去年，美国高级情报研究计划署（Intelligence Advanced Research Projects Agency, IARPA）资助了一个非常有野心的新项目 Microns，希望通过解码大脑算法来彻底改变机器学习；近日，这一项目又在 IEEE Spectrum 上发表了其最新进展，它通过逆向工程一立方毫米的老鼠大脑组织以为人工神经网络带来更多启迪，希望解决人工智能的最大挑战之一：「one-shot learning」。机器之心对该文进行了编译，原文链接请见文末。
当今，人工智能可以在诸如国际象棋、围棋和德州扑克这样的复杂游戏中打败人类；在飞行模拟器中，它们可以击落人类顶级飞行员；在更精确的外科缝合手术与癌症诊断方面，人工智能也正在超越着医生。但是在一些其他情况中，一个三岁的小孩又可以轻松击败世界上最高级的人工智能：当比赛涉及的一种学习是如此常规，以至于人类甚至没有意识到正在做它。
这一幕曾发生在 David Cox 身上，一位来自哈佛大学的神经科学家、人工智能专家以及一个三岁孩子的自豪爸爸。他的女儿在自然历史博物馆看到一个长腿的骨架，并指着它说，「这是骆驼」。之前，她唯一一次看到骆驼是在几月前的图画册上。
人工智能研究者将这种基于单一实例辨识对象的能力称为「one-shot learning」。今天，人工智能系统获取智能的主流方式是深度学习。通常，在深度学习的自动化训练方法中，我们向程序输入大量数据并输出结论。为了训练一个人工智能骆驼探测器，系统首先需要输入数以千计、各式各样的骆驼图像，并把图像全标注为「骆驼」；同时也需要相等数量的其他图像并标注为「非骆驼」。一旦系统读取了所有数据并确定了骆驼的独特属性，它就成了一台好的骆驼探测器。但是相比于孩童，人工智能的时间成本很高。在人工智能学习识别骆驼的时候，Cox 的女儿早已识别出了长颈鹿和鸭嘴兽。
插画家：Chad Hagen
Cox 在解释美国政府名为 Machine Intelligence from Cortical Networks（Microns）时，提到了自己的女儿。这是一个有野心的项目：逆向工程人类智能，以便于计算机科学家能建立更好的人工智能。首先，神经科学家的任务是发现大脑湿软灰质中的工作策略，然后数据团队将这些策略转换为算法。人工智能中的一大挑战就是 one-shot learning，Cox 说，「人类在推理与归纳上有着惊人的能力，这也是我们尝试抓取的能力。」
由高级情报研究计划署（Intelligence Advanced Research Projects Agency, IARPA）资助达 1 亿美元的为期 5 年的项目，紧密围绕视觉皮层展开研究，我们知道，视觉皮层是大脑处理大量视觉信息的地方。三个 Microns 团队试图通过使用小鼠和大鼠绘制出 1 立方毫米脑组织的神经元结构。这听起来可能不复杂，不过要知道，就是这一点组织就包含了多达 50000 个互相连接的神经元，它们形成了近 5 亿个突触。研究者希望能够很清晰地了解这些连接的具体情况，因为这可以让他们发现当视觉皮层进行工作时相关哪些神经「电路」受到了激发。该项目需要可以在纳米水平分辨率显示单个神经元的专业脑成像技术，然而这种技术之前还从未在这种规模的脑组织上尝试过。
尽管每个 Microns 团队都涉到了多个研究机构，但是大部分由哈佛大学分子细胞生物学与计算机科学助理教授 Cox 领导的参与者都在哈佛大学校园内的同一幢楼内工作。其中你可以看见在为大鼠准备的「视频游戏」（视频请参见原文链接）里，这些啮齿动物们正进行着忙碌的工作；旁边放着一台如同世上最精准的薄片切片机在对大脑进行切片；在一旁你还会看见全球最快最强大的显微镜。在这些设备和所有人的共同努力下，Cox 认为它们可以完成破译这一立方毫米组织的艰巨任务。
这里试着简单解释一下人类心智强大能力的来源。为了处理关于这个世界的信息以及让你的身体保持工作，电脉冲在你颅骨中 860 亿包裹成海绵状组织的神经元间闪过。每个神经元都有一个长长的轴突，它可以在组织之间穿梭，从而使神经元可以和其它成千上万个神经元进行连接，以此方式，最终形成上万亿个连接。人类的每个体验都有一个对应的电脉冲模式：如我们摆动手指、消化午餐、坠入爱河或是认出一只骆驼。
双光子激发显微镜：在活体动物的大脑组织工作时，用此强大的红外激光扫描大脑组织（右）。在两个光子同时击中一个活跃神经元时，它们导致一个荧光标签散发另一种波长的光子。显微镜记录下的视频演示了这些光亮。David Cox 说，「你可以看到老鼠也有思想。」
从上世纪 40 年代开始，计算机科学家就尝试模仿大脑，设计了一种名为人工神经网络的软件结构。如今大部人工智能构想都使用到了该结构变体：有深度神经网络、卷积神经网络、循环神经网络，等等。受大脑结构的启发，这些网络包含许多计算节点（被称为人工神经元）来完成小的离散式任务；它们彼此连接，可让整个系统完成惊人的任务。
神经网络不能再进一步复制大脑的结构，因为科学界对神经元回路的基础信息还缺乏了解。IARPA Microns 项目的经理 R.Jacob Vogelstein 说，研究人员们在微观、宏观层面上都有典型的研究。「我们使用的工具既刺探单个神经元，也聚集整个大脑的信号。最大的差距是理解回路上的运算，数千个神经元如何一起处理信息。」
这种情况近来发生了改变，技术的进步使得神经科学家能做出「连接组（connectome）」来揭露神经元之间的众多连接。但 Microns 不只是一张静态图解。团队需要演示老鼠在看、学习、记忆时这些电路激活的方式。Vogelstein 说，「这非常类似于你逆向工程一个集成电路，你可以详细观察芯片，但除非你见到工作中的电路，不然你的观察就是无用的。」
在 IARPA，如果研究人员能够追踪到认知任务中的神经元模式，并将这些模式转变为类似大脑的架构（人工神经网络），这才会有真正的回报。Vogelstein 说，「在数学和算法上，大脑的计算策略是可被表征的。政府的赌注在于类脑人工智能系统要比之前的系统更擅于解决真实难题。毕竟，理解大脑是个宏伟目标，但智能情报部门想要人工智能不只是要识别一只骆驼，还有模糊视频中的半模糊脸孔。
在 Cox 的实验中，老鼠的游戏室是一个小空间。每个箱子中有个面向计算屏幕的老鼠，鼻子面前有两个接管。
