腦科學的新手段新技術：信息＋系統＋智能視角

本文發表於《科學通報》,2015年第60卷第10期：912~916

本文版權歸原作者所有，如有侵權，請聯繫我們刪除！

Technologies for brain sciences: The perspectives of information, systems, and intelligence

WU ZhaoHui & PAN Gang

College of Computer Science and Technology, Zhejiang University, Hangzhou 310027, China

Abstruct：In the recent years, brain science has achieved great progresses with assistance of new emerging online technologies of measuring brain functions and activities. Particularly the information technology is playing a critical role in the brain research. In this paper, we discuss the integration of the brain and machines with the three perspectives: information, system, and intelligence. From the information processing perspective, the brain-machine-integrated system will be bi-directed and close-looped; from the system perspective, it will be hierarchical and multi-scale; from the intelligence perspective, it will be deep integration of biological and machine intelligence. The emerging complex brain-in-loop system will give a good opportunity for not only the neuroscience community but also the information technology community.

Key words：brain science, brain-machine integration, cyborg intelligence

Wu Z H, Pan G. Technologies for brain sciences: The perspectives of information, systems, and intelligence (in Chinese). Chin Sci Bull, 2015, 60: 912–916, doi: 10.1360/N972014-01376

doi: 10.1360/N972014-01376

腦科學主要研究人與動物的腦結構與腦功能，闡明大腦的工作機制。近年來，隨著各種不同層次測量大腦活動與行為的新技術、新手段的出現，神經科學研究得到了快速發展。不管是在分子水平、細胞水平，還是在神經網路與神經迴路水平，或系統和整體水平，都取得了重要突破，使人們更加清楚地了解神經系統物質、能量和信息的活動規律與基本機制。

腦科學與信息技術的結合發展正成為重要趨勢：(ⅰ)腦科學研究大量藉助信息手段；(ⅱ)一些信息技術的發展也利用腦科學研究成果。由於信息手段的介入，近年來國際上正興起新一輪的腦科學研究熱潮。例如，2013年初，歐洲聯盟啟動投入超過10億歐元的人腦10年計劃，主要目標是從基因活性到神經細胞間的相互作用等基礎出發，用超級計算機對人腦功能進行精細建模與模擬，構建基於硅的大腦；不約而同，2013年4月，美國也宣布啟動預計將投入超過10億美元的腦計劃，目前主要目標是研發新技術測量大腦每個神經活動及連接，繪製大腦活動全圖。腦科學和未來信息計算的結合發展，必將催生腦信息大數據計算、新型計算理論、新式信息技術平台、以及更多的新型應用。

1 腦機融合

隨著腦科學與信息技術的進一步交叉，腦與機器的融合正成為未來發展的重要趨勢與研究熱點。近十幾年腦科學研究與信息技術的交叉發展，大致呈現為3個階段：(ⅰ)前10年研究更多是從生物角度認識腦，包括從細胞結構、神經元連接、腦區交互以及大腦整體等不同層次進行研究；(ⅱ)近10年則興起了從工程角度利用腦的研究，利用腦機介面技術[1]建立腦和信息科學之間溝通的橋樑；(ⅲ)而下一個10年，正出現從信息角度融合腦的重要趨勢，新的腦數據、計算理論及各種應用將不斷湧現。

腦機介面可看作是腦機融合的初級階段。隨著腦與信息科學的進一步融合，早期的單向、開環形式的腦機介面，逐漸過渡到雙向、閉環形式的腦機交互，並將進一步發展到腦與機深度結合、相互依賴的腦機融合階段。腦機融合可有多種表現形式，包括感知覺功能增強、生物智能與機器智能的融合及運動功能重建等。腦機融合不僅是腦科學研究與信息科學交叉的突破口，也是認識腦、保護腦、創造腦的重要途徑。

2 信息視角：雙向閉環

從信息視角看，腦機融合系統是一個典型的信息處理系統。藉助光電磁等各種技術，能夠從大腦中獲取豐富的腦活動信息，並交由計算機對信息進行分析，然後根據分析結果採用相應的光電磁等各種刺激與調控途徑，多模態地反饋至大腦中。這將是一個典型的雙向閉環系統。在此視角下，腦機融合系統的瓶頸在於對腦信息獲取的準確性、信息處理的高效性、以及信息輸入的有效性。

