上图：Rafael Vescovi，Narayanan Kasthuri，图片来自阿贡国家实验室；下图：阿贡国家实验室
X 射线断层成像技术：在阿贡国家实验室的高级光子源（右图），一个粒子加速器将用电子撞击一条金属丝以产生非常明亮的 X 射线，然后这些射线都会汇聚在一小块取出的脑组织上。很多角度拍摄的 X 射线图像最终会被结合起来形成一幅 3 维图像（上图），它显示了该组织内的每个神经元。
在目前的实验中，大鼠尝试掌握一门复杂的视觉任务。屏幕上显示三维的计算机生成的物体——这些物体与真实世界中的物体完全不同，它们仅仅是简单抽象的形状。当老鼠看见物体 A，它必须舔一舔位于左边的管嘴以得到一滴甜味果汁；当它看见物体 B，那么右边的管嘴里也有果汁。但是物体是在多个方向被呈现出来的，所以大鼠必须在思维中旋转每一个面来思考和决定这个物体是否满足 A 或 B。
穿插在训练环节中的是成像环节。在成像环节中，大鼠将被带到另一个实验室，那里有一台巨大的盖着黑布的显微镜，看上去就跟一台老式照相机一样。在这里，团队让动物看着一块显示有对它们现在来说熟悉的物体 A 和 B 的屏幕，然后团队会用一个双光子激发显微镜再次在很多方向上来检测动物的视觉皮层。该显微镜会记录激光照射活动神经元时的荧光闪烁，并且，该 3 维视频显示的图像类似于夏日夜晚飞舞的绿色荧火。Cox 非常渴望看到当动物对自己的任务非常熟练之后，那些图像会如何变化。
然而，实验使用的显微镜分辨率不足以很好显示连接一个个神经元的轴突。没有这个信息，研究者就不能判定一个神经元是如何去激发下一个神经元从而形成信息处理回路的。因此，为了达到这个目的，需要杀死该实验动物，其大脑才能用于进一步细致的研究。
研究人员切掉了视觉皮层的一小块，通过联邦快递送到了伊利诺伊的阿贡国家实验室。在那里，一台粒子对撞机用强大的 X 射线对单个神经元、其它大脑细胞与血管进行成像，得到一张三维图。该图当然也没有显示出组织内轴突的连接情况，但是当研究者用电子显微镜图像对比双光子显微镜图像时。「X 射线就如同罗塞塔石碑（Rosetta stone）一般。」Cox 说道。（注：罗塞塔石碑是古埃及托勒密王朝时代的产物，其上写有古埃及过往托勒密五世登基的诏书，上面用三种文字叙述了同样的内容，包括古埃及象形文、埃及草书和希腊文，这块石碑后来也成为了近代考古学家解读失传的古埃及象形文的重要参考文物。罗塞塔石碑收藏于大英博物馆。）
随后，这块脑组织被送还到哈佛大学 Jeff Lichtman 的实验室，Jeff Lichtman 是一位分子细胞生物学教授，同时他也是一位大脑连接组领域的顶尖科学家。Lichtman 的团队用一台类似于熟食切片机的机器将这块 1 立方微米的脑组织切成了单片 30 纳米厚的 33000 份。这些超薄脑片被自动放在一条带子的硅晶片之上。随后，研究者使用世界上最快的扫描电子显微镜，对每个脑样本都投射 61 束电子来测量这些电子的分布。这个冰箱大小般的机器昼夜不停的工作，力图最终生成每片 4 纳米分辨率的图像。
上图：Daniel Berger／Lichtman 实验室／哈佛大学；下图：Lichtman 实验室／哈佛大学
扫描电子显微镜：Jeff Lichtman 的扫描电子显微镜（右）在脑组织切片处发射了 61 束电子。通过测量电子如何发散，这一技术产生了 4 纳米分辨率的图像，展示了每个切片中连接神经元的轴突。一个计算机程序从一个切片到另一个切片追踪轴突，并在脑组织立方体内重建所有的神经布线（neural wiring）。
每个图像类似于密集包装的立方形意大利面的横截面。图像处理软件按照顺序排列切片，并逐个切片地进行追踪，描述每个神经元轴突及其到其他神经元数的以千计的连接的完整长度。但是软件有时无法跟踪横截面，或者把一个与另一个相混淆。在这项任务上，人类优于计算机，Cox 说，「不幸的是，地球上并没有足够多的人来追踪如此多的数据。」哈佛与麻省理工学院的软件工程师正致力于跟踪问题，他们必须解决它，以便绘制精确的大脑连接图。从双光子显微镜叠加该图与活动图应该可以揭示大脑的计算结构。例如，当老鼠看到一个奇怪的块状对象时，它应该显示哪些神经元形成了一个回路并亮起，在头脑里将其颠倒，并确定它与对象 A 匹配。
Cox 团队的另一个挑战是速度。计划的第一次阶段在 5 月结束，每个团队不得不展示测量 100 微米大脑组织块的结果。对于更小的块，Cox 团队将电子显微镜和图像重组步骤缩短为两周。现在，在第二阶段，处理相同相同任务只需数小时。从 100 微米到 1 毫米，体积增加了千倍。这就是为什么 Cox 着迷地聚焦于自动化过程的每一步——从老鼠的视频训练，到连接体的跟踪。Cox 说：「这些 IARPA 项目迫使科学研究看起来更像是工程学，我们需要快速扭转方向。」
