑计划“中的七大优先研究方向之一: “严谨的理论,模型建造和统计分析,使我们对于复杂的,非线性的大脑功能有深入的了解,这是仅凭直觉无法做到的。为了推动理论和数据分析的发展,我们必须加强来自多学科的实验科学家和理论科学家的合作,如统计学,物理学,数学,工程以及信息科学等。”。

    发展“类脑智能”软件。这与大数据紧密相连,最引人注目的莫过于“深度学习”方向。在美国,微软有“深度学习研究中心”;IBM有 “认知计算”的计划;谷歌有DeepMind和Machine Intelligence。 DeepMind是计算神经科学出身的年轻人创办的公司,成立几年后被谷歌花4亿美元收购,至今已拥有150多位博士,而Machine Intelligence是谷歌最近新建的研究中心。从这些例子可以看出深度学习这一领域炙手可热,发展前景非常好。

    信息科学与现代神经科学真正结合起来,是一个很大的挑战,计算神经科学是二者之间的桥梁,将在类脑计算、人工智能和脑机接口(Brain-Machine Interface)的发展中起关键作用。可以说,没有世界一流的计算神经科学,就不可能有世界一流的类脑智能技术创新。反过来,机器学习能引进新的方法来处理脑科学数据,新的思路来模拟脑功能。因此,计算神经科学与信息科学应密切合作,对脑科学与类脑人工智能重大前沿问题进行联合攻关。

    然而,跨越式的技术创新需要坚实的理论基础。就拿现在最热门的深度学习来说,其理论来源于90年代的研究突破。神经科学对大脑视觉系统的研究,使研究者更理解相应的深度网络,能够建立数学模型,再有Geoff Hinton, Yann LeCun 等人发展的训练网络学习的方法,才有了今天的深度学习框架。近10多年来计算机和大数据库的发展,才带来了深度学习的突飞猛进。由此可见,从实验神经生物学到人工智能,需要用数学模型来建立一座桥梁, 计算神经科学就是这座桥梁。

    应鼓励更多的理工人才进入脑科学

    此外,计算神经科学不仅仅是一座桥梁,它还扮演着理论先导的角色,所以计算神经科学也叫理论神经科学。我们知道,脑科学的实验技术日新月异,使我们不断收集到新的、海量的数据。那么面对这些数据,怎样才能有所发现呢?这就需要发展基本理论,计算神经科学与实验的方法相结合,用严谨的理论、模型建造、统计分析,来研究神经网络和大脑功能。这可以类比物理学的发展:到牛顿才发展出经典物理学的基本原理,比如力学三大定律,用这些基本原理可以指导无数的实验、解释无数的数据,而且可以预测自然现象。经典物理学也是我们现代工程的基础,使我们能够创造像人类登月的奇迹。我认为,神经科学应用于人工智能也是类似的过程。也就是说, 发展脑科学的理论,是发展人工智能的基础。而基础研究有赖于我们的远见卓识和长期坚持。这正是为什么,脑科学需要自己的牛顿。对比物理学和神经科学,在美国,研究神经科学的与研究物理学的人一样多,而在我国,神经科学的发展规模远不如物理学。

    我们需要利用物理学、数学的方法研究上千亿神经元组成的复杂结构及其非线性动态行为;需要用理论和数学模型从基因、到神经元、到神经网络、到脑系统的多个层次来研究,以解释认知功能;需要用新的信息科学的工具分析和解读实验中获得的海量数据;需要用生物医学工程的技术来制造脑机接口,使脊髓损伤和运动残疾的病人能够用脑电信号控制智能假肢。在这些方面,中国都具有很大的潜力优势,而发展计算神经科学是关键。

