“后來，人工智能（AI）變得無處不在。如今我們‘勉強(qiáng)’接受NeuroAI這個(gè)稱呼，只為大眾能理解其含義。”

當(dāng)下學(xué)術(shù)界正面臨一個(gè)尷尬現(xiàn)實(shí)：“AI”似乎已經(jīng)成為一個(gè)無法回避的標(biāo)簽，不管你愿意與否。在神經(jīng)科學(xué)領(lǐng)域，這種現(xiàn)象尤為明顯。

美國國立衛(wèi)生研究院（NIH）的格蕾絲·黃（Grace Hwang）和喬·莫納科（Joe Monaco）組織的“2024 BRAIN NeuroAI Workshop”研討會(huì)上，試圖厘清這些問題的關(guān)鍵：

? 在這個(gè)AI無處不在的時(shí)代，我們究竟需要怎樣的神經(jīng)科學(xué)研究？

? 當(dāng)我們試圖創(chuàng)造出超越人類智能的機(jī)器時(shí)，是否真正理解了自身智能的本質(zhì)？

?作為神經(jīng)科學(xué)與人工智能的交匯點(diǎn)，“NeuroAI”能否為我們揭開智能的終極奧秘？

? 我們是否過于沉迷于“大腦即計(jì)算機(jī)”的隱喻，而忽視了生物智能的獨(dú)特性？

近期，保羅·米德爾布魯克斯（Paul Middlebrooks）邀請這對學(xué)術(shù)伉儷分享了這場研討會(huì)上涌現(xiàn)的關(guān)于NeuroAI未來的深度思考。

保羅·米德爾布魯克斯

Paul Middlebrooks

卡內(nèi)基梅隆大學(xué)的特聘助理研究員

卡內(nèi)基梅隆大學(xué)的特聘助理研究員，同時(shí)是播客“Brain Inspired”的主持人。他主要研究運(yùn)動(dòng)皮層和基底神經(jīng)節(jié)神經(jīng)群體活動(dòng)如何在自由行為的小鼠中支持自然行為，致力于揭示神經(jīng)活動(dòng)與復(fù)雜行為之間的關(guān)系。

格蕾絲·黃

Grace Hwang

美國國立衛(wèi)生研究院（NIH）神經(jīng)疾病與中風(fēng)研究所的項(xiàng)目主任

專注于腦啟發(fā)技術(shù)、神經(jīng)調(diào)節(jié)和腦機(jī)接口等領(lǐng)域，尤其在推動(dòng)神經(jīng)技術(shù)與人工智能的交叉研究方面有顯著貢獻(xiàn)。她曾在約翰·霍普金斯大學(xué)和國家科學(xué)基金會(huì)（NSF）任職，領(lǐng)導(dǎo)多個(gè)跨學(xué)科項(xiàng)目，包括腦啟發(fā)的動(dòng)態(tài)系統(tǒng)分析和神經(jīng)調(diào)節(jié)技術(shù)開發(fā)。

喬·莫納科

Joe Monaco

NIH BRAIN計(jì)劃科學(xué)項(xiàng)目經(jīng)理

約翰·霍普金斯大學(xué)生物醫(yī)學(xué)工程系研究助理。他的研究專注于計(jì)算神經(jīng)科學(xué)，通過理論建模和數(shù)據(jù)分析探索大腦的神經(jīng)回路功能及其在復(fù)雜行為中的作用，并致力于推動(dòng)神經(jīng)科學(xué)與人工智能的交叉研究。

目錄：

01 與NeuroAI有關(guān)的學(xué)術(shù)重逢

02 命名“爭議”：NeuroAI被濫用了嗎？

03 “小眾”的神經(jīng)形態(tài)學(xué)：從硬件到理念的類腦探索

04 BRAIN NeuroAI研討會(huì)：挑戰(zhàn)傳統(tǒng)語境

05 感知控制理論：還原論思維為何行不通？

06 數(shù)字孿生以及錯(cuò)誤的“二進(jìn)制”認(rèn)知

07 振蕩、行波與時(shí)空組織：大腦的動(dòng)態(tài)協(xié)調(diào)機(jī)制

08 謎底揭曉：基礎(chǔ)計(jì)算單元與基礎(chǔ)層

NeuroAI有關(guān)的學(xué)術(shù)重逢

保羅·米德爾布魯克斯：2024年12月4日，兩位共同組織了“2024BRAIN NeuroAI Workshop”研討會(huì)，探討了NeuroAI如何整合到BRAIN計(jì)劃中并幫助理解和治愈人類腦疾病。請問是什么契機(jī)促使兩位聚集一起開展NeuroAI這項(xiàng)研究的？

喬·莫納科：我們們最初相識(shí)于2004年的布蘭迪斯大學(xué)（Brandeis University），當(dāng)時(shí)我們都在上拉里·阿博特（Larry Abbott）教授的計(jì)算理論神經(jīng)科學(xué)課程。我們兩人中，我才是從一開始就是神經(jīng)科學(xué)家的那個(gè)。我從事計(jì)算神經(jīng)科學(xué)和理論研究，博士期間研究網(wǎng)格細(xì)胞（grid cells）和位置細(xì)胞（place cells），建模它們?nèi)绾瓮ㄟ^“重映射”（remapping）產(chǎn)生關(guān)聯(lián)——這是海馬體研究中至關(guān)重要的計(jì)算轉(zhuǎn)換機(jī)制。后來在約翰霍普金斯大學(xué)的吉姆·尼里姆（Jim Knierim）實(shí)驗(yàn)室博士后工作期間，我開始關(guān)注自由活動(dòng)大鼠在環(huán)形軌道上重復(fù)順時(shí)針導(dǎo)航時(shí)的復(fù)雜行為。

通過精確追蹤大鼠頭部和身體的位置，我們可以觀察位置場（place field）活動(dòng)隨時(shí)間的形成過程。這就是我開始深入研究復(fù)雜神經(jīng)行為分析的基礎(chǔ)，并從有機(jī)體的角度思考其中實(shí)際發(fā)生了什么。我們是否真的擁有所有這些內(nèi)部計(jì)算表征？這些表征是如何轉(zhuǎn)化為小動(dòng)物每時(shí)每刻的行為？由此我開始探索復(fù)雜的時(shí)間動(dòng)力學(xué)與行為的關(guān)系。

格蕾絲·黃：我在取得博士學(xué)位后，先去了MITRE公司，后又長期為政府工作。直到2015年，我才回到“學(xué)術(shù)界”，加入了約翰·霍普金斯大學(xué)應(yīng)用物理實(shí)驗(yàn)室，擔(dān)任項(xiàng)目主管，負(fù)責(zé)運(yùn)行應(yīng)用神經(jīng)科學(xué)項(xiàng)目，這是我自2005年以來第一次重新關(guān)注神經(jīng)科學(xué)。2017年美國神經(jīng)科學(xué)學(xué)會(huì)（SfN）的海報(bào)環(huán)節(jié)，讓我深入了解了Joe的相位細(xì)胞（phaser cells）研究。我對相位細(xì)胞產(chǎn)生興趣，因?yàn)榕c海馬體中的位置細(xì)胞不同，位置細(xì)胞與穿越位置場的相位是不對稱映射的。

?相位細(xì)胞編碼的機(jī)制及其時(shí)間組織. 圖源：Monaco, Joseph & De Guzman, Rose & Blair, Hugh & Zhang, Kechen. (2019). Spatial synchronization codes from coupled rate-phase neurons. PLOS Computational Biology. 15. e1006741. 10.1371/journal.pcbi.1006741.