加快实验允许 Cox 团队测试有关大脑回路的更多理论，这同样对人工智能研究者有帮助。在机器学习中，计算机科学家设置神经网络的整体架构，虽然程序本身决定如何把诸多计算连接进序列。因此，研究者计划在同一个视觉识别任务中训练老鼠和一个神经网络，并对比二者输出和连接的模式。Cox 说：「如果我们在大脑中看到某些连接模体（connectivity motif），我们不是在模型中看到它们，也许那是在暗示我们做错了什么。」
一个调查领域涉及大脑学习的规则。物体识别被认为是按层次处理的——第一组神经元处理颜色和形式等基本要素，下一组寻找边界，区分物体和背景，以此类推。随着动物在识别任务中表现的提升，研究人员找到了一个问题：哪组神经元对行动的影响最大？同时，随着人工智能在同样任务中的表现不断提升，这种识别模式的神经网络活动是否与老鼠大脑中的动作遵循相同的原理？
IARPA 希望这些发现不仅适用于计算机视觉，也可以应用到机器学习中。「我们在这里有了一个信仰的飞跃，但我认为这是一个遵循证据的信仰之跃，」Cox 说道，他指出，大脑皮层，发生高层次认知的神经组织外层都有「可疑地相似的」结构。对于神经科学和人工智能专家而言，这种一致性表明，大脑中可能存在一种基本类型的电路用于信息处理。定义这种方法或许会让我们向通用人工智能更进一步。
虽然 Cox 的团队正在转变想法，试图加快真实可靠的神经科学流程，而另外一名 Microns 研究者却在尝试一个极端想法。「如果它成功了，将会革新大脑科学，」哈佛大学怀斯生物启发工程研究所（the Wyss Institute for Biologically Inspired Engineering）的教授 George Church 说。
Church 和匹茨堡卡内基梅隆大学的李泰兴教授联合领导着 Microns 团队。Church 负责这个过程的连接组映射部分，并采取了截然不同的方法；他不使用电子显微镜跟踪轴突连接，认为这一技术太慢并会产生很多问题。Church 说：「当其他团队试图在一立方毫米的大脑皮层上跟踪轴突时，错误将会累加，并模糊连接组数据。」
Church 的方法并不受轴突的长度或被调查的大脑皮层大小的影响。他使用基因工程化的老鼠和一项被称为 DNA 条形码（DNA bar coding）的技术，该技术可通过一个独特的基因标志符（它可从其树突的边缘性尖端读取到长轴突的末端）给每一个神经元打标签。他说：「如果你有一些巨大的长轴突也没关系，借助条形码你可以发现两个末端，这个过程中有多少困惑也并不紧要。」Church 团队使用的大脑皮层切片厚度为 20 微米（μm），厚于 Cox 团队的 30 纳米（nm），因为他们并不担心在切片之间丢失轴突路径。DNA 测序机纪录了当前给定大脑皮层切片中的所有条形码，然后程序通过所有的基因信息进行分类，以绘制展示神经元之间如何彼此连接。
Church 还有一个合作者 Anthony Zador，他是纽约冷泉港实验室（Cold Spring Harbor Laboratory）的神经科学教授；他们一起证明了在之前的实验中，条形码和测序技术奏效；但是 Microns 项目需要聚合所有数据并放入连接组图谱中，他们并没有做到。假设他们做到了，Church 说，「Microns 将只会注意到他大脑测绘工作的开始：接下里他想要绘制整个小鼠大脑的所有连接，即 7 亿个神经元和 700 亿个连接。」他又说：「1 立方毫米使人一叶蔽目，我想要的远不止于此。」
上图：Tony Zador/纽约冷泉港实验室；下图：Eliza Strickland
荧光原位序列：每个神经元有一个「RNA 条形码」，它由被称作碱基（bases）的分子的独特序列组成。测序机（右）通过记录与四种类型的碱基相连接的不同颜色的闪光灯读取条形码。George Church 团队绘制了这些条形码在大脑皮层中出现的地方以展示神经元在何处相互连接（上）。
如此大规模的图谱将为人工智能的发展带来启发，做到更严谨地模仿生物大脑；但是喜欢做解构者的 Church 为计算指明了另一条道路：停止尝试打造硅大脑（意指计算机），而是构建生物大脑，代替人类更好地处理计算任务。他说：「我认为很快我们就会有合成神经生物学（synthetic neurobiology）的能力，以真正地构建生物大脑的变体；尽管硅芯片计算机在处理速度方面打败了生物系统，但 Church 想象装备有电路元件的工程化大脑也将会实现提速。」
按照 Church 的评估，Microns 大脑逆向工程的目标也许不可实现。大脑是如此复杂，以至于即使大脑逆向工程取成功了，研究者还是无法完全理解大脑的神秘，但这并无大碍。Church 最后说：「我认为理解大脑有点像是科学家的一种执念，对大脑做逆向工程要比理解它容易得多。」
