反之亦然 科学家开始用深层神经网络解释人脑
特约编辑/大路
2011年冬天，麻省理工学院计算神经科学博士后丹尼尔亚明斯(Daniel Yamins)经常熬夜研究他的计算机视觉项目。当时，他正在煞费苦心地设计一个系统来识别图片中不断变化的对象。事实上，人类可以很容易地做到这一点，但这对机器来说是一项困难的任务。丹尼尔设想的解决方案模仿生物大脑，这就是深层神经网络。
丹尼尔后来接受采访时说，“我记得很清楚，我们发现一个神经网络，真的可以用来解决问题的时候，是凌晨两点。因为不忍心叫醒同事，就一个人在剑桥的寒风中走着。单在人工智能领域，这绝对是一个里程碑式的成就，但这并不是Yammings及其同事的主要目标。对他们和很多神经科学家来说，这是研究大脑功能模型的关键时刻。
丹尼尔和他的团队目前在斯坦福大学有自己的实验室，致力于用深度神经网络解构生物大脑，试图理解生物大脑中的任务分配。目前大多数人都知道大脑的不同区域负责我们生活中不同的任务，但其实大脑的复杂程度远不止这些。例如，大脑中有一个区域可以识别一般的物体，但也有一个区域专门用于识别人脸。这背后的原因值得探究。目前，深度神经网络研究表明，这种更详细的任务划分也可能是生物大脑处理信息的最有效方式。
说明：丹尼尔亚明斯，斯坦福大学的计算神经学家。
同样，研究人员已经证明，最擅长对语音、音乐和模拟气味进行分类的深层网络，似乎与大脑的听觉和嗅觉系统具有几乎相同的结构。这样的相似性也出现在深度网络中，深度网络可以观察到一个二维场景，并推断其中三维物体的基本属性，这也有助于解释为什么生物感知如此之快，异常丰富。所有这些结果表明，生物神经系统的结构是它能够有效处理信息的原因。
事实上，许多神经科学家长期以来一直对大脑和深层神经网络之间的类比持怀疑态度，因为他们的工作原理可能难以捉摸，所以这些成功更加出乎意料。“老实说，在我的实验室里，以前没有人使用深层网络做任何事情，”麻省理工学院的神经科学家南希坎维舍说。“现在，他们中的大多数人经常改为训练神经网络模型。」
01
—
深度网络和视觉
人工智能中的神经网络由互连的感知器构成，是生物神经元的简化数学模型。这个神经网络中至少有两个感知器，一个是输入层，一个是输出层。在输入和输出之间夹入一个或多个“隐藏”层，我们得到一个“深度”神经网络；隐藏层越多，神经网络越深。
通过对深层网络模型的训练，可以得到数据中的模型，比如代表猫或狗的图像的模型。这种训练包括通过使用算法重复调整传感器之间的连接强度，以便网络学会将给定的输入(图像的像素)与正确的标签(猫或狗)相关联。一旦经过训练，深层网络就可以对一个从未见过的输入进行分类。如下图所示：
在这个整体结构和功能中，深层网络渴望模仿大脑，神经元之间连接的调节强度体现了学习中的关联性。神经科学家经常指出这种类比的重要局限性。例如，单个神经元可能比“哑”传感器处理信息的范围更广，深层网络通常依赖于传感器之间的一种称为反向传播的通信，这种通信在生物神经系统中似乎不会发生。当然，虽然有一些缺点，但对于计算神经科学家来说，深度网络仍然是大脑建模的最佳选择。
开发视觉系统计算模型的研究人员也受到我们对灵长类视觉系统的理解的影响，尤其是识别人、地点、事物的路径，这种路径被称为腹侧视觉流。(另一个独立的路径，即后视流，处理用来看清事物运动和位置的信息)。在人类中，这种腹侧通路从眼睛开始，然后进入丘脑(感觉信息的中继站)的外侧膝状体。外侧膝状体核与初级视皮层的V1区相连，其下游是V2区和V4区，最后通向下颞叶皮层(非人灵长类动物的大脑具有同源结构)。
在神经科学领域，视觉信息处理是在不同的层次和阶段进行的。前期处理的是视野中的低级特征(如边缘、轮廓、颜色、形状)，而复杂的表象，如整体物体、面孔等，只出现在下颞叶皮层的后期。