喬·莫納科：傳統(tǒng)海馬位置細(xì)胞的相位前移（phase precession）現(xiàn)象中，隨著動(dòng)物穿越位置場，神經(jīng)元放電會(huì)在θ節(jié)律周期中逐漸提前。但我們在外側(cè)隔膜（lateral septum）發(fā)現(xiàn)了新型相位細(xì)胞——它們的相位編碼不依賴運(yùn)動(dòng)軌跡，而是直接對應(yīng)空間位置。這種編碼可能為機(jī)器人多智能體協(xié)同提供新思路。

格蕾絲·黃：當(dāng)時(shí)我在智能系統(tǒng)中心的綜合物理實(shí)驗(yàn)室工作，與很多機(jī)器人專家共事。這一研究立刻讓我想到：若能用這種相位編碼實(shí)現(xiàn)自主定位與建圖該多酷！巧合的是，當(dāng)天另一篇關(guān)于“群體振蕩器”（Swarmulators）的論文發(fā)布，展示了如何通過內(nèi)部相位變量控制同步（sync）和集群（swarm）。這兩項(xiàng)發(fā)現(xiàn)讓我意識(shí)到：喬的相位細(xì)胞或許可用于控制多智能體機(jī)器人。就這樣，2017年我們重新開始合作。后來AI變得無處不在。如今我們“勉強(qiáng)”接受NeuroAI這個(gè)稱呼，只是因?yàn)榇蟊娔芾斫馄浜x。

命名“爭議”：

NeuroAI被濫用了嗎？

格蕾絲·黃：有人認(rèn)為，NeuroAI是用AI研究神經(jīng)科學(xué)，也有人認(rèn)為是用神經(jīng)科學(xué)原理改進(jìn)AI（包括硬件、軟件或兩者結(jié)合）。但我們刻意保持開放定義。在研討會(huì)上，我們明確表示更關(guān)注NeuroAI的雙向融合性，而非將AI用于任何科學(xué)方法的前饋。

喬·莫納科：我不覺得是“勉強(qiáng)”，反而認(rèn)為這正是機(jī)遇所在。需要澄清的是，在本次訪談中，我們必須將BRAIN計(jì)劃官方發(fā)言立場與個(gè)人科學(xué)觀點(diǎn)區(qū)分開。從BRAIN計(jì)劃視角看，這里存在大量有趣機(jī)會(huì)。Brad綜述論文中的圖表中梳理了四五個(gè)AI通過數(shù)據(jù)學(xué)習(xí)演化的主要路徑。核心問題是：這些路徑如何交匯？更接近大腦形態(tài)的數(shù)據(jù)學(xué)習(xí)計(jì)算將是什么樣？

回顧歷史，自50年代符號(hào)主義AI（Newell和Simon從認(rèn)知科學(xué)出發(fā)）到80年代聯(lián)結(jié)主義興起（伴隨神經(jīng)網(wǎng)絡(luò)和反向傳播），再到近10-15年硬件算力突破催生現(xiàn)代AI技術(shù)，神經(jīng)科學(xué)的啟發(fā)始終貫穿其中。當(dāng)前正是融合的黃金時(shí)期。與其糾結(jié)定義（畢竟認(rèn)知科學(xué)、神經(jīng)科學(xué)和AI專家最擅長術(shù)語之爭），不如聚焦實(shí)質(zhì)——如果真想深入，我們甚至能把意識(shí)研究者也拉進(jìn)來辯論。

保羅·米德爾布魯克斯：我注意到，你提到的這些都是意識(shí)研究者，但把哲學(xué)家們排除在外，是因?yàn)樗麄冏钌瞄L爭論語義，是嗎？

喬·莫納科：是的，我們需要有人關(guān)注這個(gè)問題。我認(rèn)為在這個(gè)早期且充滿機(jī)遇的融合階段——盡管不同領(lǐng)域的研究已積累數(shù)十年，但它們似乎都遇到了相似的瓶頸。認(rèn)知科學(xué)未能實(shí)現(xiàn)20世紀(jì)60-70年代米勒（Miller）預(yù)想的宏大研究綱領(lǐng)；神經(jīng)科學(xué)則困在吸引子動(dòng)力學(xué)和群體幾何學(xué)的框架里，糾結(jié)如何整合海量數(shù)據(jù)。或許通過跨領(lǐng)域合作，我們能一舉突破這些難題。

格蕾絲·黃：我想為自己只能勉強(qiáng)接受“AI”這個(gè)詞的個(gè)人立場辯護(hù)一下，因?yàn)檫@已經(jīng)是第二次我被迫把“NeuroAI”這個(gè)詞用在我參與的項(xiàng)目或概念中了。我曾主導(dǎo)一個(gè)名為“面向高能效電路與AI的腦啟發(fā)動(dòng)力學(xué)”的前沿研究項(xiàng)目。最初，這個(gè)項(xiàng)目的名稱中并沒有“AI”這個(gè)詞。但我的前NSF（美國國家科學(xué)基金會(huì)）領(lǐng)導(dǎo)說“AI”一詞必須出現(xiàn)在標(biāo)題中，只是因?yàn)樗?dāng)時(shí)非常熱門。這就是我的出發(fā)點(diǎn)，Joe，我們不得不使用“AI”這個(gè)詞，因?yàn)檫@個(gè)詞現(xiàn)在很流行。

喬·莫納科：這是一個(gè)新術(shù)語，我認(rèn)為它還沒有被很好地定義。這就是開研討會(huì)的目的。讓我們把這些人聚集在一起。過去一年，格蕾絲和我參加了大量NeuroAI會(huì)議，我們看到許多主題正在浮現(xiàn)。BRAIN計(jì)劃希望探索自身在其中的潛在角色——如何在其使命框架內(nèi)推動(dòng)這一領(lǐng)域？我們通過研討會(huì)廣泛征集社區(qū)意見，而社區(qū)也積極反饋了值得深挖的機(jī)會(huì)。

“小眾”的神經(jīng)形態(tài)學(xué)：

從硬件到理念的類腦探索

格蕾絲·黃：從NSF轉(zhuǎn)到NIH后，我震驚地發(fā)現(xiàn)NIH對神經(jīng)形態(tài)計(jì)算的投資極少。如果你在NIH Reporter數(shù)據(jù)庫搜索“neuromorphic”（神經(jīng)形態(tài)學(xué)），會(huì)發(fā)現(xiàn)自80年代末有記錄以來，只能找到約60個(gè)項(xiàng)目，總投資不到2000萬美元。

一方面，它發(fā)展速度受限，但我認(rèn)為另一方面原因是神經(jīng)形態(tài)學(xué)工程師、神經(jīng)技術(shù)以及生物醫(yī)學(xué)工程師的圈子是割裂的。他們會(huì)去參加不同領(lǐng)域的會(huì)議，彼此之間并沒有真正的交流。對我來說，將神經(jīng)形態(tài)學(xué)和神經(jīng)科學(xué)聯(lián)系起來是非常重要的，這樣我們才能更好地利用神經(jīng)形態(tài)學(xué)來促進(jìn)大腦健康。

保羅·米德爾布魯克斯：說來有趣，我和其他學(xué)者討論這次研討會(huì)時(shí)提到，我驚訝于神經(jīng)形態(tài)學(xué)（neuromorphic）內(nèi)容占比如此之大。結(jié)果對方（一位神經(jīng)科學(xué)家）反問道："神經(jīng)形態(tài)學(xué)是什么？"我當(dāng)場愣住。