2.1 腦信息的獲取

腦信息的在體獲取手段方法多種多樣，以下列舉部分較為成熟的技術。(ⅰ)腦電圖(electroencephalography，EEG)、皮層腦電圖(electrocorticogram，ECoG)、腦磁圖(magnetoencephalogram，MEG)等方法採集大腦自發產生的電場與磁場，並將採集的信號作為分析大腦工作的依據；(ⅱ)核磁共振成像(magnetic resonance imaging，MRI)和磁共振波譜(magnetic resonance spectroscopy，MRS)等方法通過記錄大腦內水分子與特定化學成分在強磁場中的不同表現來判斷大腦不同區域的結構組成；(ⅲ)功能性核磁共振(functional magnetic resonance imaging，fMRI)和功能性近紅外光譜成像(functional near-infrared spectroscopy，fNIRS)等方法利用大腦活動時不同功能區域的血氧濃度差異來定位與特定功能相關的腦區；(ⅳ)正電子發射成像(position emission tomography，PET)和單光子發射計算機斷面成像(single-photon emission computed tomography，SPECT)等方法利用大腦不同區域葡萄糖代謝水平的不同，來判斷腦區之間的活躍程度。

腦信息的獲取手段雖然日益豐富，但是信息的時空解析度亟待進一步提高。圖1是部分腦信息的在體獲取方法的時空解析度以及對生物體的侵入程度。從圖1可以看出，當前的腦信息獲取方法雖然可以達到較高的時空解析度，但是與細胞水平的空間尺度以及神經元電位變化的時間尺度之間依然存在差距。因此，實現腦機融合仍需要腦信息提取手段在時空解析度上進一步提高。

圖 1 (網路版彩色) 部分腦信息在體獲取方法的時空解析度及侵入性比較

Figure 1 (Color online) Comparison of typical brain imaging technologies

2.2 腦數據的處理

腦科學大數據的處理亦構成腦機融合的一大挑戰。據統計，大鼠(Rattus norvegicus)腦內約包含1萬億個突觸連接1億個神經元，而人腦內包含約1000億個神經元與1000萬億個突觸，是大鼠腦的1000倍。從生物組織看，數據量更大，僅1mm3的腦組織即可產生2000TB的電子顯微鏡數據，1個小鼠(Mus musculus)大腦可產生60PB數據，而人腦可產生高達200EB數據。

與腦信息大數據形成鮮明對比的是，傳統馮諾依曼計算機的發展正面臨著「內存牆」與「功耗牆」等難題。多核體系架構的出現雖然一定程度上減緩了壓力，但在同等條件下計算能力的提高將帶來越來越高的系統複雜性。

人腦與傳統馮諾依曼計算機相比，在處理海量數據上展現了無與倫比的優勢：(ⅰ)人腦可以與外界交互自主學習，無需顯式編程；(ⅱ)人腦能夠容忍部分神經元死亡或萎縮，具有高度可塑性與系統容錯性；(ⅲ)人腦擁有1011個神經元及1015個突觸，存在巨大的並行性及高度的連接性；(ⅳ)人腦擁有100Hz的低運算頻率以及每秒幾米的低通信速度，僅需約20W的功耗，而基於傳統馮諾依曼體系結構建造一個與人腦複雜程度相等的計算機則需要近100MW的能量。

正是由於人腦在處理大數據問題中顯現的各種優勢，以人腦為原型的類腦晶元在近幾年成為研究熱點[2]，類腦計算成為處理大數據的新方向之一。構建類腦計算機不僅有助於更加高效地處理、利用海量腦數據，從而更好地實現腦機融合，還有助於加深對大腦工作機理的理解，從而進一步完善類腦晶元的設計與實現。

2.3 腦信息的輸入

腦機融合不僅要求獲取並解讀腦信息，還需要計算機能夠將信息編碼後傳入生物體，以此來調節、增強、甚至控制生物體的部分功能，達到感知覺與智能增強及運動功能重建等目的。

目前已有較多應用藉助腦信息的輸入達到智能增強與運動重建的目的，典型的應用包括各類動物機器人[3~6]，人類利用腦刺激進行神經康復的案例[7，8]等。

過去腦機介面系統的信息傳輸方式大多數為單向形式。2011年，Nicolelis團隊[9]在Nature雜誌上報道了一種新型腦-機-腦信息通路的雙向閉環系統，在記錄猴子大腦神經信息進行解碼的同時將猴子觸覺信息轉化為電刺激信號反饋到大腦，真正實現了腦機交互。