    神经科学是21世纪的前沿科学,我们应当尽快发展这个领域,跻身世界前列。这是我国作为发展中的强国应该做的,也是每个向世界一流大学看齐的院校应该考虑的。从策略上讲,哪些新方向是重要的?哪些是我们的长处?我个人认为,认知功能的脑机制是一个值得重视的研究方向,而且应当将计算和实验结合起来发展。2013年,美国推出脑计划,确定了七个研究方向,其中之一就是理论与实验的整合。脑计划的白皮书里有这样一段话:“ 严谨的理论、模型建造、统计分析,能使我们深入了解复杂的、非线性的大脑功能,这是仅凭直觉无法做到的。为了推动理论和数据分析的发展,我们必须吸引统计学、物理学、数学、工程以及信息科学等领域的专家,加强多学科的实验家和理论家的合作。” 我们研究大脑,希望理解脑功能的基因机制、神经元和网络结构的机制。为了达到这个目的,必须要了解神经元放电的模式,弄清楚神经网络的动态是怎样完成计算、怎样控制我们的行为,再弄清神经网络动态的结构,以及它的可塑性机制。因为大脑是有很多层级和反馈连接的复杂动力学系统,这个探索的过程就需要数学和实验的结合, 我们大脑里的神经联结如果加起来,大概有10万英里长,差不多地球到月亮的一半距离,其中80%以上的连接是反馈联结,这么复杂的动态系统,光用实验和直觉来认识是不可能的,还需要理论和数学。伽利略曾说“自然之书是用数学语言写就的”。人脑的神经网络是大自然的一部分,它的行为也应用数学语言来描述和揭示。

    计算神经科学在我国还相对薄弱,但我们拥有大批杰出的理工科人才,尤其是年轻人。他们若有机会进入脑科学,计算神经科学的快速发展便指日可待。这不仅会培养基础研究的下一代领军人,同时会带出一大批类脑智能工程技术人才。举一个最近的例子,伦敦大学学院的两位计算神经科学博士后创办的DeepMind公司,创业后不久后便被谷歌以4亿美元收购。 近年来,谷歌、Facebook等公司极力招计算神经科学的毕业生,这种需求会越来越大。

    脑的反馈联结对理解高级认知功能尤其重要。比如,思维主要不是由外界的刺激来引起的,而是你自己脑内神经与神经之间通过反馈联结实现的“回荡网络”而形成的。最典型的“认知型”脑区是前额叶皮层,也就是大脑皮层的最前面这一区域。在生物演变过程中,前额叶皮层是最晚才发展出来的,它在人脑皮层中占相当大一部分,可是在狗或猫的大脑里面,相对来说却只占很小一部分。前额叶皮层是干什么的?有什么用?直到上世纪40年代末,这还是一个迷。如果某个人有精神病或者不能控制自己的行为,当时普遍的医学“处理”方法是前脑额叶白质切除术,就是切除前额叶。美国总统肯尼迪的一个胞妹就被迫做了此手术。直到近年,关于前额叶的研究才真正发展起来,相关学术文献最近20年来迅速增长。今天,我们知道前额叶皮层对很多认知功能都很重要,将它称为大脑的“CEO”。我本人在90年代初开始对这个领域产生兴趣,在90年代中期建立了第一个前额叶皮层神经网络模型。20多年来,我们一直都在和其他科学家们一起研究前额叶皮层和认知功能。很多研究人脑功能成像的实验、动物行为和电生理的实验所收集到的数据,加上我们的计算模型,使人们开始逐渐了解各种高级认知功能的神经网络机制,例如选择、工作记忆、选择性注意、执行控制、价值判断和经济决策等人脑的高级功能。值得一提的是,精神病人正是前额叶皮层及其它有关的脑区出现了问题。高级认知功能出现异常不是因为眼睛、耳朵的问题,而是因为前额叶皮层和其他“认知型”神经网络出了问题。因此,如果人们真正对前额叶皮层及其它有关的脑系统了解透彻了,特别是对分子层面、网络层面、功能层面都能真正了解的话,我们就有可能找到更好的诊断、治疗精神疾病的方法,为发展现代的精神医学奠定理论基础,为社会和人类作出贡献。因此,近年来出现了一个精神病学与神经科学的新的交叉领域,叫“计算精神病学”。