喬·莫納科：確實(shí)，這個(gè)概念并不廣為人知。夸貝納·博阿亨（Kwabena Boahen）是神經(jīng)形態(tài)學(xué)計(jì)算領(lǐng)域的領(lǐng)導(dǎo)者之一，他提出了一種具有突破性的可擴(kuò)展計(jì)算范式。要實(shí)現(xiàn)真正的可擴(kuò)展性，必須借鑒大腦結(jié)構(gòu)——比如存算一體的設(shè)計(jì)。傳統(tǒng)CPU/GPU基于馮·諾依曼架構(gòu)（計(jì)算與存儲(chǔ)分離），受制于物理極限；而大腦本身就是存算融合的系統(tǒng)，神經(jīng)形態(tài)技術(shù)試圖突破傳統(tǒng)硬件的擴(kuò)展瓶頸。

用費(fèi)曼的名言來說：“凡是我所不能創(chuàng)造的，我就還不理解。”神經(jīng)形態(tài)工程師們正是從突觸到細(xì)胞層面，試圖在芯片上重構(gòu)生物神經(jīng)系統(tǒng)的特性。

格蕾絲·黃：神經(jīng)形態(tài)技術(shù)的起源可追溯至卡弗·米德（Carver Mead）學(xué)派。早期的神經(jīng)形態(tài)工程師試圖在芯片上模擬離子通道特性，生成與貓錐體細(xì)胞測量結(jié)果相當(dāng)?shù)拿}沖信號(hào)。Nisha Mohawad在1991年寫的論文首次普及了神經(jīng)形態(tài)學(xué)，也就是拉爾夫所說的“傳統(tǒng)神經(jīng)形態(tài)技術(shù)”。此后，這一領(lǐng)域經(jīng)歷了多樣化發(fā)展，導(dǎo)致其定義變得模糊。不同群體對“神經(jīng)形態(tài)”的理解各異：有人視其為硬件（如類腦芯片），有人則認(rèn)為是設(shè)計(jì)原則（如卡伊提到的“讓設(shè)備信號(hào)統(tǒng)計(jì)特性匹配大腦”）。

它甚至可以是指導(dǎo)性原則。神經(jīng)形態(tài)社區(qū)內(nèi)部也存在分歧：一部分人認(rèn)為神經(jīng)形態(tài)必須依賴專用硬件，另一部分人則強(qiáng)調(diào)其設(shè)計(jì)理念。但對我而言，神經(jīng)形態(tài)技術(shù)的核心是類腦特性——通常基于脈沖通信、能效極高、且能自適應(yīng)使用者需求。研討會(huì)上還討論了一個(gè)有趣觀點(diǎn)：自適應(yīng)系統(tǒng)因無需外部計(jì)算機(jī)控制，其片上自主性使其更難被黑客攻擊。

喬·莫納科：我認(rèn)為需要明確的是，并非所有的神經(jīng)形態(tài)學(xué)硬件都是能夠自我學(xué)習(xí)的。許多開發(fā)的測試平臺(tái)——例如英特爾有一個(gè)名為Loihi的項(xiàng)目雖能運(yùn)行大規(guī)模脈沖神經(jīng)元網(wǎng)絡(luò)，但難以實(shí)現(xiàn)STDP（脈沖時(shí)序依賴可塑性）等學(xué)習(xí)規(guī)則。其他芯片設(shè)計(jì)則更易適配不同學(xué)習(xí)機(jī)制——這正是領(lǐng)域內(nèi)待解的難題：如何安全地實(shí)現(xiàn)自適應(yīng)？

格蕾絲·黃：關(guān)鍵點(diǎn)在于：有些芯片是為了推理而設(shè)計(jì)的，還有些則是為了學(xué)習(xí)而設(shè)計(jì)的。

保羅·米德爾布魯克斯：聽起來整個(gè)研討會(huì)都聚焦于神經(jīng)形態(tài)學(xué)？但事實(shí)并非如此，這只是進(jìn)入更廣泛討論的一個(gè)切入點(diǎn)。我完全理解為什么神經(jīng)形態(tài)學(xué)會(huì)成為一個(gè)重點(diǎn)。然而問題是，正如Joe先前所說的，“理論整合”進(jìn)展如何？讓不同領(lǐng)域?qū)W者共處一室碰撞思想，是否真能推動(dòng)問題解決？

喬·莫納科：這個(gè)挑戰(zhàn)一直存在。正如格蕾絲先前所說，這些領(lǐng)域之間并沒有足夠的交流。我們有意將這些不同的社區(qū)聚集在一起，開始展開對話。即使在神經(jīng)形態(tài)學(xué)工程領(lǐng)域內(nèi)也存在分歧。

有一些人希望使用大規(guī)模神經(jīng)形態(tài)學(xué)計(jì)算系統(tǒng)來運(yùn)行大腦的大型模型。他們需要大規(guī)模的大腦數(shù)據(jù)來構(gòu)建這些類型的模型，如連接組和細(xì)胞類型等。這些數(shù)據(jù)可以作為測試評估系統(tǒng)、建模和模擬系統(tǒng)，以確認(rèn)或證偽關(guān)于這些網(wǎng)絡(luò)某些方面的理論。

小規(guī)模應(yīng)用方面，能源效率高的模擬或混合信號(hào)設(shè)備，可以被分發(fā)到邊緣，用于在更廣泛的應(yīng)用場景中進(jìn)行類腦、類神經(jīng)元的智能計(jì)算。

擴(kuò)展這些模型要困難得多，也更具特殊性。我認(rèn)為目前有機(jī)會(huì)打破計(jì)算神經(jīng)科學(xué)和理論驅(qū)動(dòng)建模中的一些規(guī)模障礙，并將其擴(kuò)展到我們真正關(guān)心的腦內(nèi)活動(dòng)，使其可以原則性方式被研究。

?神經(jīng)形態(tài)計(jì)算促進(jìn)深度腦機(jī)融合. Qi Y, Chen J and Wang Y (2023) Neuromorphic computing facilitates deep brain-machine fusion for high-performance neuroprosthesis. Front. Neurosci. 17:1153985. doi: 10.3389/fnins.2023.1153985

BRAIN NeuroAI研討會(huì)：挑戰(zhàn)傳統(tǒng)語境

保羅·米德爾布魯克斯：在“BRAIN計(jì)劃”開展10年之際，舉辦一場研討會(huì)的目的之一，就是要弄清楚未來的路線圖應(yīng)該走向何方，或者哪些途徑值得探索的并應(yīng)該向前推進(jìn)。這樣總結(jié)正確嗎？

喬·莫納科：更準(zhǔn)確地說，我們不用“應(yīng)該”（should）這個(gè)詞，而是希望社區(qū)共同提出“應(yīng)該”（shoulds）。研討會(huì)匯集了神經(jīng)形態(tài)技術(shù)、度量標(biāo)準(zhǔn)制定者、自然智能研究者——我們需要厘清：這些拼圖如何組合？哪些部分能與BRAIN計(jì)劃的使命契合？

保羅·米德爾布魯克斯：當(dāng)我想到NeuroAI，通常會(huì)聯(lián)想到用AI模型（如卷積神經(jīng)網(wǎng)絡(luò)CNN）模擬腦功能，再驗(yàn)證其是否產(chǎn)生類腦表征——比如早期用CNN建模視覺物體識(shí)別的經(jīng)典研究。但這次研討會(huì)顯然涵蓋更廣，比如安德烈亞斯·圖利烏斯（Andreas Tullius）的基礎(chǔ)模型（foundation models）工作也被納入。能否談?wù)勀銈冞€引入了哪些議題？

喬·莫納科：我們對這個(gè)領(lǐng)域的初步思考，源于2020年我們組織的大腦研究者會(huì)議研討會(huì)，那場研討會(huì)的主題是“動(dòng)態(tài)系統(tǒng)神經(jīng)科學(xué)與機(jī)器學(xué)習(xí)”。雖然當(dāng)時(shí)的討論主要集中在這兩個(gè)領(lǐng)域的交叉上，但現(xiàn)在回看，那其實(shí)是NeuroAI的雛形。通過深入的交流和思考，我們逐漸意識(shí)到，許多現(xiàn)有問題的根源，似乎都來自于對純計(jì)算視角的過度依賴。