利用大腦的可塑性，結合機器學習構建腦機相互適應的系統，可以提高腦機融合的效果。但是要實現腦機融合系統中兩種截然不同的智能體的有效協作及相互適應，依然需要進一步建立生物智能與機器智能直接互連的信息通道與交互模式，使得機器與生物能夠達成協同感知、認知及執行的目的，形成更為複雜的腦機融合系統。

3 系統視角：分層融合

從系統視角看，腦機融合是一個跨界的複雜系統。大腦與機器的工作機制有著天壤之別，如何將這兩個智能體有機地結合起來，是腦機融合系統亟需解決的問題。雖然大腦和機器的結構不同，腦信號處理機制與計算機信息處理卻存在多種相似性：(ⅰ)腦與機器都採用電信號作為信息傳遞的載體及信號運算的物理手段；(ⅱ)腦信號由不同腦皮層分層次、分階段處理，這一層次化的特點在機器系統中亦非常見；(ⅲ)與機器的模塊化相似，特定腦皮層區大致負責特定的感知功能或認知功能，如視覺區、聽覺區、運動區、海馬區等。

大腦與機器的這些相似點，為腦機融合系統的構架帶來了可能。最近，本團隊[10]以此提出一個層次化的腦機融合計算框架(圖2)。在此框架中，生物端包含記憶層與意圖層、決策層及感知與行為層3個層次，而機器端亦包含目標層和知識庫、任務規劃層及感知與執行層3個層次。生物端與機器端內部各層之間相互依賴，生物端與機器端之間則形成跨界的系統結構。在這個框架下：(ⅰ)機器能夠直接或間接影響生物的記憶層與意圖層工作，從而最大程度地發揮與拓展生物智能。例如，Berger等人[11]通過光遺傳學等手段重建和增強了大鼠的記憶能力，Ramirez等人[12]通過神經調控在小鼠腦中形成虛假記憶等；(ⅱ)機器與生物能夠相互協作，達成某一行為決策。例如，Taylor等人[13]藉助猴子腦部的神經細胞放電來控制三維空間內假肢的運動，DiGiovanna等人[14]讓大鼠(Rattusnorvegicus)與機械臂根據指示燈的提示共同完成某種任務等；(ⅲ)生物可以藉助機器的感知來拓展並利用自身信息獲取途徑。例如，Thomson等人[15]讓小鼠在訓練後學會利用佩戴在頭部的紅外探測器進行探測，本團隊在大鼠頭上佩戴一個微型攝像頭輔助大鼠進行未知環境探索[5]，還建立了大鼠對人的語音感知能力[6]等。

圖 2 (網路版彩色)腦機融合三層體系結構

Figure 2 (Color online) Three-layered framework for brain-machine integration

本團隊提出的層次化體系結構為腦與機相互融合提供了一個參考的計算框架。此外，類腦計算的研究也可能給傳統計算機帶來巨大突破，尤其可能產生新型的計算體系結構。一個可能是類腦晶元將作為傳統馮諾依曼架構的一個協處理器拓展單元，與中央處理器(central processing unit，CPU)和圖形處理單元GPU(graphicsprocessing unit，GPU)等傳統馮諾依曼架構計算單元協同工作，以此來增強計算機的海量信息處理能力。在此架構下，傳統計算單元依然能夠用於運行包括操作系統在內的傳統任務，而類腦晶元則可以用於運行智能與學習相關的任務，從而將大大拓展傳統計算機的能力。

4 智能視角：混合增強

與計算機相比，人腦具備在複雜環境中整合理解多重信息並快速做出決策的能力，並對外界環境變化有很強的機動性和適應性。而計算機則在數值計算、快速檢索、海量存儲等方面具有明顯優勢。

藉助腦機介面技術，有望建立生物腦與機器腦兩者的互聯互通，進而將生物智能和機器智能深度融合，從而形成新型智能形態——「混合智能」[10，16]。混合智能以生物智能與機器智能這兩類智能形式的深度融合為目標，通過兩者相互連接通道，建立兼具生物環境感知、信息整合、運動能力，與機器及生物腦的記憶、學習等能力的新型智能系統。

