“硅基大脑”来了UCSF华人实验室打造！神经科学

　　【新智元导读】「硅基大脑」来了，AGI还会远吗？医学顶校加州大学旧金山分校（UCSF），华人科学家张复伦（Edward Chang）实验室的博士后，描述了神经科学+AI的未来。

　　AI起源于人类利用「电脑」模拟「大脑」，希望计算机和人类一样可以处理各种任务。

　　但不妨设想一下「硅基大脑」—— 高级的AI模型，它能够破译人类的思维，让「哑巴」重新说话，也许有朝一日，甚至能预测大脑的「一举一动」。

　　在近日采访中，Shailee Jain分享了踏入AI+神经科学的交叉领域的心路历程，描述了神经科学的未来：建立「硅基大脑」。

　　Shailee Jain对神经科学与AI交叉领域的兴趣，起源于对大脑复杂性的迷恋。

　　AI不仅可以分析海量数据、帮助撰写邮件或推荐股票，还有可能模仿人类最根本的特性——思考、说话和互动。

　　2023年，她加入了加州大学旧金山分校（UCSF）张复伦（Edward Chang）博士的实验室，研究全脑网络（brain-wide networks）及单个神经元的活动，以了解人类的大脑是如何实现基本的人类特质：语言。

　　神经科学领域长期以来因技术限制进展缓慢，但20世纪80年代和90年代的脑测量技术，革命性地改变了这一状况。

　　如今，在Chang Lab，在患者接受脑外科手术时，可以同时记录单个神经元的活动。

　　10年前，这样的技术还无法想象，但现在我们可以追踪数百个单神经元的活动，为揭示控制语言等复杂行为的脑回路提供了全新视角。

　　Shailee Jain是加州大学旧金山分校威尔神经科学研究所Edward Chang实验室的博士后研究员。

　　过去十年间，AI已经被成功用于分析通过功能性磁共振成像（fMRI）、脑磁图（MEG）和脑电图（EEG）等技术收集的大脑数据。

　　在UCSF，神经外科医生、神经病学家和精神病学家合作，收集了高质量、多样化的大脑数据，例如：

　　fMRI：大脑的「温度计」，显示大脑活动的「热点」，展示大脑不同区域在特定时间的活动情况。

　　弥散张量成像（diffusion tensor imaging）：大脑的「交通地图」，揭示大脑不同区域之间的连接方式。

　　而且在手术过程中，病人处于清醒状态，在手术室里执行不同的任务，同时探针记录神经元的活动。

　　Shailee Jain的工作是将这些多样化的数据输入到人工神经网络中，目标是让模型生成与患者大脑相同的活动模式。

　　例如，fMRI反映的是大脑不同区域的氧气使用情况，而不是直接的神经活动，虽然数据分辨率较低，但对于观察整个大脑的活动模式具有重要价值；而Neuropixel探针提供了单神经元的高分辨率数据，却缺乏全脑视角。

　　为了训练神经网络，不仅仅要关注神经数据，还要结合患者读到的文本、听到的语言，以及行为数据（如理解能力或解题能力）。

　　近年来，利用BCI技术，Chang博士的团队，帮助瘫痪和无法说话的患者，重新获得了与人交流的能力。

　　然而，目前的BCI系统需要针对每位患者收集大量训练数据，耗时且成本高昂。

　　基于海量神经数据，训练一个AI模型，可以开发无需大规模校准，即可立即使用的设备，从第一天起就能帮助患者恢复语言或动作。

　　精神分裂症、双相情感障碍和抑郁症等神经精神疾病，发病条件极其复杂，是涉及大脑多个区域神经元的复杂网络。

　　为了了解人脑各部分的工作原理，虽然无法剖析活着的人脑，但可以通过人工大脑模型来做到这一点。

　　特定神经精神疾病患者的数据，提供给AI系统，可以了解大脑不同部分如何相互作用的模式，以及这些相互作用如何出错。

　　这可能会带来新的、更有针对性的治疗方法，解决潜在的神经机制，而不仅仅是缓解症状。

　　人工模型越来越接近对不同脑部疾病的模拟，我们将能够开展在人类身上无法进行的实验。在受控的环境中，能够探索特定刺激或干预措施，如何影响神经活动，从而更好地理解和治疗这些疾病。

　　随着时间的推移，还可以进一步扩展研究，探讨大脑如何感知外部世界、提取记忆，以及最终如何产生思想。

　　未来，在人工大脑模型中，甚至可以模拟不同的脑部疾病，进行无法在人类患者身上完成的实验。这将帮助人类更好地理解和治疗这些复杂的疾病，并深入研究大脑如何感知外界、提取记忆和产生思维。

　　展望未来20至50年，相信基于脑数据训练的AI系统，能够创建「数字孪生」——每个人独特的大脑模型。

　　这些AI生成的模型不仅能复制一般的脑活动，还能精确模拟个人的神经模式，从而为大脑活动提供精准的分析。

　　例如，手术前，患者的数字孪生模型，可以用于模拟手术并预测结果；对于神经精神疾病，可根据每位患者独特的脑活动模式，设计高度个性化的治疗方案。

　　此外，随着这些模型变得更加成熟，需要深入探讨技术滥用的潜在风险，特别是当模型能够预测个体脑活动时。

　　目前，她是加州大学旧金山分校（UCSF）神经外科Chang Lab的博士后研究员。

　　之前，在德克萨斯大学奥斯汀分校（UT Austin）Huth实验室，她完成了计算机科学硕士/博士学位，期间与谷歌AI语言团队和英特尔脑启发计算实验室的研究人员进行了合作。

　　她的博士论文聚焦于联合解释人类大脑和神经自然语言处理（NLP）模型如何处理语言。

　　在印度国家技术学院卡纳塔克（NITK），她完成了本科学习，并在德国Leuphana大学的机器学习组度过了一段时间。

　　本文为澎湃号作者或机构在澎湃新闻上传并发布，仅代表该作者或机构观点，不代表澎湃新闻的观点或立场，澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问。