傳統(tǒng)研究被“大腦即計(jì)算機(jī)”的隱喻框住了手腳。這種認(rèn)知滲透在認(rèn)知科學(xué)、AI和神經(jīng)科學(xué)中——神經(jīng)科學(xué)家總在談?wù)撋窠?jīng)編碼、解碼和表征，仿佛只要在實(shí)驗(yàn)中找到某個(gè)腦區(qū)活動(dòng)與行為的相關(guān)性（比如“動(dòng)物看到提示后左轉(zhuǎn)時(shí)某神經(jīng)元放電”），像是發(fā)現(xiàn)了計(jì)算式表征方法，就是解釋。

如此就算破解了認(rèn)知機(jī)制，“到此為止”。但問題是，這種“到此為止”的想法恰恰成為了一個(gè)障礙，因?yàn)?strong>實(shí)際上研究并未結(jié)束，我們還需要將行為納入這個(gè)循環(huán)中。行為是大腦與身體、身體與環(huán)境之間持續(xù)不斷的動(dòng)態(tài)耦合過程。這就是為什么我們想要擴(kuò)展研究視野，引入具身認(rèn)知（embodied cognition）和40Hz振蕩研究的視角。我們的目的不是要完全認(rèn)同這些理論，而是要指出：環(huán)境中存在著大規(guī)模的分布式反饋循環(huán)，這些循環(huán)是動(dòng)物認(rèn)知過程中的關(guān)鍵組成部分。這就是我們研究的方向。

格蕾絲·黃：第一天計(jì)劃全部討論計(jì)算智能，而第二天更多的是具身神經(jīng)形態(tài)轉(zhuǎn)換。

喬·莫納科：但第一天就有多少人多次強(qiáng)調(diào)思考具身性的重要性。這并非完全出乎意料。

比如，在我們論文發(fā)表的同一期雜志上還發(fā)表了一篇名為《深度智能》的文章，作者是辛辛那提大學(xué)的電氣工程教授阿里·曼尼（Ali Manai）。我知道他從事計(jì)算神經(jīng)科學(xué)已久，對生物學(xué)有非常全面的視角。他認(rèn)為，生物有機(jī)體本質(zhì)上是一個(gè)統(tǒng)一的整體：在系統(tǒng)層面通過進(jìn)化實(shí)現(xiàn)整合，在個(gè)體層面通過發(fā)展達(dá)到整合，并且不斷通過學(xué)習(xí)、衰老和經(jīng)驗(yàn)來強(qiáng)化這種整合。這個(gè)觀點(diǎn)值得我們反復(fù)回味。這也是他在受邀演講時(shí)比較自然智能與人工智能時(shí)的核心論點(diǎn)。雖然這兩種智能之間存在諸多差異，但我認(rèn)為這種整合性是最關(guān)鍵的區(qū)別之一。

保羅·米德爾布魯克斯：我突然想到，“整體神經(jīng)科學(xué)”（holistic neuroscience）會(huì)是個(gè)好術(shù)語，可惜容易讓人聯(lián)想到玄乎的“整體醫(yī)學(xué)”。有人可能會(huì)看到這個(gè)詞并認(rèn)為它是“偽科學(xué)”。

?Dickson BA. Holistic Neurology, Our Two Nervous Systems: Physiology of our head and gut brains. New Directions in Holistic Brain Balance series. HolisticBrainBalance.wordpress.com. Accessed February 24, 2025. ISBN: 9781530392056.

喬·莫納科：我認(rèn)為如果忽略了大腦中的內(nèi)部計(jì)算表征，那就是“偽科學(xué)”。正因如此，我們兩天的議程涵蓋了主流NeuroAI研究，比如將任務(wù)約束的AI模型映射到腹側(cè)視覺通路，也延伸至背側(cè)運(yùn)動(dòng)通路等其他腦區(qū)，即“認(rèn)知地圖”。

認(rèn)知地圖可能是大腦中實(shí)際的高級(jí)認(rèn)知編碼的最清晰的例子，至少這是我作為一個(gè)海馬體研究者的個(gè)人看法。認(rèn)知地圖涉及降維技術(shù)與任務(wù)驅(qū)動(dòng)的低維流形分析。如今我們記錄數(shù)十萬神經(jīng)元活動(dòng)，若僅用UMAP（一種非線性降維算法）可視化，得到的彩色斑點(diǎn)雖美卻無解釋力。

當(dāng)這與整體性、可解釋性（interpretability）和機(jī)制聯(lián)系起來討論時(shí)，我們?nèi)绾巫R(shí)別和理解驅(qū)動(dòng)高維神經(jīng)活動(dòng)的關(guān)鍵因素？

格蕾絲·黃：回顧這兩天的研討會(huì)，我覺得關(guān)于神經(jīng)倫理的討論也非常重要，因?yàn)镹euroAI將帶來許多新的挑戰(zhàn)。其實(shí)說實(shí)話，我認(rèn)為在一個(gè)小時(shí)的會(huì)議中，根本無法充分討論NeuroAI倫理問題。應(yīng)該有更多的關(guān)于倫理和監(jiān)管問題的討論。

感知控制理論：

還原論思維為何行不通？

保羅·米德爾布魯克斯：你們的立場論文，也就是《智能系統(tǒng)信息邊界的神經(jīng)動(dòng)力學(xué)計(jì)算》*，大量論證了具身性與環(huán)境-身體-腦循環(huán)互動(dòng)的重要性。論文的核心，正是通過歷史視角與AI現(xiàn)狀的對比，提出所謂的“計(jì)算基礎(chǔ)層”（a base layer of computation）概念。

Monaco, Joseph D., and Grace M. Hwang. "Neurodynamical computing at the information boundaries of intelligent systems." Cognitive Computation 16.5 (2024): 1-13.

扎克·皮特科（Zach Pitko）曾提出要記錄每個(gè)突觸的連接強(qiáng)度這個(gè)終極目標(biāo)。這個(gè)想法體現(xiàn)了典型的還原論思維，與你們文章中提倡的整體性研究方法形成了對比。我覺得問題在于：現(xiàn)在的研究仍然過于依賴還原論思維，即認(rèn)為只要測量得夠細(xì)致就能理解整體。但是現(xiàn)代動(dòng)力系統(tǒng)理論告訴我們，研究大規(guī)模神經(jīng)元群體的整體特性和低維結(jié)構(gòu)可能更有意義。我們需要更多討論：到底應(yīng)該在什么層面進(jìn)行研究？為什么選擇這個(gè)層面？這些理論層面的問題值得更深入的探討。

喬·莫納科：這更像是一個(gè)評論，我完全同意。這其實(shí)觸及我們寫論文的初衷——對當(dāng)前領(lǐng)域的普遍挫敗感。我們深入挖掘心智哲學(xué)與計(jì)算哲學(xué)，追問：大腦中的計(jì)算究竟是什么？信息對大腦意味著什么？當(dāng)前認(rèn)知科學(xué)、神經(jīng)科學(xué)與AI共享香農(nóng)信息論框架（發(fā)送者-接收者-共享編碼），但這可能不適用于大腦——畢竟神經(jīng)系統(tǒng)的語義建構(gòu)是動(dòng)態(tài)的、自指的、與環(huán)境共生的。