腦與機的融合，一方面將大大推動人工智慧自身新模型與新方法的發展。依據腦認知基礎研究闡明的神經信息處理模式和機制，可研究類腦及腦機融合的人工智慧新理論、新模型及新方法，包括模擬腦感認知功能的新一代機器智能、腦機交互融合的混合智能等，使其可依據外界環境變化和功能需求改變而進行自我演化；另一方面有望發展出類腦智能體和新型智能機器人。基於腦科學認知基礎、腦機介面及腦機融合人工智慧的研究成果，可研發基於非常規計算架構、具備類腦功能的、新型的智能體與機器人，包括類腦仿生機器人、類腦控制無人機、腦機融合的機器化動物(將機器同生物體結合以增強生物的運動與感認知能力)等，使其在運動控制、感覺決策、環境適應、人機交互等方面得到增強。

5 結論

信息技術在多方面為腦科學提供關鍵支持，有助於更有效地認識腦、保護腦、創造腦。從信息角度，腦機融合不僅可為腦神經和認知科學家們研究腦結構與功能提供關鍵的高效實驗工具與平台，也為醫學專家研究腦疾病機理與診斷提供重要幫助。從系統角度，腦與計算機深度融合後產生的腦機融合系統是一種全新的brain-in-loop的腦機混存複雜系統，有望突破馮諾依曼體系結構，促進腦與機器的相互調用、相互學習、相互適應。從智能角度，機器智能與生物智能在很多方面形成相互補充、相互增強的勢態，推動人工智慧新理論新方法的發展，並促成類腦智能體和新型智能機器人。

參考文獻

1 Lebedev M A, Nicolelis M A. Brain–machine interfaces: Past, present and future. Trends Neurosci, 2006, 29: 536–546

2 Waldrop M M. Brain in a box. Nature, 2012, 482: 456–458

3 Talwar S K, Xu S, Hawley E S, et al. Behavioural neuroscience: Rat navigation guided by remote control. Nature, 2002, 417: 37–38

4 Bozkurt A, Gilmour R F, Lal A. Balloon-assisted flight of radio-controlled insect biobots. IEEE Trans Biomed Eng, 2009, 56: 2304–2307

5 Wang Y M, Lu M L, Wu Z H, et al. Visual cue-guided rat cyborg for automatic navigation. IEEE Comput Intell, 2015, doi:10.1109/MCI.2015.2405318

6 Wu Z, Yang Y, Xia B, et al. Speech interaction with a rat. Chin Sci Bull, 2014, 59: 3579–3584

7 Schiff N D, Giacino J T, Kalmar K, et al. Behavioural improvements with thalamic stimulation after severe traumatic brain injury. Nature,2007, 448: 600–603

8 Tsubokawa T, Yamamoto T, Katayama Y, et al. Deep-brain stimulation in a persistent vegetative state: Follow-up results and criteria forselection of candidates. Brain Injury, 1990, 4: 315–327

9 O』Doherty J E, Lebedev M A, Ifft P J, et al. Active tactile exploration using a brain-machine-brain interface. Nature, 2011, 479: 228–231

10 Wu Z, Pan G, Zheng N G. Cyborg intelligence. IEEE Intell Syst, 2013, 28: 31–33

11 Berger T W, Hampson R E, Song D, et al. A cortical neural prosthesis for restoring and enhancing memory. J Neural Eng, 2011, 8: 046017

12 Ramirez S, Liu X, Lin P A, et al. Creating a false memory in the hippocampus. Science, 2013, 341: 387–391

13 Taylor D M, Tillery S I H, Schwartz A B. Direct cortical control of 3D neuroprosthetic devices. Science, 2002, 296: 1829–1832

14 DiGiovanna J, Mahmoudi B, Fortes J, et al. Coadaptive brain-machine interface via reinforcement learning. IEEE Trans Biomed Eng,

2009, 56: 54–64

15 Thomson E E, Carra R, Nicolelis M A L. Perceiving invisible light through a somatosensory cortical prosthesis. Nat Commun, 2013, 4:1482

16 Wu Z, Pan G, Principe J C, et al. Cyborg intelligence: Towards bio-machine intelligent systems. IEEE Intell Syst, 2014, 29: 2–4

往期文章推薦

人工智慧名人堂第49期 | 斯坦福研究院名人堂成員：Peter E. Ha

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！