工業技術研究院

「今日的人工智慧（Artificial Intelligence；AI）仍有不足之處，」哈佛大學神經科學家考克斯（David Cox）說。確實，從幾近完美的人臉辨識功能、到無人駕駛技術，再到擊敗世界圍棋冠軍的電腦，人工智慧迄今可謂戰功彪炳。甚至還有些人工智慧應用的程式也不再需要編程，因為它們能透過本身的架構不斷從經驗中自主學習。

然而，即便如此，考克斯指出，人工智慧還是有笨拙和不夠細膩的問題。「如果要開發一個小狗偵測應用，你得先給 AI 程式看好幾千張狗的圖片，以及好幾千張不是狗的圖片，」他舉例說道：「 但是，我女兒只要看過一隻狗就夠了。」而且之後還能輕鬆地認出所有小狗。此外，今天的人工智慧從數據提取出來的知識體系也禁不起考驗。譬如，只要在圖片中巧妙加入點額外的干擾因子 (即使是肉眼根本不會發現的細節)，電腦可能會把垃圾桶誤判為狗。在這種情況下，假使人臉辨識技術被當成智慧型手機的安全防護功能，就可能惹出大麻煩。

為了克服諸如此類的限制，考克斯與數十位神經科學家及機器學習專家在去年成立了「大腦皮質網絡機器智慧」（Machine Intelligence from Cortical Networks；MICrONS）計畫。計畫總經費達一億美元，目標是要進行大腦逆向工程。

MICrONS的構思者及發起人佛格斯坦（Jacob Vogelstein）稱，此計畫相當於是神經科學領域的「登月計畫」。創立伊始，他是美國情報機構旗下的研究部門 ─ 情報先進研究計畫局 （Intelligence Advanced Research Projects Agency；IARPA）的專案主管，現則服務於巴爾的摩市的Camden Partners創投公司。目前，MICrONS的研究人員正在努力描繪嚙齒類動物一小片大腦皮質區內的每個細節的功能與結構。

由於大腦的結構極其複雜，雖然這一小片皮質體積僅有一立方公釐（約一顆砂礫大小），但繪製所涉及的工作量卻不亞於阿波羅登月計畫。它所涵蓋的細節將比過去任何人所試圖描繪過的圖譜都大上數千倍，其中將包含約十萬個神經元，以及十億個神經突觸，神經脈衝便是靠突觸才能從一個神經元跳到下一個神經元。

這個計畫的萬丈雄心令許多神經科學家敬佩不已。「我覺得他們做的事很了不起，」來自布蘭迪斯大學（Brandeis University）的瑪爾德（Eve Marder）讚嘆道，她傾注整個學術生涯在研究體積更小的神經迴路上。在賓州大學從事大腦運算模型研究的柯爾丁 （Konrad Kording）則說：「這應該是當今神經科學學界中最令人振奮的消息之一了。」

研究的最終成果將是從計畫資料中所挖掘的有關腦神經的祕密 ─ 也就是佛格斯坦口中所稱「構成下一代人工智慧運算基礎」的原則。他說，今日人工智慧的類神經網絡（Neural Networks）是根據數十年前開發出來的運算架構所建，當時對大腦運作的概念還相當粗淺。從本質上來說，人工智慧系統透過數千個緊緊連結的「節點」（相當於大腦神經元）來傳遞訊息，整個系統還會不斷調整其連結的強度以加強效能。但在目前大部分的電腦類神經網絡中，訊號總是向下串聯，永遠只從一組節點傳遞到下一組節點。相較之下，真正的大腦則有各式各樣的回饋機制：每一束神經纖維會把訊號從一區傳向另一區，之後又有同樣或更多數量的神經纖維傳回訊號。但為什麼大腦是這樣運作呢？ 這些送回訊號的神經纖維就是讓大腦一次學會新知識並展現其他種種強大能力的關鍵嗎？除此以外，大腦還有別的秘密嗎？

普林斯頓大學神經科學家昇格（Sebastian Seung）是大腦圖譜繪製計畫中的關鍵人物，他認為，MICrONS 應該至少能幫人類解答其中一部分的問題。事實上，「要是沒有像這樣的計畫，我不認為我們有機會破解這些問題，」他表示。