這讓我想起了托尼·扎多爾（Tony Zador）演講中提到的“硬件彩票”的概念。從某種意義上說，香農(nóng)的信息理論是一種“理論彩票”。它為每個(gè)人提供了一個(gè)現(xiàn)成可用的工具，比如，“一個(gè)重要的概念如何量化？”于是學(xué)界開始用統(tǒng)計(jì)分布和均值計(jì)算信息量，但這只是純粹的句法操作。正如香農(nóng)所說：“這與語義無關(guān)。”

我們試圖突破這種框架，因?yàn)樯矬w處理的信息類型在跨越有機(jī)體邊界時(shí)會(huì)發(fā)生本質(zhì)轉(zhuǎn)換。生物認(rèn)知系統(tǒng)的獨(dú)特之處在于：它們構(gòu)建了信息邊界——不僅是皮膚這樣的物理邊界，更是通過外感受器（如視覺、聽覺）與內(nèi)驅(qū)力（如饑餓、好奇）的交互形成的動(dòng)態(tài)界面。生物體持續(xù)與環(huán)境對話：我們依賴環(huán)境獲取能量，所以覓食成為根本需求。動(dòng)物通過移動(dòng)尋找食物與庇護(hù)所，這種能力定義了它們的生存策略，而珊瑚或海鞘等固著生物只能被動(dòng)濾食。運(yùn)動(dòng)能力是智能演化的關(guān)鍵。正是這種在信息邊界上的動(dòng)態(tài)耦合，讓目標(biāo)驅(qū)動(dòng)與感官輸入沿著感知層級(jí)（自下而上）和行為控制層級(jí)（自上而下）持續(xù)對流。

這類似于卡爾·弗里斯頓（Karl Friston）的預(yù)測處理框架——大腦作為內(nèi)源性預(yù)測模型，通過自上而下的預(yù)期抵消自下而上的預(yù)測誤差，以自由能最小化為原則調(diào)節(jié)平衡。但這類統(tǒng)一理論在神經(jīng)科學(xué)預(yù)測中面臨挑戰(zhàn)。如何設(shè)計(jì)實(shí)驗(yàn)驗(yàn)證其特異性？比如，某個(gè)功能在預(yù)測處理框架下的運(yùn)作方式，能否與其他理論區(qū)分？

拋開術(shù)語之爭，我認(rèn)為，本質(zhì)上生物體通過管理界面的熵來構(gòu)建意義——無論是預(yù)測誤差還是其他量度，核心在于對抗熱力學(xué)失衡，這就是生命的游戲規(guī)則。

保羅·米德爾布魯克斯：這是否與控制理論（control theory）的視角相關(guān)？我想說的是，將意義重新注入神經(jīng)科學(xué)并非默認(rèn)路徑。長期以來，神經(jīng)科學(xué)的默認(rèn)立場是還原論的“大腦即計(jì)算機(jī)”范式——從感覺輸入回溯機(jī)制，可以忽視目標(biāo)、意義與目的。盡管論文和其他研究指出，早期的控制論運(yùn)動(dòng)更關(guān)注控制過程。所以我想問：這是否就是控制理論的切入點(diǎn)？

喬·莫納科：最契合的框架是感知控制理論（Perceptual Control Theory, PCT）。這是20世紀(jì)50-60年代控制論的一個(gè)分支，由比爾·鮑爾斯（Bill Powers）在60-70年代發(fā)展起來。

保羅·米德爾布魯克斯：Henry Yin曾說早期控制論研究的根本問題，實(shí)際上是，機(jī)器的參考信號(hào)是外部設(shè)定的，而生物體的參考信號(hào)卻是內(nèi)在生成的。這正是神經(jīng)科學(xué)長期忽視的關(guān)鍵差異，而你們的論文也深入探討了這一點(diǎn)。

喬·莫納科：對。Henry的書中部分章節(jié)傳遞了這種觀點(diǎn)，這些內(nèi)容在某種程度上是有爭議的（bomb-throwing）。我覺得，這種強(qiáng)烈的觀點(diǎn)會(huì)激發(fā)思考：“這很有趣，但哪里可能出錯(cuò)？”我不是運(yùn)動(dòng)系統(tǒng)方面的專家，但我熟悉90年代至00年代的最優(yōu)反饋控制理論（optimal feedback control），它基于前饋模型（forward models）的傳統(tǒng)框架，通過預(yù)測動(dòng)作后果來評估運(yùn)動(dòng)指令，再嵌套在復(fù)雜控制回路中。

而感知控制理論（PCT）的魅力在于顛覆了這一邏輯：它強(qiáng)調(diào)層級(jí)化控制中每一級(jí)的實(shí)時(shí)感知比較。比如最高層的感知目標(biāo)會(huì)生成參考信號(hào)，與自下而上的感官輸入逐級(jí)比對，最終轉(zhuǎn)化為肌肉動(dòng)作——整個(gè)過程是同步的，控制信號(hào)的階段流，感官和控制信號(hào)在層次結(jié)構(gòu)中流動(dòng)。

?感知控制理論。Anderson, Janice & Wall, Steven. (2015). Peer Interactions Through Social Media and the Development of Science Teaching Identity in Elementary Education Majors. Contemporary Issues in Technology and Science Teacher Education.

保羅·米德爾布魯克斯：但傳統(tǒng)模型假設(shè)存在計(jì)算延遲——在控制工程中，延遲會(huì)削弱系統(tǒng)穩(wěn)定性。

喬·莫納科：這種表述本質(zhì)上延續(xù)了線性的“輸入-輸出”的思維模式。如果將控制過程視為循環(huán)，就類似這樣：第一步是感知，第二步是認(rèn)知，第三步是運(yùn)動(dòng)指令，第四步是行為。行為改變了個(gè)體的姿態(tài)與環(huán)境的關(guān)系，進(jìn)而改變了感官輸入，最終又回到感知環(huán)節(jié)的開端。

如果控制回路中存在復(fù)雜的計(jì)算前饋模型，就相當(dāng)于在控制過程中引入延遲。從控制理論或工程學(xué)角度看，延遲越多，控制系統(tǒng)的穩(wěn)定性越差。然而動(dòng)物行為的顯著特征在于其強(qiáng)大的目標(biāo)達(dá)成能力——即便實(shí)際運(yùn)動(dòng)軌跡充滿變數(shù)，它們?nèi)阅芨咝瓿赡繕?biāo)。比如老鼠能在黑暗的復(fù)雜洞穴中憑借極少的感官線索自如導(dǎo)航，這提示我們：或許根本不需要在控制回路中進(jìn)行如此復(fù)雜的計(jì)算。

與觀察到的行為的變異性相比，實(shí)現(xiàn)目標(biāo)的穩(wěn)健性遠(yuǎn)遠(yuǎn)超過了實(shí)際的動(dòng)作。試想：老鼠如何在無光環(huán)境中僅憑零散線索完成復(fù)雜路徑導(dǎo)航？這是我一直想跟運(yùn)動(dòng)系統(tǒng)研究者討論的問題。在我看來，這是一個(gè)開放性問題，涉及用前饋模型（forward model）與逆向模型（inverse model）的對比，以及傳統(tǒng)運(yùn)動(dòng)控制理論強(qiáng)調(diào)的通過預(yù)測誤差（ascending prediction error comparisons）進(jìn)行層級(jí)調(diào)節(jié)，而感知控制理論（PCT）則主張基于感知參考信號(hào)（perceptual reference point comparisons）的實(shí)時(shí)比對。這就是我在研討會(huì)上想要展開的一些討論。