    培养新一代计算神经科学家,可考虑几种方式。在美国,斯隆基金会(Sloan Foundation)与斯沃茨基金会(Swartz Foundation)从90年代中便开始建立理论神经科学中心,现在总共有11个斯隆-斯沃茨(Sloan-Swartz)中心,分布在各个大学。这些研究中心重点放在吸引培养有物理、数学或其他计算科学背景的研究生和博士后,帮助他们成功地转入计算神经科学领域。迄今这些中心培养出的一百多名学者已在世界各地的著名学府担任教授,使计算神经科学领域日趋成熟。中国应考虑建立几个理论与计算神经科学中心。另外,各强势大学应打破学科的界线,开本科和研究生的计算神经科学课,条件成熟后可建有关的专业。这不仅让物理学和数学学科的青年人有机会学习神经科学,也让实验科学家有机会学习建模的数学知识。暑期学校是另一种有效的途径。美国海洋生物实验室从1988年起办计算神经科学暑期学校,训练了大批从数理化、工程、信息科学转到脑科学的年轻人。我们在国内也于2010年起步创办了计算和认知科学的暑期学校,培养这方面的跨学科的年轻人才。还有,为了建立一个新的领域,必须有讨论会以便于各领域的专家和学生定期集会、交流和开展合作,这对计算神经科学这样的交叉学科尤为重要。因此,我们需要有条件举办定期的会议和暑期学校。

    因此,高级认知功能的脑机制是神经科学前沿方向之一。另外,迄今为止,实验和理论都局限于考虑微神经网络或局部的脑区。 现在有一个很大的新挑战——不光是我自己的团队,也是整个领域都面临的挑战——研究怎样将局部神经网络推广到涵盖全脑皮层的大规模的神经网络,研究认知的“构建模块”(building block)是怎样拼在一起,从而产生人的思想和行为。 最近几年,新的实验数据产生,如大脑的连接网络、功能成像的数据,再加上计算机的发展,使我们有可能建构大规模的脑系统数学模型。我的研究团队近年来建构了一个灵长类动物的大规模皮层系统的模型, 该研究成果近期刚刚发表。 此大规模模型是由很多互相联通的脑区组成的,会自发地产生自组织现象,即一个动态时间尺度的层次结构。如果给初始的感觉区一个刺激,它的反应很快,时间尺度在20微秒, 适于很快地接收处理外界来的信号。其它不同脑区反应的时间尺度不一样,尤其“认知型”的脑区具有相当慢的动态,正好适于抉择、思维。也就是说这个系统自然地产生了动态时间尺度的层次结构,这是脑区和脑区之间的反馈连接形成的。为什么这个结果有意思呢?因为脑对信息的处理需要在很多时间尺度上整合。比如,我们交谈时,要理解你说的话,我的大脑要能够识别你的语音, 这时理解每个字只需要非常短的时间;但理解字和字之间的关系以及理解一个句子的意思,则需要的时间长一点;理解句子和句子连起来的一段话的意思,就需要更长的时间。这就是不同时间尺度的整合。我们的新模型发现了动态时间尺度的层次结构怎么发生的,其神经网络机制是什么。这一类的新发现是根基性的,可望给人工智能带来新的启示。

    展望计算神经科学与类脑智能的未来

    若社会意识到脑科学的重要,不仅政府应支持,企业、个人也应对其发展作贡献。

    “十三五”规划,为我国发展这个新的交叉领域带来了良机。我们的目标应该包括:第一,发展海量数据分析的方法,为处理脑数据(包括脑环路和联结组学数据、高密度成像数据、大规模认知功能测量和脑疾病研究数据) 服务。第二,发展理论和计算神经学,尤其是大尺度的认知(包括记忆、决策、语言)功能脑系统计算模拟、跨层次(分子,细胞,多尺度网络,动态系统和行为)机制的分析。第三,发展行为实验的测量方法,包括对脑疾病患者认知功能的定量测量及其标准化。第四,发展计算神经学与类脑人工智能的交叉研究和应用,包括深度学习算法、智能机器人等。第五,将人才从数理化、工程、信息科学吸引到神经科学来,培养受过良好定量训练的新一代脑科学家。第六,建立专门支持跨科学研究的项目。第七,在海量数据共享、跨学科的研究和人才培训等方面开展国际合作。 这一切都需要改革资助经费和管理运行的方式,还需要我们支持跨单位、跨学科的协同创新。

    美国的脑计划,企业和个人慈善项目的支持十分可观。上面提到了工业界的IBM、谷歌、微软。个人方面,微软创始人之一保罗:阿伦(Paul Allen)已从私人的财富中拿出十亿美元来支持脑科学的基础研究。全球收入最高的对冲基金经理詹姆斯:西蒙斯(James Simons)的慈善项目重点也在脑科学。今年年初,百度公司董事长李彦宏在两会上提出“中国大脑”提案,希望以此“带动整个民族创新能力的提升”。百度等公司应该与学术界联手发展神经科学和应用,共同实现中国的脑计划。

