對基礎研究的投入將帶來腦科學、腦科技的突飛猛進中國要在信息技術產業上成為世界領軍人，應該大力發展神經科學，帶動下一個信息技術產業革命。在美國，硅谷一些公司(高通(Qualcomm),IBM等)已開始向這一新興的“腦科技”(NeuroTech)產業進軍。同時，發展神經科學也具有戰略意義。美國國防部高級研究計劃局(DARPA)、高級情報研究計劃署(IARPA)，以及海軍等軍事部門在神經科學領域已投入大量資金研發最新的神經技術。
但是，在基礎研究讓我們真正了解大腦的生物學原理之前，這些應用都缺乏堅實的基礎、難于發展。就好像一個國家如果不重視固體物理研究，不可能在國際上成為芯片和電腦技術創新的領軍人。所以，最重要的是對神經科學基礎研究提供長期穩定的資金支持。即使美國情報高級研究計劃署這樣以應用為目標的機構，目前也主要資助“大腦皮層網絡的機器智能”(MICrONS)的基礎研究【1】。該項目“旨在逆向大腦的運算法則，徹底改變機器學習”，并且“參與者將利用他們對大腦表征、轉換和學習規則的深入研究和理解，來創造能力更強的類腦機器學習算法。”這樣的規劃正是基于長遠的戰略考慮。
學科交叉推動新興的計算神經科學發展“類腦人工智能”至今最成功的例子，是“深度學習”【2】。“深度學習”植根于對大腦視覺系統的研究。視覺系統由很多“層”神經網絡組成(因此叫“深度網絡”)。神經信號經第一層處理后送至第二層，經第二層進一步處理后送至第三層，以此類推。層與層之間的網絡連接是通過學習訓練而形成的(故名“深度學習”)。深度學習系統在完成某些任務上(比如二維物體識別)已接近人的能力。然而目前這個理論還有相當大的局限。例如，深度網絡模型通常只有“前饋”連接(從第一層到第二層、第二層到第三層，等等)，而人腦的神經系統有很多“反饋”連接(從第三層回到第二層，等等)，比如視覺注意力就來自于從高級“控制”腦區到初級視覺腦區的反饋信號。訓練深度網絡的學習算法目前也十分有限，需要千萬張圖來訓練網絡。人們對視覺注意力、抉擇、學習等認知功能的大腦神經網絡機制的研究方興未艾。發展腦科學基礎研究，將促進“深度學習”等類腦智能技術的蓬勃發展。
計算神經科學是腦科學中新興的、跨領域的交叉學科【3，4】。它把實驗神經科學和理論研究聯系在一起，運用物理、數學以及工程學的概念和分析工具來研究大腦的功能。各種新實驗技術的快速發展，給我們帶來了海量數據。但指數增長的實驗數據，并不保證帶來指數增長的知識。就像物理學一樣，只有當理論的發展與實驗同步時，我們才能找到大腦運作的基本規律。因此側重于理論和模型的計算神經科學與實驗神經科學的互動，將會對認識大腦工作機制起到十分關鍵的作用。大腦是一個異常復雜的動力學系統，具有多種在不同時空層次上的反饋機制，定量分析和計算模型上深入解析是至關重要的。這也就是為什么理論和計算神經科學成為了美國的“腦計劃“中的七大優先研究方向之一:“嚴謹的理論，模型建造和統計分析，使我們對于復雜的，非線性的大腦功能有深入的了解，這是僅憑直覺無法做到的。為了推動理論和數據分析的發展，我們必須加強來自多學科的實驗科學家和理論科學家的合作，如統計學，物理學，數學，工程以及信息科學等。”【5】。
信息科學與現代神經科學真正結合起來，是一個很大的挑戰，計算神經科學是二者之間的橋梁，將在類腦計算、人工智能和腦機接口的發展中起關鍵作用。可以說，沒有世界一流的計算神經科學，就不可能有世界一流的類腦智能技術創新。反過來，機器學習(包括深度學習)能引進新的方法來處理腦科學數據，新的思路來模擬腦功能。因此，計算神經科學與信息科學應密切合作，對腦科學與類腦人工智能重大前沿問題進行聯合攻關。
應鼓勵更多的理工人才進入腦科學我們需要利用物理學、數學的方法研究上千億神經元組成的復雜結構及其非線性動態行為;需要用理論和數學模型從基因、到神經元、到神經網絡、到腦系統的多個層次來研究，以解釋認知功能;需要用新的信息科學的工具分析和解讀實驗中獲得的海量數據;需要用生物醫學工程的技術來制造腦機接口，使脊髓損傷和運動殘疾的病人能夠用腦電信號控制智能假肢。在這些方面，中國都具有很大的潛力優勢，而發展計算神經科學是關鍵。
計算神經科學在我國還相對薄弱，但我們擁有大批杰出的理工科人才，尤其是年輕人。他們若有機會進入腦科學，計算神經科學的快速發展便指日可待。這不僅會培養基礎研究的下一代領軍人，同時會帶出一大批類腦智能工程技術人才。舉一個最近的例子，倫敦大學學院的兩位計算神經科學博士后創辦的DeepMind公司，創業后不久后便被谷歌以4億美元(約25億人民幣)收購。近年來，谷歌、Facebook等公司極力招計算神經科學的畢業生，這種需求會越來越大。培養新一代計算神經科學家，可考慮幾種方式。在美國，斯隆基金會(SloanFoundation)與斯沃茨基金會(SwartzFoundation)從90年代中便開始建立理論神經科學中心，現在總共有11個斯隆-斯沃茨(Sloan-Swartz)中心，分布在各個大學。這些研究中心重點放在吸引培養有物理、數學或其他計算科學背景的研究生和博士后，幫助他們成功地轉入計算神經科學領域。迄今這些中心培養出的一百多名學者已在世界各地的著名學府擔任教授，使計算神經科學領域日趨成熟。中國應考慮建立幾個理論與計算神經科學中心。另外，各強勢大學應打破學科的界線，開本科和研究生的計算神經科學課，條件成熟后可建有關的專業。這不僅讓物理學和數學學科的青年人有機會學習神經科學，也讓實驗科學家有機會學習建模的數學知識。暑期學校是另一種有效的途徑。美國海洋生物實驗室從1988年起辦計算神經科學暑期學校，訓練了大批從數理化、工程、信息科學轉到腦科學的年輕人。我們在國內也于2010年起步創辦了計算和認知科學的暑期學校【6】，培養這方面的跨學科的年輕人才。還有，為了建立一個新的領域，必須有討論會以便于各領域的專家和學生定期集會、交流和開展合作，這對計算神經科學這樣的交叉學科尤為重要。因此，我們需要有條件舉辦定期的會議和暑期學校。
展望計算神經科學與類腦智能的未來“十三五”規劃，為我國發展這個新的交叉領域帶來了良機。我們的目標應該包括：第一，發展海量數據分析的方法，為處理腦數據(包括腦環路和聯結組學數據、高密度成像數據、大規模認知功能測量和腦疾病研究數據)服務。第二，發展理論和計算神經學，尤其是大尺度的認知(包括記憶、決策、語言)功能腦系統計算模擬、跨層次(分子，細胞，多尺度網絡，動態系統和行為)機制的分析。第三，發展行為實驗的測量方法，包括對腦疾病患者認知功能的定量測量及其標準化。第四，發展計算神經學與類腦人工智能的交叉研究和應用，包括深度學習算法、智能機器人等。第五，將人才從數理化、工程、信息科學吸引到神經科學來，培養受過良好定量訓練的新一代腦科學家。第六，建立專門支持跨科學研究的項目。第七，在海量數據共享、跨學科的研究和人才培訓等方面開展國際合作。這一切都需要改革資助經費和管理運行的方式，還需要我們支持跨單位、跨學科的協同創新。
大腦是宇宙中最復雜的系統之一，近年來研究技術的大突破為人類認識大腦開創了新紀元。但我們對腦功能、尤其高級認知功能的神經網絡機制的研究才剛剛起步，實驗神經科學必須與理論和計算神經學攜手共進。計算神經科學也是腦科學與人工智能兩個領域之間的必要橋梁，這些領域的互動和協同創新將極大推動未來的信息科技、腦科技以及下一代超級計算機的發展。
(作者為上海紐約大學副校長、紐約大學神經科學教授，原耶魯大學神經科學終身教授。)
來源：物聯中國