從BRAIN的角度來看，我不會(huì)強(qiáng)加我的觀點(diǎn)，但我認(rèn)為這是一個(gè)重要的議題，這將為推動(dòng)理論發(fā)展開啟很多潛在機(jī)會(huì)。其中，數(shù)據(jù)是一個(gè)重要組成部分——分子層級(jí)的全腦細(xì)胞類型圖譜、精細(xì)的連接組學(xué)數(shù)據(jù)集、剛發(fā)布的FlyWire數(shù)據(jù)集項(xiàng)目，以及去年啟動(dòng)、未來將會(huì)看到結(jié)果的Brain Connects計(jì)劃，這些都屬于還原論方法的大規(guī)模數(shù)據(jù)積累。

不過，我們同樣需要將這些數(shù)據(jù)與整體性思維相結(jié)合。研討會(huì)上關(guān)于數(shù)字孿生（digital twins）、多尺度生物物理建模的討論，正是探索如何將分子數(shù)據(jù)與行為神經(jīng)科學(xué)有機(jī)銜接的嘗試。

數(shù)字孿生以及錯(cuò)誤的“二進(jìn)制”認(rèn)知

格蕾絲·黃：說到這里，在NeuroAI研討會(huì)上，數(shù)字孿生的熱議讓我頗感意外。

保羅·米德爾布魯克斯：么是數(shù)字孿生？我們?yōu)槭裁葱枰?/p>

格蕾絲·黃：實(shí)際上，國家科學(xué)、工程和醫(yī)學(xué)研究院有一個(gè)官方定義：數(shù)字孿生是一組虛擬信息結(jié)構(gòu)，它模擬了自然、工程或社會(huì)系統(tǒng)或系統(tǒng)之系統(tǒng)的結(jié)構(gòu)、上下文和行為，它通過其物理孿生體的數(shù)據(jù)動(dòng)態(tài)更新，具有預(yù)測能力，并形成實(shí)現(xiàn)價(jià)值的決策。虛擬和物理之間的雙向互動(dòng)是數(shù)字孿生的核心。其實(shí)大家用的多是官方定義的子集版本。我原本沒想到數(shù)字孿生會(huì)成為熱議焦點(diǎn)。不過看來這可能是NeuroAI領(lǐng)域的新機(jī)遇——值得參與者持續(xù)探索。

?數(shù)字孿生技術(shù)案例 圖源：upt.edu

喬·莫納科：我們在研討會(huì)的第一場會(huì)議中聽到一些關(guān)于神經(jīng)基礎(chǔ)模型和數(shù)字孿生之間的討論，兩種方法都是大規(guī)模使用神經(jīng)和行為數(shù)據(jù)的方式，但目標(biāo)各不相同。神經(jīng)基礎(chǔ)模型類似人工智能中的基礎(chǔ)模型，可泛化至下游任務(wù)、特定領(lǐng)域或回答特定問題；而數(shù)字孿生，更側(cè)重于通過海量數(shù)據(jù)精準(zhǔn)預(yù)測特定個(gè)體系統(tǒng)的個(gè)性化行為。

保羅·米德爾布魯克斯：你可以使用數(shù)字孿生來測試關(guān)于自然系統(tǒng)的假設(shè)。

喬·莫納科：對。數(shù)字孿生會(huì)隨研究對象演化。例如，如果你建立小鼠的數(shù)字孿生模型，并在實(shí)際實(shí)驗(yàn)中觀察其行為，就可以在硅基仿生體中并行運(yùn)行模型，實(shí)現(xiàn)細(xì)粒度實(shí)時(shí)預(yù)測與調(diào)控。帕特里克·門多薩（Patrick Mendoza）的演講標(biāo)題“閉環(huán)虛擬神經(jīng)科學(xué)”正體現(xiàn)了這一思想——通過硅基仿生體與真實(shí)動(dòng)物的閉環(huán)互動(dòng)，推動(dòng)實(shí)驗(yàn)設(shè)計(jì)的革新。

保羅·米德爾布魯克斯：你可以想象用數(shù)字孿生追蹤生物體一生的變化，包括發(fā)育過程——雖然這在人類研究中因縱向數(shù)據(jù)難以獲取而受限，但通過更短周期的實(shí)驗(yàn)對象（如小鼠）可以實(shí)現(xiàn)快速迭代。比如，對于醫(yī)生來說，就可以通過虛擬模型加速醫(yī)療決策——例如在手術(shù)室中實(shí)時(shí)測試方案并優(yōu)化操作，而非依賴經(jīng)驗(yàn)直覺。

回到正題，你之前說“基礎(chǔ)層”。根本問題是，為什么要在神經(jīng)計(jì)算中定義“基礎(chǔ)層”？

喬·莫納科：這個(gè)概念并非我首創(chuàng)，只是我在論文中將其稱為“基礎(chǔ)層”。這一思考源于對計(jì)算本質(zhì)的哲學(xué)追問——不同類型的計(jì)算如何實(shí)現(xiàn)？物理系統(tǒng)或動(dòng)態(tài)系統(tǒng)中是否存在計(jì)算？例如，由常微分方程（ODEs）構(gòu)成的系統(tǒng)，通過龍格-庫塔算法等數(shù)值方法演化，能否進(jìn)行計(jì)算？大腦作為物理的、動(dòng)態(tài)的、化學(xué)的物質(zhì)系統(tǒng)，其計(jì)算方式是否與硅基計(jì)算機(jī)有本質(zhì)區(qū)別？

傳統(tǒng)神經(jīng)科學(xué)框架可能將我們引向誤區(qū)。生物學(xué)中細(xì)胞固然重要，比如，神經(jīng)元對大腦至關(guān)重要，但神經(jīng)膠質(zhì)細(xì)胞（如星形膠質(zhì)細(xì)胞、少突膠質(zhì)細(xì)胞、小膠質(zhì)細(xì)胞）在結(jié)構(gòu)可塑性中的作用同樣不可忽視。

從更廣泛的角度來看，我們習(xí)慣了將計(jì)算系統(tǒng)視為“必須有晶體管”這類基本單元。硅晶圓通過光刻工藝形成的芯片，本質(zhì)上是對材料的物理雕刻——這就是數(shù)字計(jì)算的底層架構(gòu)。我們目前使用的計(jì)算機(jī)和手機(jī)CPU中的晶體管，正是基于傳統(tǒng)CMOS工藝的基礎(chǔ)計(jì)算單元。但大腦真的與此類似嗎？神經(jīng)元是否等同于晶體管？答案顯然是否定的。

保羅·米德爾布魯克斯：但神經(jīng)元本質(zhì)上是二進(jìn)制事件發(fā)生器。麥卡洛克-皮茨模型（McCulloch-Pitts model）的“全或無”（all-or-nothing）特性至今未被推翻，對嗎？

喬·莫納科：不，麥卡洛克-皮茨模型從根本上說是錯(cuò)誤的，神經(jīng)元的峰電位，并非二進(jìn)制信號(hào)，而是一個(gè)"全或無"的事件。有人說“峰電位的時(shí)序決定信息。只要知道這個(gè)峰電位相對于那個(gè)峰電位的時(shí)間戳是什么，就能告訴我們所有信息了。”這是不對的，因?yàn)槟悴⒉恍枰粋€(gè)絕對的時(shí)間戳。關(guān)鍵在于理解單個(gè)脈沖在動(dòng)態(tài)網(wǎng)絡(luò)中的功能角色——它如何觸發(fā)下游神經(jīng)元的響應(yīng)，如何通過遞歸連接反饋到更高層腦區(qū)，最終形成感知或行為的整體圖景。一切都是因果關(guān)系，是動(dòng)態(tài)的、相互關(guān)聯(lián)的，不能說就是"1或0"。

雖然馮·諾依曼確實(shí)受此啟發(fā)，發(fā)明了數(shù)字計(jì)算技術(shù)，但這不是大腦的工作方式，正如沃爾特·弗里曼（Walter Freeman）指出的那樣。

格蕾絲·黃：正如伊奧塔（Yiota）的研究所示，所有這些樹突狀計(jì)算都在樹突中發(fā)生。我們現(xiàn)在意識(shí)到的豐富性遠(yuǎn)超麥卡洛克-皮茨時(shí)代想象的復(fù)雜計(jì)算。

振蕩、行波與時(shí)空組織：

大腦的動(dòng)態(tài)協(xié)調(diào)機(jī)制

保羅·米德爾布魯克斯：你剛剛從神經(jīng)元層面深入到了樹突計(jì)算的物理層級(jí)，并想上升到更高層級(jí)，討論振蕩在動(dòng)態(tài)耦合中的作用。我很好奇工程師們?nèi)绾慰创袷庍@個(gè)問題？

喬·莫納科：振蕩是重復(fù)的。你可以有一個(gè)不由振蕩過程產(chǎn)生的傳播的波。

保羅·米德爾布魯克斯：好，沒問題，你可以將它們區(qū)分開。這就像你可以說海里的每個(gè)浪花是獨(dú)立存在的。盡管它們在宏觀上交織，但你仍可單獨(dú)分析某一朵浪。

喬·莫納科：對。空間和時(shí)間在大腦中是耦合的。有一個(gè)數(shù)學(xué)形式主義叫做層次理論（hierarchy theory），基本上是說，高頻振蕩只能在有限空間內(nèi)維持同步性，而低頻振蕩能跨越更廣區(qū)域保持節(jié)律協(xié)調(diào)。

至少在哺乳動(dòng)物的大腦具有一套非常完善的神經(jīng)震蕩系統(tǒng)，這些振蕩存在于大腦的不同部位，在不同時(shí)間以不同方式相互作用，它們具有不同的基頻，而且這些頻率之間的比例關(guān)系呈現(xiàn)出非常有趣的不可通約性。大約六個(gè)互不干擾或極少干擾的頻段，因?yàn)檫@樣你就可以同時(shí)擁有θ波、γ波，并且一個(gè)θ周期可嵌套七個(gè)γ周期，形成一個(gè)有趣的“協(xié)調(diào)信息包”。

關(guān)鍵不在于神經(jīng)元在θ周期內(nèi)的絕對放電時(shí)刻，而在于γ振蕩序列如何在θ框架內(nèi)雕刻神經(jīng)活動(dòng)模式。這種時(shí)空法則通過跨層級(jí)反饋實(shí)現(xiàn)：全局振蕩調(diào)節(jié)神經(jīng)元放電時(shí)序，而局部活動(dòng)又通過突觸可塑性重塑振蕩節(jié)律，形成雙向因果機(jī)制。

保羅·米德爾布魯克斯：那么我想問：你們提出的"基礎(chǔ)層"究竟是什么？在討論之前，或許可以先列出你們對基礎(chǔ)層作為有效計(jì)算層提出的三個(gè)要求：

一是它們包含一個(gè)宏觀尺度的層次控制結(jié)構(gòu)，它實(shí)現(xiàn)了比較器誤差和輸出功能。這是控制理論的一部分。

二是適應(yīng)性地控制由物理具身和在因果環(huán)境中嵌入所產(chǎn)生的內(nèi)部和外部信息流。這是這些連續(xù)流動(dòng)之間幾乎生態(tài)心理學(xué)的互動(dòng)。

三是支持離散的神經(jīng)動(dòng)力學(xué)狀態(tài)和適應(yīng)性高維狀態(tài)轉(zhuǎn)換，跨越神經(jīng)回路反饋的時(shí)間尺度，然后你列出了一些具體的時(shí)間尺度。我猜這與振蕩為何重要的原因有關(guān)，這些嵌套的振蕩結(jié)構(gòu)，這些振蕩中攜帶的尖峰信息，以及它們?nèi)绾卧诓煌臅r(shí)間尺度和結(jié)構(gòu)和流動(dòng)中相互作用。

確實(shí)非常宏大。讀完后不禁讓人思考：該從哪里著手？如何啟動(dòng)這樣的研究計(jì)劃？

喬·莫納科：好吧。需要澄清的是，這篇論文不代表BRAIN計(jì)劃的官方立場。它源自我?guī)啄昵皩?神經(jīng)中心主義范式是否錯(cuò)誤"的思考——拉法·尤斯特（Rafa Yuste）多年前就提出應(yīng)轉(zhuǎn)向"網(wǎng)絡(luò)中心范式"。

約翰·霍普菲爾德（John Hopfield）剛剛獲得了諾貝爾獎(jiǎng)，說明這個(gè)方向正在獲得認(rèn)可。正如我們所看到的，技術(shù)決定論在這里起關(guān)鍵作用。我們的工具越來越好用，而BRAIN計(jì)劃在這方面確實(shí)發(fā)揮了很大作用，我們能夠記錄的神經(jīng)元數(shù)量越多，記錄的保真度越高，吞吐量越大，我們就能看到的東西就越多。

我們現(xiàn)在可以記錄數(shù)百萬個(gè)神經(jīng)元了。我們?nèi)匀恍枰劢沟途S表示——即從高維神經(jīng)活動(dòng)中提取出與任務(wù)相關(guān)的2-4維吸引子（attractor）的子集。若能將這些維度映射到行為約束，就能解釋神經(jīng)系統(tǒng)的運(yùn)作邏輯。當(dāng)然，全腦不可能是單一吸引子，而是由多層級(jí)動(dòng)態(tài)系統(tǒng)構(gòu)成的復(fù)雜網(wǎng)絡(luò)。

?吸引力子. 圖源：Wikipedia

我認(rèn)為到處都有類似吸引子的動(dòng)力學(xué)，但它們是復(fù)雜、異質(zhì)且模塊化的。這些動(dòng)態(tài)受多層級(jí)組織機(jī)制（如振蕩、行波）的瞬時(shí)調(diào)控，在時(shí)空維度上形成準(zhǔn)層級(jí)化的相干組織結(jié)構(gòu)。

人們會(huì)思考自然智能的敏捷性、靈活性。比如，動(dòng)物是如何在同一時(shí)間優(yōu)化多個(gè)目標(biāo)的？它是通過以恰當(dāng)方式自適應(yīng)地激活或關(guān)閉不同尺度的子網(wǎng)絡(luò)來實(shí)現(xiàn)的。就像是，我同時(shí)想做三件事：我想在一小時(shí)內(nèi)獲得食物，又要說完我正在說的這句話，等等。你腦中存在多個(gè)目標(biāo)，如何協(xié)調(diào)這些目標(biāo)？。

這正是時(shí)空組織發(fā)揮作用之處——它可能管理著吸引子或準(zhǔn)吸引子構(gòu)成的異質(zhì)層級(jí)結(jié)構(gòu)。我在論文中將其稱為“令牌”（tokens）或“因果令牌”（causal tokens）。我想弄明白，我們是否應(yīng)將吸引子視為某種復(fù)雜的任務(wù)流形（manifold）？

然后所有的神經(jīng)活動(dòng)都投射到這個(gè)流形上。通過這種方式就能解析全局機(jī)制。比如在"執(zhí)行-抑制"（Go/Nogo）決策中，選擇向量在流形內(nèi)旋轉(zhuǎn)，隨后行為被觸發(fā)——這呼應(yīng)了大衛(wèi)·塞西羅（Dave Cecillo）2013年的開創(chuàng)性研究。但問題在于如何解釋這些現(xiàn)象：選擇向量與命令向量有何區(qū)別？其他空間維度扮演什么角色？我們該如何理解通信子空間？它們?nèi)绾螢榉?wù)目標(biāo)而自適應(yīng)地激活或關(guān)閉？