    大脑是宇宙中最复杂的系统之一,近年来研究技术的大突破为人类认识大脑开创了新纪元。但我们对脑功能、尤其高级认知功能的神经网络机制的研究才刚刚起步,实验神经科学必须与理论和计算神经学携手共进。计算神经科学也是脑科学与人工智能两个领域之间的必要桥梁,这些领域的互动和协同创新将极大推动未来的信息科技、脑科技以及下一代超级计算机的发展。((作者为上海纽约大学副校长、纽约大学神经科学教授,原耶鲁大学神经科学终身教授。))

    最后我讲一下这个领域的人才培养。我们中国的国情非常适合发展这么一个跨学科领域,因为数理化领域有大批杰出的年轻人,是理论和计算神经科学的生力军。但帮助他们进入这一领域需要新的体系方式。在美国,理论和计算神经科学起源于二十年多前。Sloan基金会于1994年创建五个理论神经科学中心,后来发展成十多个Sloan-Swartz 中心,本人在其中三个(布兰迪斯、耶鲁、纽约大学)中心作过主任。二十多年来,这些中心吸引了很多物理、数学、工程等领域的年轻人,把他们培养成计算神经科学的精英。欧洲、以色列也采用了这个模式。现在中国正在讨论自己的脑计划,我呼吁我们一定看准我国在这方面的人才潜力、不要错失良机、努力建立中国的理论和计算神经科学平台。培训跨学科的年轻人才应采用不同

    Neuroscience Programs at IARPA

    方式。举例来说,我们从2010年开始在国内开办计算认知神经科学的高级暑期班,重点是认知和计算,这5年来已经培养了一批年轻人,激发了他们浓厚的兴趣和学术热情。这方面我们需要政府和私人基金给予支持,真正吸引年轻人进入我们这个领域。

    我小结一下前面讲的几点。第一,展望未来,人类对认知功能的机制理解得还不够,这是一个新的领域。我们一定要在认知功能的神经网络机制方面下功夫,同时发展更好的学习方法,这个不仅对脑科学本身有重大意义,能让我们深刻理解基本认知功能的脑机制,而且能直接影响到人工智能的发展。同时,这方面的基础研究还会对精神病学产生革命性的影响。

    LeCun Y, Bengio Y, Hinton G “深度学习-LeCun、Bengio和Hinton的联合综述”,CSDN,2015年6月2日

    第二,当今时代,是大规模脑神经网络的理论和建模的黄金时代。 我们缺的不是计算能力,而是一些新的想法、新的假设,真正要做出革命性研究成果的的决心。

    第三,研究大脑的难点之一是跨层次研究。从人的行为和大脑的功能、到网络的机制,再下到细胞、分子和基因,我们要跨越这几个层次来进行分析,这方面缺乏很好的数学手段。针对这一点,我们可以和数学家联合起来,发展跨层次的数学分析方法。

    汪小京理论神经科学,见“神经科学”,主编:韩济生,北京大学医学出版社,第五十三章(1003-1018页)。

    第四, 要采用多元化的方法,来吸引和培养计算神经科学和人工智能领域的年轻人才。

    汪小京 “21世纪的中国计算神经科学展望”, 科学时报, 2010年8月25日.

    最后,我们应该大力发展国际合作,包括海量数据的共享、跨学科的研究、人才的培养等方面。

    BRAIN 2025: A Scientific Vision: Brain Research through Advancing Innovative Neurotechnologies Working Group Report to the Advisory Committee to the Director, NIH.

    基础研究与技术应用是相辅相成的。应用的需求可以促进基础研究,而基础研究的突破又可以大幅推进工业、社会发展。今年是爱因斯坦发表广义相对论100周年,回到1915年时,谁能想到广义相对论这么抽象的理论,会有一天用于建立人们日常离不开的GPS 精确导航系统?我们发展人工智能,就应该扶持理论和计算神经科学,使之成为21世纪中国优先发展的研究领域。

    国际计算和认知神经生物学暑期学校

    本文由金莎娱乐发布于科学,转载请注明出处:法国首都London大学副校长,的关键吗

    关键词: