隨需應變的大腦，人工智慧的下一前沿

什麼是神經AI?

神經AI是一門新興學科，旨在：1)透過研究人的大腦來促進AI技術發展;2)利用AI來更好地研究人的大腦。神經AI的核心工具之一是使用人工神經網路來建立特定大腦功能的計算機模型。這種方法始於2014年，當時麻省理工學院和哥倫比亞大學的研究人員發現，深度人工神經網路可以解釋大腦的物體識別區域——顳下皮層(IT)的反應過程。於是他們引入了一個基本的實驗方法：將人工神經網路與大腦進行比較。然後反覆迭代測試各種大腦反應過程：形狀識別、運動處理、語音處理、手臂控制、空間記憶等，並相應建立各個反應對應的大腦處理模型。

1. 訓練矽基人工神經網路來解決如物體識別之類任務。由此產生的網路被稱為任務向神經網路。重點是，它通常只需要影像、影片和聲音來訓練模型，而不需要大腦資料。

2. 使用如線性迴歸或表徵相似性分析之類的統計分析法，來比較訓練後的人工神經網路的中間啟用值與真實的大腦數值。

3.選擇表現最好的模型作為當前大腦區域的最佳模型。

該方法中的真實大腦資料，可透過單個神經元獲得，或以非侵入性技術如腦磁圖(MEG)或功能性磁共振成像(fMRI)來收集大腦內部資料。

大腦部分割槽域的神經AI模型有兩個關鍵特徵。首先它是可計算的——給這個計算機模型提供刺激變數，它將能算出相應的大腦區域會如何反應。其次它也是可微分的——它是一個深度神經網，我們可以運用和研究視覺識別與自然語言處理模型相同的方式進行最佳化。也就是說，神經科學家可以藉助所有推動深度學習革命的強大工具來更好做研究，包括PyTorch和TensorFlow等張量代數系統。

這意味著，我們將實現巨大的技術跨越——從不瞭解大腦的大部分運作機理，到能做出可下載的部分割槽域的模型。

神經AI的應用領域

藝術和廣告

我們感知各種媒體，99%是透過眼睛和耳朵。眼睛和耳朵本身並不負責解釋體驗，它們只是感測器：是我們的大腦在處理和理解這些資訊。面對不同的傳媒內容，我們大腦會根據我們的所見所聞解析出不同的思考與情感，但是被解析出的結果，不一定是創作者想要傳達的、被受眾接受的。

所以，如果想要確定一個作品中預留的資訊是否如預期那樣被受眾接收，就需要不斷地測試。一些網際網路公司中，比較流行的解決辦法是使用“A/B測試”。比如，谷歌曾測試過50種不同深淺的藍色用在顯示搜尋結果的超連結上，最終他們找到的最優解使谷歌的收入比基線提高了2億美元，約佔當時谷歌收入的1%;Netflix會為使用者調整影片縮圖以最佳化使用者體驗。

但是，如果我們能在不經過大流量測試，未獲得任何測試資料之前就能預測人們對某一媒體的反應呢?那樣，企業就能在未獲得太多關注之前更好地最佳化其書面材料和網站。神經AI在預測人們對視覺材料的反應方面已經做得越來越好。例如，Adobe的研究人員就正在研究相關的視覺設計工具，幫助設計人員更好地預測和引導人們的注意力。例如，透過編輯照片，使其在視覺上更令人難忘或更具美感。

另外，人工神經網路甚至可以找到比現實影像更有效地傳達資訊的方法。OpenAI的CLIP工具便可以幫助你找到與想要傳達的情感相一致的影像;再比如OpenAI和谷歌，可以根據文字提示生成逼真的影像。

目前在最佳化視聽媒體、網站，尤其是廣告方面存在巨大的市場需求，而我們其實早就已經開始將神經AI和演算法藝術引入這一過程了。巨大的市場需求會催生良性的發展迴圈，隨著越來越多的資源被投入到實際應用中，神經AI也將變得更好、更有用。作為副產品，因為獲得了更好的大腦模型，廣告以外的其他領域也將能一起受益。

可及性與演算法設計

神經AI最令人興奮的應用之一是提高產品的可及性。

大多數媒體其實是為“一般普通人”設計的，然而每個人處理視聽資訊的方式卻各不相同。比如有色盲困擾的人群和一般人群的資訊處理方式是不同的，因此大量的媒體並不適合他們。雖然如今有不少產品可以模擬色盲效果，但需要一個色覺正常的人先為產品做解釋，然後才能去做相應的調整改變。直接做靜態的顏色重對映無法滿足他們需求，是因為有些材料在顏色重對映後語義會發生變化(例如，圖表會變得難以讀懂)。但有了神經AI之後，我們就可以在保持現有圖形語義的情況下，自動生成適合色盲閱讀的材料和網站。

另一個例子是，幫助有學習障礙的人，如閱讀障礙人群。閱讀障礙的一個深層原因是對擁擠十分敏感，因此難以識別具有相似基本特徵的形狀。而麻省理工學院正在研究一種閱讀障礙者的視覺系統神經AI模型，可以幫助設計既美觀又能讓他們順利閱讀的字型。這些都是潛在的、亟待實現的生活質量的巨大改善。

健康

許多神經科學家在進入這一領域時，都希望自己的研究能對人類健康產生積極影響，特別是對患有神經系統疾病或精神健康問題的人。利用神經AI模型，有機會開啟新的療法——獲得優良的大腦模型後，便可以精心設計正確的刺激，來傳遞相應的資訊，就像鑰匙和鎖的匹配一樣。從這個意義上說，神經AI的應用類似於演算法藥物設計，但我們在人體內釋放的不是藥物小分子，而是影像和聲音。

眼睛和耳朵的感受器方面的問題是最有可能先被解決的，因為這些感受器目前已經有了很好的建模。比如人工耳蝸植入手術可以在神經AI大腦模型的幫助下，最佳化植入物的刺激模式，放大語音來最佳化助聽效果。

許多人在一生中都會經歷感官系統的變化，比如近視。在變化之後，人會透過不斷學習來讓大腦重新適應這個世界，更好地理解新的知覺資訊，這種現象稱為知覺學習。神經AI能夠放大這種知覺學習，讓人們能更快更有效地恢復感知技能。類似的，還有透過神經AI技術幫助那些在中風後失去流暢移動四肢能力的人;最佳化健康人類的感官體驗——比如輔助棒球運動員、弓箭手或病理學家的訓練等。

最後，我們發現這些技術在情緒障礙的治療方面也能大有所為。我們可以透過感官體驗來治療情緒障礙。比如我們知道，用電刺激控制大腦特定部位的活動可以緩解“頑固型抑鬱症”(treatment-resistant depression)，有了神經AI後，或許透過感官間接控制大腦的活動也可以獲得類似的效果。

擴增實境

一個將使神經AI應用變得更加強大的技術是AR眼鏡。因為可以完美融入到我們的日常生活中，AR技術具備著成為無處不在的計算平臺的潛力。眾多科技巨頭、網際網路巨頭都在加快步伐研究更高階的AR眼睛，所以在供應方面就已經有巨大的推動力在助推其發展。而這將使人們廣泛使用上一種比今天的靜態螢幕強大得多的顯示裝置。

如果參照VR裝置的發展軌跡，它最終還會將眼球追蹤功能整合進來。也就是說，我們可以遠遠超越目前可能的技術手段，以更可控的方式實現更廣泛的視覺刺激。另外這些裝置在健康領域也將具有非常深遠的應用前景。

腦機介面(BCI)

有了出色的顯示器(影像)和揚聲器(聲音)，我們可以精確控制大腦的主要輸入訊號。而透過感官傳遞刺激的下一個更強大的階段，是透過只讀的腦機介面(BCI)驗證大腦是否以預期的方式做出反應。如此一來，我們便可以評估刺激對大腦的影響，如果不符合預期，還可以在所謂的閉環控制中做相應的調整。

我們並不需要在顱內植入晶片或者深層腦刺激器，因為這樣簡單的評估，在顱外以非侵入性的方式測量大腦活動已經足夠了。我們也不需要透過BCI直接刺激大腦，眼鏡和耳機就能控制大腦的大部分輸入。目前，有許多非侵入性只讀BCI已經商業化或正在籌備中，可用於閉環控制。一些例子包括：

•腦電圖(EEG)。腦電圖測量的是顱骨外的大腦電活動。由於頭骨相當於一個容積導體，因此腦電圖的時間解析度很高，但空間解析度很低。當我們獲得了刺激的控制權，腦電圖便能發揮更強大的作用——比如可以將刺激與腦電圖訊號關聯起來，然後解碼什麼刺激能吸引注意力(誘發電位法)。

•功能性磁共振成像(fMRI)。fMRI測量的是與神經活動相關的血氧含量的微小變化，它是唯一能夠以空間上精確的方式非侵入性地讀取大腦深處活動的技術。對於閉環神經控制方面來說，有兩種正規化相對成熟。第一種是基於fMRI的生物反饋;第二種是皮質圖譜。這兩種方法都表明，想要評估神經AI對大腦的刺激效果完全是有可能的。

•近紅外腦功能成像(fNIRS)。fNIRS透過漫射光來測量發射器與接收器之間的腦血容量。傳統的近紅外成像的空間解析度較低，但透過時間門控(TD-NIRS)和大規模超取樣(漫反射光學斷層成像)，空間解析度會有一定提升。在學術方面，WUSTL的Joe Culver小組已經實現了對視覺皮層的影片解碼。而在商業方面，Kernel現在正在製造和銷售TD-NIRS頭盔，這是十分驚人的工程壯舉。這是一個人們不斷推動的領域，而且進展迅速。

•腦磁圖(MEG)。腦磁圖透過測量磁場的微小變化來定位大腦活動。MEG與EEG類似，它測量電磁場的變化，但它可以不受容積導體的影響，因此具有更好的空間解析度。人們在光泵磁強計(optically pumped magnetometers，OPM)方面也正不斷取得進展，將來我們將有可能在公開市場上購買單個OPM感測器。

除了這些比較知名的技術外，一些黑馬技術，如數字全息技術(digital holography)、光聲斷層掃描技術(photo-acoustic tomography)和功能性超聲技術(functional ultrasound)，則可能會極大加速這一領域的正規化轉變。

雖然消費級的非侵入式BCI仍處於起步階段，但圍繞著AR用例的旺盛需求將不斷推動市場將蛋糕做大。我們可能會看到低維BCI的迅速發展，上面提及的各種神經AI應用就很有可能成為真正的現實。

作者：Patrick Mineault；編譯：洪杉