我的想法是，因果令牌（causal tokens）本質(zhì)上是存在于不同尺度的準(zhǔn)吸引子。之所以稱為"準(zhǔn)吸引子"，是因?yàn)橄到y(tǒng)不會(huì)被困在其中——若陷入無法逃脫的平衡態(tài)，認(rèn)知將停滯。正如我們所知，認(rèn)知始終處于動(dòng)態(tài)流動(dòng)中：不斷發(fā)現(xiàn)小型吸引子，又被擾動(dòng)推出。可能存在競爭過程，但核心問題是——如果計(jì)算確實(shí)以這種方式進(jìn)行，其基礎(chǔ)單元究竟是什么？

謎底揭曉：

基礎(chǔ)計(jì)算單元與基礎(chǔ)層

保羅·米德爾布魯克斯：最后一個(gè)問題，基礎(chǔ)計(jì)算單元與基礎(chǔ)層到底是什么？

喬·莫納科：我關(guān)注的計(jì)算基礎(chǔ)層是超級(jí)神經(jīng)元群：由多個(gè)神經(jīng)元構(gòu)成的回路通過突觸間的回響活動(dòng)形成自穩(wěn)定結(jié)構(gòu)。這種非線性連接能引發(fā)自我維持的神經(jīng)活動(dòng)。其優(yōu)勢在于可擴(kuò)展性——你可以在主回路上衍生子回路，通過結(jié)構(gòu)可塑性調(diào)整連接方式。例如，某個(gè)閾下子回路可能因動(dòng)物經(jīng)歷而改變連接權(quán)重，導(dǎo)致非線性對齊方式變化，最終擴(kuò)展為更高層級(jí)的因果令牌。這種準(zhǔn)吸引子通過整合環(huán)境新關(guān)聯(lián)獲得意義，并由振蕩時(shí)空結(jié)構(gòu)調(diào)控其自我維持活動(dòng)。

格蕾絲·黃：我想知道這些是否可以通過實(shí)驗(yàn)測量。

喬·莫納科：如果我的假設(shè)成立——特定突觸的精確權(quán)重值其實(shí)無關(guān)緊要——那將徹底顛覆現(xiàn)有范式。若大腦計(jì)算確實(shí)依賴自維持神經(jīng)元簇的擴(kuò)展與適應(yīng)，則與人工神經(jīng)網(wǎng)絡(luò)模型（如Transformer）的底層邏輯完全相悖。AI模型依賴精確權(quán)重參數(shù)，而大腦的突觸權(quán)重時(shí)刻處于劇烈波動(dòng)中。

這正是關(guān)鍵差異：AI模型通過量化壓縮權(quán)重參數(shù)實(shí)現(xiàn)功能遷移，而理解大腦無需測量每個(gè)突觸——它們的權(quán)重本就高度動(dòng)態(tài)且不穩(wěn)定。神經(jīng)系統(tǒng)的核心在于動(dòng)態(tài)結(jié)構(gòu)的涌現(xiàn)，而非靜態(tài)參數(shù)的精確編碼。

保羅·米德爾布魯克斯：有些人會(huì)反對這一點(diǎn)，因?yàn)槲沂盏竭^完全相同的反駁，說突觸權(quán)重實(shí)際上是相當(dāng)穩(wěn)定的。我想，除非我們測量每一個(gè)突觸，否則我們不會(huì)知道答案。

喬·莫納科：如果準(zhǔn)吸引子確實(shí)通過自維持突觸回路存在，這些回路會(huì)長期保持強(qiáng)相關(guān)性。但關(guān)鍵不在于權(quán)重絕對值，而在于非線性對齊方式如何使神經(jīng)元群以特定模式放電，并與其他因果令牌互動(dòng)。

格蕾絲·黃：聽起來像是動(dòng)態(tài)性才是關(guān)鍵。

喬·莫納科：動(dòng)態(tài)性會(huì)驅(qū)動(dòng)狀態(tài)切換。

保羅·米德爾布魯克斯：以一種層次化，還是異層次化的方式?

喬·莫納科：我認(rèn)為是異層次化，它涵蓋了所有可能性。

編輯后記

編輯這期對話時(shí)，我不禁想起了一個(gè)有趣的悖論：我們越是試圖通過人工智能來理解大腦，就越發(fā)現(xiàn)大腦的不可捉摸；我們越是深入研究神經(jīng)科學(xué)，就越感受到意識(shí)的神秘。就像用顯微鏡觀察水滴，本以為能看清水的本質(zhì)，結(jié)果發(fā)現(xiàn)了更多未知的微觀世界。

我們是不是一直在用錯(cuò)誤的方式追問正確的問題？當(dāng)我們執(zhí)著于將大腦簡化為可計(jì)算的模型時(shí)，是否忽視了一個(gè)基本事實(shí)：正是那些難以量化的特質(zhì)——直覺、創(chuàng)造力、情感共鳴——才是使我們成為人的關(guān)鍵？就像一位詩人的靈感不能簡化為神經(jīng)元的放電模式，一個(gè)舞者的優(yōu)雅也不能僅僅用肌肉收縮來解釋。

更有趣的是，在探索人工智能的過程中，我們似乎總是在尋找一面鏡子，希望通過它更好地認(rèn)識(shí)自己。但這面鏡子總是不夠完美：它要么過于簡化了人類智能的復(fù)雜性，要么又過分強(qiáng)調(diào)了某些特定的計(jì)算能力。這讓我想到，也許 NeuroAI的真正價(jià)值不在于它能多么準(zhǔn)確地模擬人類大腦，而在于它揭示了人類認(rèn)知的獨(dú)特性——那些無法被完全數(shù)字化的特質(zhì)。

當(dāng)我們站在人工智能和神經(jīng)科學(xué)的交叉路口，也許是時(shí)候問一個(gè)更根本的問題：我們究竟在尋找什么？是對大腦工作機(jī)制的完整解釋，還是對人類本質(zhì)的深層理解？或許，答案就藏在這個(gè)問題本身里——正是不斷追問的過程，才是最珍貴的人類特質(zhì)。

為了閱讀體驗(yàn)，本文對聽稿進(jìn)行了適當(dāng)?shù)鼐庉嫛?/p>

原對話指路：

https://www.preposterousuniverse.com/podcast/2024/12/09/298-jeff-lichtman-on-the-wiring-diagram-of-the-brain/

關(guān)于追問nextquestion

天橋腦科學(xué)研究院旗下科學(xué)媒體，旨在以科學(xué)追問為紐帶，深入探究人工智能與人類智能相互融合與促進(jìn)，不斷探索科學(xué)的邊界。如果您有進(jìn)一步想要討論的內(nèi)容，歡迎評論區(qū)留言，或后臺(tái)留言“社群”即可加入社群與我們互動(dòng)。

關(guān)于天橋腦科學(xué)研究院

天橋腦科學(xué)研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元?jiǎng)?chuàng)建的世界最大私人腦科學(xué)研究機(jī)構(gòu)之一，圍繞全球化、跨學(xué)科和青年科學(xué)家三大重點(diǎn)，支持腦科學(xué)研究，造福人類。

Chen Institute與華山醫(yī)院、上海市精神衛(wèi)生中心設(shè)立了應(yīng)用神經(jīng)技術(shù)前沿實(shí)驗(yàn)室、人工智能與精神健康前沿實(shí)驗(yàn)室；與加州理工學(xué)院合作成立了加州理工天橋神經(jīng)科學(xué)研究院。

Chen Institute建成了支持腦科學(xué)和人工智能領(lǐng)域研究的生態(tài)系統(tǒng)，項(xiàng)目遍布?xì)W美、亞洲和大洋洲，包括、、、科研型臨床醫(yī)生獎(jiǎng)勵(lì)計(jì)劃、、等。