來源： 利維坦
樹突（紅色）神經元的分支過程，接收突觸信息的突出棘的渲染，以及來自小鼠大腦皮層的飽和重建（多色圓柱體）。© Lichtman Lab at Harvard University
利維坦按：
關於大腦，你可以用這句話來自問：你憑什麼覺得自己可以理解它呢？你或許會回答說：憑大腦。即，憑藉大腦來理解大腦。但問題是，這兩個“大腦”的信息匹配度或許存在很大差異。這就如同文中博爾赫斯那篇關於帝國地圖的精妙描述：所有地圖的繪製之所以能夠以比例成圖，就在於忽略掉了現實的很多細節，可試想，如果真要繪製一幅囊括一切細節的地圖，那麼這張地圖無疑與真實國度的比例相同了。
同理，鑑於我們目前對於腦內的這坨物質理解十分有限，所以，如何再描述“理解”可謂十分重要了。也許，未來人類對於人腦的理解可以非常接近我們的人腦地圖“比例”，但，無限接近也僅僅是無限接近。
在去年秋天一個寒冷的夜晚，紫紅的太陽緩緩墜落，我坐在哈佛大學郊外的辦公室裏，透過落地窗凝視着窗外的虛無，思考着關於老鼠大腦的數據集。
與此同時，我回想起波士頓市中心那些沒有窗戶的冰冷房間，那裏的高性能計算中心存儲着我寶貴的48TB數據。作爲博士實驗的一部分，我用了13萬億個字節來記錄數據，並研究老鼠大腦的視覺皮層是如何對運動做出反應的。
如果將數據集按雙倍行距打印出來，需要1160億張紙。但當我寫完關於這些數據的故事時，只印了不到24頁紙。所以說，進行實驗其實是很簡單的。去年一整年，我都在爲這些數據而苦惱，觀察並提出問題。然而，答案省略了與問題無關的大部分過程，就像地圖總是省略與領土無關的細節一樣。
儘管我的數據集聽起來十分龐大，但它只是整個大腦數據集的一小部分。這些數據需要回答的問題是：當動物看不見東西時，視覺皮層的神經元會做什麼？當從大腦其他區域到視覺皮層的輸入被切斷時又會發生什麼？與神經科學的終極問題——“大腦是如何工作的”相比，這些問題更顯得微不足道。
色彩靈動：這張老鼠大腦皮層切片的電子顯微鏡圖像顯示了被顏色標記的不同神經元，但這只是一個開始。哈佛大學的傑夫·利希特曼（Jeff Lichtman）說：“我們在研究人類大腦的皮質層，這裏的每個神經細胞的任一突觸以及連接關係都是可識別的，實在太驚人了。”© Lichtman Lab at Harvard University
科學過程的本質要求研究人員必須選擇涉及範圍小的、有針對性的問題。科學家就像餐館裏的食客：菜單上的菜大家都想嘗一嘗，但必須做出選擇。因此，我們選擇了這一小領域及其子領域，在研究了成千上百個與此主題相關的實驗後，開始設計並進行自己的實驗，希望這些先前的實驗能夠對我們的理解有所幫助。但是，若只是研究小領域的問題，又該如何能理解整體呢？
神經科學家在理解大腦結構及其功能方面已經取得了相當大的進展。我們可以識別大腦中對環境做出反應的區域，激活感官，產生動作和情緒。但我們卻不知道大腦的不同區域是如何相互作用和相互依賴的，也不明白它們之間的相互作用是如何影響行爲、感知和記憶的。科技讓我們輕而易舉地收集到龐大的數據集，但我不確定我們對大腦的瞭解是否能與數據集的規模相匹敵。
我正走在一條漆黑的路上，被冗雜的大數據和自己有限的理解能力困擾着。
然而，人們一直堅持不懈地對大腦進行全面的描繪。一種被稱爲“神經連接組學”的方法致力於繪製出大腦神經元之間的整體連接圖。原則上，一個完整的連接體應該包含所有必要的信息，爲建立對大腦的整體理解提供堅實的基礎。我們可以看到大腦的每個部分是什麼，如何支持整體，是怎樣與其他部分和環境互動的。我們可以將大腦置於任何假設的情境中，以更好地瞭解它會如何反應。
一段時間以來，我一直在思考一個問題：我們如何才能理解這個產生思想的器官。像大多數神經科學家一樣，我有兩個相互衝突的想法：一方面努力理解大腦，另一方面知曉這在很大程度上是項不可能完成的任務。我很好奇其他人是如何忍受這種雙重思想的，所以我找到了哈佛大學分子和細胞生物學教授、神經連接學領域的領導者傑夫·利希特曼。
利希特曼的實驗室剛好在實驗室走廊的另一頭，所以在最近的一個下午，我信步來到他的辦公室，詢問他關於新興的神經連接學領域的問題，以及他是否認爲我們會徹底瞭解大腦。他的回答是：不。這讓我很不安心，但這次談話給了我啓示，讓我對一直困擾自己的問題有了一些瞭解。
我如何理解龐大的數據量？科學在哪裏終結，個人詮釋又從何處開始？人類是否有能力將當今大量的信息編織成一幅完整的畫面？我正走在一條漆黑的路上，質疑人類理解力的極限，被冗雜的大數據和自己有限的理解能力困擾着。
利希曼喜歡先“開槍”後提問。這位68歲的神經科學家選擇的“武器”是一臺61束電子顯微鏡，他的團隊用它來觀察腦組織中最微小的細節。大腦中神經元的排列方式會讓“罐裝沙丁魚”看起來像是完成了高度進化的個人空間。爲了理解這些圖像，進而理解大腦在做什麼，神經元的各個部分必須被標記在三維空間中，這樣就會得到一個接線圖。在整個大腦的範圍內，人們努力構成一個完整的接線圖，或者說是連接體。
爲了捕捉這張圖，利希特曼使用了一臺只能被描述爲“高檔熟食切片機”的機器。該機器將腦組織切成30納米厚的切片，然後將其粘貼到膠帶輸送帶上。膠帶被貼在硅片上，後被放入電子顯微鏡，數十億電子衝擊大腦切片，生成的圖像揭示了神經元的納米尺度特徵，它們的軸突，樹突，以及用來交換信息的突觸。這幅圖像十分美麗，它能喚起一個奇妙的想法：大腦如何創造記憶、思想、感知、感覺以及意識本身的奧祕一定隱藏在這迷宮般的神經連接中。
製圖者：傑夫·利希特曼，大腦繪圖領域的領導者。他表示：“‘理解’這個詞必須經歷一場與人腦有關的革命。你永遠不會說‘我現在理解大腦了’，就像你不會說“我現在瞭解紐約市了’一樣。”© Lichtman Lab at Harvard University
一個完整的人類大腦連接模型，將是一項巨大的技術成就。僅是完成一個完整的老鼠大腦接線圖就需要2EB（Exabyte，艾字節，即百億億字節，譯者注），也就是20億千兆字節。相比之下，世界上所有書籍的數據加起來估計也不到100TB，或是0.005%的老鼠大腦。但利希特曼並不氣餒，他決心要無視過高的艾字節存儲規模，繪製出整個大腦的圖像。
利希特曼的辦公室很寬敞，有落地窗，可以俯瞰綠樹成蔭的人行道，還可以看到一座古老的圓形建築，在神經科學還沒有作爲一個獨立的領域存在時，這裏曾坐落着一臺粒子迴旋加速器（Cyclotron）。他穿着一件黑色毛衣，與銀髮和橄欖色的皮膚形成了鮮明對比。當我問起一個完整的連接體是否能讓我們對大腦有更全面的瞭解時，他不假思索地做出回答，我感覺他對於這一問題大概已經思考了很久。
“我認爲‘理解’這個詞必須經歷一次演變，”當我們坐在他的辦公桌旁時，利希特曼說，“當我們說‘我明白了’時，我們知道其中的含義，我們可以在腦子裏想得清清楚楚，也可以用語言來解釋。但如果我問：‘你瞭解紐約嗎？’你可能會回答：‘這是什麼意思？所有這些都很複雜，如果你不瞭解紐約市，並不是因爲你無法獲取數據，只是因爲同時發生的事情太多了。人類的大腦也是這樣，其中同時進行着各種各樣數百萬個活動，有不同類型的細胞，神經調節劑，遺傳成分，以及外部刺激。你永遠不會說‘我現在理解大腦了’，就像你不會說“我現在瞭解紐約市了’一樣。”
我們誤以爲人類智慧無窮，世上沒有不能被我們所理解的存在。
“但至少我們瞭解大腦的具體方面，”我說，“爲什麼不把它們放在一起，得到更全面的理解呢？”
“我覺得現在需要引出另一個問題，那就是：我們能描述一下大腦嗎？”利希特曼說，“關於大腦的物理本質，仍各種各樣的基本問題亟待解決，我們可以學會去描述這些本質。很多人認爲‘描述’是科學界中的貶義詞，但哈勃望遠鏡就是去‘描述’一些現象，基因組學也是在進行‘描述’，它們如實地‘描述’了真實情況，你才得以得出自己的假設。”
“爲什麼‘描述’對於神經科學家來說並不是一個有吸引力的的概念呢？”
“生物學家常常被能與自己產生共鳴的想法所吸引，”利希特曼說，“也就是說，他們試圖讓世界屈從於自己的想法，而非與之背道而馳。不如換一個思路，從世界的實質出發，然後讓你的想法與之靠攏，這樣會更好且更容易”。與其使用檢驗假設的辦法，不如在描述之後再生成假設更靠譜。否則，我們最終一定會咬着自己的尾巴轉圈。利希特曼說：“在這個時代，豐富的信息已經成爲了簡單概念最大的敵人。”
“爲什麼呢？”我問。
“這麼說吧，”利希特曼說。“語言本身是一個基礎的線性過程，一個想法連接着另一個。但當你想描述上百萬件同時發生的事件時，語言就不是合適的工具了。就像股市一樣，理解經濟的基本概念不一定能賺大錢，你要了解如何利用這些數據，才能知道買什麼和什麼時候買。這可能與經濟學無關，但與數據本身以及如何使用數據密切相關。”
“也許人類的大腦並不具備瞭解自己的能力，”我說。
利希特曼說：“這裏有一個隱藏基本性原則的想法：沒有一臺機器能夠輸出比它本身更精密的東西。與製造汽車的工程技術相比，汽車本身的複雜程度不值一提。同理，人類大腦所能做的事與其自身構造相比同樣微不足道，這是相當諷刺的。我們誤以爲人類智慧無窮，世上沒有不能被我們所理解的存在。但如果我問你，你的狗是否能理解你說的話？你可能會說：‘呃，狗狗們的大腦很小。’確實，你的大腦只是比狗狗們的大了一點，”他笑了笑繼續說，“那爲什麼你又會覺得自己能理解這一切呢？”
沒有一臺機器能夠輸出比它本身更精密的東西。© Giphy
利希特曼是否會被連接組學需要解決的問題所嚇倒？又是否認爲自己所做的努力都是徒勞呢？
“恰恰相反，”他說，“我認爲現在我們已經離目標很近了。目前，我們在研究人類大腦的皮質層，這裏的每個神經細胞的任一突觸以及連接關係都是可識別的，這太驚人了。然而，我不會說完全理解了皮質層，因爲那太荒謬了。但這是非常特別的數據，而且很美。從技術的角度來說，你真的可以看到細胞之間是如何連接在一起的，在之前我覺得這根本不可能。”
利希特曼強調他的工作不僅僅是全面瞭解大腦。“如果你想知道神經元和行爲之間的關係，那就必須有接線圖，”他說，“病理學也是如此，有許多不治之症，如精神分裂症，這類疾病沒有與大腦相關的生物標誌物。病因可能是大腦接線混亂，但我們並不明白具體哪裏出了問題。沒有醫學模型就不會有病理學，因此，除了關於大腦如何工作和什麼是意識等基本問題，我們還可以回答以下問題：精神障礙是怎麼產生的？病人到底怎麼了？爲什麼他們的大腦工作方式如此不同？也許這些問題對人類來說更重要。”
阿根廷作家博爾赫斯（1899-1986）。© Paris Review
在花了一整天的時間試圖弄清楚雜亂的數據後，晚上我看了喬治·路易斯·博爾赫斯（Jorge Louis Borges）的一篇短篇小說，它似乎抓住了大腦映射問題的本質。
在這篇名爲《論科學的精確性》（On Exactitude in Science）的故事中，一個名叫蘇亞雷斯·米蘭達（Suarez Miranda）的人寫到，古老的帝國通過科學技術的應用，使地圖的製作藝術逐漸趨於完美。早期的地圖只是粗糙地描繪領土，隨着版圖的不斷擴大，更多的細節也被填充進去。最後，博爾赫斯寫道：“製圖藝術達到了如此完美的境界，僅僅是一個省的地圖就佔據了整整一個城市，而帝國的地圖則佔據了整個省份。”儘管如此，人們還是渴望更多的細節。“隨着時間的推移，那些不精準的地圖已不再令人滿意，於是地圖繪製者們繪製了一張帝國地圖，它的尺寸與帝國的實際面積相當，且幾乎吻合。”
博爾赫斯的故事讓我想起了利希特曼的觀點，他認爲大腦可能過於複雜，以至於人類無法在通俗的意義上理解它，而描述它可能是個更好的方向。不過，這個想法還是讓我不太舒服。就像講故事一樣，在描述大腦中的信息處理時，同樣需要刪掉一些細節。爲了傳達相關度更高的信息，描述者必須知道哪些細節是重要的，哪些是無關緊要的，對此你必須對所描述之物有一定的瞭解。我們的大腦十分精密複雜，但它能完全理解老鼠大腦中的2EB數據嗎？
博爾赫斯的故事讓我想起了一個觀點：大腦可能過於複雜，人類將永遠無法理解。
在這場戰鬥中，人類擁有一件至關重要的武器。機器學習已經成爲大腦繪圖的福音，自我強化聯繫（self-reinforcing relationship）給予了我們希望。在過去的十年裏，深度學習算法（Deep learning algorithms，也稱爲深度神經網絡，或DNNs）讓機器得以完成從前計算機無法完成的認知任務——不僅是對象識別，還包括文本轉錄和翻譯，或者玩圍棋或國際象棋等等。
© Verizon
DNNs是一組將簡單函數串聯在一起的數學模型，此類函數可以模擬真實的神經元。受到了哺乳動物大腦皮層的生理學和解剖學的啓發後，這些算法才得以問世。然而，基於20世紀60年代收集的一些數據，它們只是對真實大腦的粗略模擬，但即使是這樣也已經超越了人們對機器能力的期望。
利希特曼在繪製人腦方面取得進展的祕密在於機器智能。利希特曼的團隊與谷歌合作，利用深度網絡對顯微鏡收集的數百萬張大腦切片圖像進行註釋。每張掃描圖像都只是一組像素點，人眼很容易識別圖像中斑點的邊界（神經元的胞體、軸突或樹突，以及大腦中的其他東西），再努力一點甚至可以分辨出兩個圖像共有的位置。有了標記和重建，這些龐大的數據集也變得有意義起來。
此前，這些任務通常需要部隊的本科生或公民科學家來手動完成。經過圖像識別訓練的DNNs已經可以獨立完成這項繁重的工作，往往需要耗時數月或數年的工作，它幾小時或幾天內就能完成。現在，谷歌能夠在人類大腦皮層的切片中識別出每個神經元、軸突、樹突和樹突棘，以及每個突觸。利希特曼表示：“這簡直難以置信。”
科學家們仍需繼續研究細微的解剖特徵與神經元動態活動之間的關係，也就是神經元產生的電活動模式，這是連接體數據本身所無法揭示的。在這一點上，連接組學遭到了許多批評。以蠕蟲爲例：幾十年前神經科學家就已經得到了完整的秀麗隱杆線蟲（C. elegans）接線圖，但並不能說已經完全理解了這個僅由300個神經元組成的生物。至今，科學界依然在研究其大腦連接與行爲之間的關係。
然而，在生物學中結構和功能是緊密相連的，也就意味着總有一天神經科學家會明白特定的神經元形態是如何對活動產生影響的。甚至將大腦映射在某個大型服務器上，創建一個類似人類思維的程序也不再只是想象。下一個飛躍將會是反烏托邦的，我們也許會通過數字化來存儲自己的思想，機器也可能會利用我們的大腦來製造超級智能機器，以消滅人類。
利希特曼並不贊同科幻小說中那些天馬行空的猜想，但他承認，如果一個網絡中的線路圖與人腦一樣複雜，那將十分可怕。“就像不能理解深度學習一樣，我們永遠不會明白它的工作原理，”他說，“突然間，這個機器可能就永遠不需要人類了。”
但即使是高超的深度神經網絡也不能讓我們完全瞭解人腦。這一點在去年的一次計算與系統神經科學會議上得到了很好的詮釋，會議開設在葡萄牙里斯本郊外的一家酒店的宴會廳裏，來自馬里蘭州貝塞斯達國家心理健康研究所（National Institute of Mental Health）40多歲的神經學家阿拉什·阿夫拉茲（Arash Afraz）在那裏發表了演講。他認爲，DNNs的神經元模型對於真正的神經元來說過於粗糙。
阿夫拉茲個子不高，留着深色的馬蹄形鬍子，光禿禿的頭頂上頂着一條細馬尾，讓人想起了《真探》（True Detactive）中的馬修麥康納（Matthew McConaughey）。當堅固的大西洋海浪撞上碼頭時，阿弗拉茲問我們是否還記得勒內·馬格里特（René Magritte）的作品《這不是一個菸斗》（Ceci n’est pas une pipe，又稱《形象的叛逆》，譯者注），畫中只有一個菸斗，但下方卻寫着“這不是一個菸斗”。
馬格里特的作品《這不是一個菸斗》。© wiki
他指出，DNNs中的模型神經元都不是真正的神經元，它們也不是真正連接在一起的。然後他展示了一幅通過實驗在猴子大腦中發現的區域之間相互連接的經典示意圖：一堆雜亂的盒子，分別編號爲V1、V2、LIP、MT、HC，每個盒子的顏色都不同，黑線看似隨機地將盒子連接起來，而且組合方式比看起來可能還要多。
與真實大腦中令人眼花繚的一堆連接方式相比，DNNs則簡單地將不同的大腦區域連接在一條鏈條上，從一“層”到下一“層”。阿夫拉茲說，他曾試着向嚴謹的解剖學家解釋過這一點，接着他放出了一個目瞪口呆的小猩猩解剖學家表情包，說：“我真的試過了，相信我。”
與人腦一樣複雜的虛擬線路圖十分可怕，這很可能意味着機器不再需要人類的控制。
我也一直很好奇，既然DNNs和真正的大腦比起來過於簡單，那爲什麼我們不能讓它們忠實於真正的大腦結構來提高它們的機能呢？爲了解開這個謎團，我打電話給牛津大學計算神經學家安德魯·薩克斯（Andrew Saxe）。薩克斯也認爲，讓模型更真實地反映現實可能會讓它能更好地發揮作用。“這一直是腦科學領域的挑戰：我們根本不知道細節到達了什麼樣的重要程度。”他在Skype裏說。
我們是如何做出決定的？“這些判斷往往基於直覺，而我們的直覺也會發生很大的變化，”薩克斯說，“許多神經科學家都有一個強烈的直覺，即單個神經元是極其複雜的：它們有所有反向傳播的動作電位，有獨立的樹突狀細胞，有多樣的傳輸通道。一個神經元甚至可以是一個網絡。作爲一個線性單位，DNNs中神經元的簡單數學模型顯然缺失了太多細節。”
© 164.67.24.13
隨着2020年的到來，我想了很多關於從利希特曼，阿夫納茲和薩克斯身上學到的東西，以及神經科學領域的終極難題：理解大腦。我發現自己重新回到了大學時代，那時的我認爲科學是認識客觀事物的唯一途徑（我曾經還認爲科學家是超級理性、公正的存在，對真理有着至高無上的興趣，顯然還是太天真了）。
現在我明白了，科學要想研究事實，首先得理清事實。有時，真相甚至在實驗開始前就已經被屏蔽掉了。人類帶着怪癖和偏見，選擇要做什麼實驗，以及如何去做。收集數據後，科學家必須弄清楚這些數據的含義，才能進行解釋。所以，科學的職責是收集關於世界的事實，而人類則需要對其進行描述，所有這些過程都需要我們通過時代語言和文化塑造個人篩子來過濾原始數據。
由此看來，利希特曼2EB的大腦切片和我48TB的老鼠大腦數據可能都無法被人腦理解，至少沒有人的大腦可以將所有這些數據編排成一幅人類大腦如何工作的全景圖。此時，我坐在辦公桌前，望着夕陽把萬里無雲的天空染成淺紅色，腦海裏浮現出一個彩色的、機械的未來畫面。
我們根據大腦皮層解剖結構設計建造的機器不能捕捉到人類大腦的本質，但從大型數據集中發現連接模式並不困難。也許有一天，當皮質解剖學發展到一定程度，他們就可以解釋這些模式，解決大腦的聯繫之謎，繪製出一個能被人類理解的圖像。窗外，麻雀們嘰嘰喳喳地叫着，看來它們的一天還沒有結束。
文/G Guitchounts
譯/鈉鉀
校對/兔子的凌波微步
原文/nautil.us/issue/94/evolving/an-existential-crisis-in-neuroscience-rp
本文基於創作共同協議（BY-NC），由鈉鉀在利維坦發佈
文章僅爲作者觀點，未必代表利維坦立場
未來智能實驗室的主要工作包括：建立AI智能系統智商評測體系，開展世界人工智能智商評測；開展互聯網（城市）雲腦研究計劃，構建互聯網（城市）雲腦技術和企業圖譜，爲提升企業，行業與城市的智能水平服務。
如果您對實驗室的研究感興趣，歡迎加入未來智能實驗室線上平臺。掃描以下二維碼或點擊本文左下角“閱讀原文”