放大聚焦

MICrONS共有三個團隊：一支由考克斯帶領、一支來自美國德州的萊斯大學（Rice University）與貝勒醫學院（Baylor College of Medicine）、另一支則來自卡內基美隆大學（Carnegie Mellon）。這三個團隊各自進行詳盡的研究：重建一立方公釐老鼠腦組織內的所有細胞、以及每個細胞之間的連結圖譜（即其「連接體」），並運用數據精確呈現出神經元受到刺激後再影響其他神經元的情況。

計畫的第一步從觀察老鼠腦部開始，辨識出在那一立方公釐的組織內實際運作的神經元。舉例來說，當活體實驗鼠接收到某些視覺刺激後，如：看到指向某方向的直線時，哪些神經元會立刻發出脈衝、哪些鄰近的神經元又會對此產生回應？

一直到十年前為止，收集這一類的數據幾乎難如登天。佛格斯坦說：「過去不曾有過可以辦得到的工具。」雖然研究人員能夠把超細導線植入活體的腦內來記錄個別神經元的電流活動，但由於神經元細胞彼此之間排列得太過緊密，所以無法同時紀錄幾十個神經元的活動。儘管研究人員也能運用磁振造影來做出人類及其他動物大腦神經活動的整體成像，卻無法以同樣的方式監測個別神經元的運作過程：因為核磁共振影像的空間解析度最高僅有一公釐。

但是，一項新技術的出現為神經元研究帶來曙光，此技術能讓活體大腦內被激發的神經元發亮。為了讓神經元發出亮光，科學家通常會在神經元內注入螢光蛋白。因為當神經元被激發後，鈣離子會湧入細胞內，而螢光蛋白便能與鈣離子作用，進而令細胞發出閃光。螢光蛋白物質可經由良性病毒注射到齧齒類動物的腦中，或直接透過基因編碼植入神經元的基因體內。觸發細胞發光的方法有好幾種，但其中最有效的一種應是透過老鼠頭骨上的開口，利用兩束雷射光將紅外線打到老鼠腦上。紅外線的頻率能讓光子在不損傷大腦的情況下，先穿透相對不透明的神經組織，再被螢光蛋白吸收。最後，這些蛋白質就會吸收來自兩束紅外線光子的能量，並釋出一個在普通的顯微鏡下即可看到的可見光子。當實驗鼠看到特定事物或進行某種動作時，這種光子就能在顯微鏡下被觀察到。

貝勒團隊負責人之一的托利亞斯（Andreas Tolias）稱此為「革命性的技術」，他表示，因為「你可以一個個記錄神經元，就算神經元彼此緊密相鄰，也不成問題。」

考克斯實驗室的團隊在繪製完神經活動後會殺死老鼠，並在其腦中注入重金屬鋨。然後，一個由哈佛大學生物學家利區曼（Jeff Lichtman）主導的團隊便會將大腦切片，再觀察神經元是如何組織和連接的。

這個過程全都始於位在地下實驗室中的一台儀器。在那台貌似臘腸切片機的機器上，有塊小金屬片不斷升起和降下，有條不紊地削下看來像是琥珀色蠟筆的前緣，再將切下來的薄片黏附於由塑膠片做成的傳送帶上。但是，不同之處在於，被削切的「臘腸」其實是一條包裹和支撐著脆弱腦組織的硬樹脂管，而上下移動的小金屬片則配有無比鋒利的鑽石刀片，切下的切片厚度僅僅30奈米。

接下來，在角落的另一間實驗室裡，帶有幾個腦組織切片的膠片被擺放在矽晶片上，並送入看似工業冰箱的機器裡。那台機器其實是一台電子顯微鏡，它會運用61個電子束同時掃描61個切片，解析度高達4奈米。

每個矽晶片的掃瞄時間約為26個小時。同時，顯微鏡旁的顯示器呈現圖像掃描的結果，建構出令人嘖嘖稱奇的腦組織細節 ─ 細胞膜、粒線體，以及聚集在突觸周圍滿是神經傳導物質的囊泡。整個過程就像是在碎形圖片上聚焦放大：放得越大，就能看到越多細節，複雜度也越高。

切片還不是最終的結果。當一張張掃描圖從顯微鏡湧流而出之際 ─「就像在製作一部電影一樣，隨著每個切片的出爐，劇情一步步向下發展，」利區曼說道。這些圖像便被轉發給由哈佛大學電腦科學家普菲斯特（Hanspeter Pfister）帶領的團隊。普菲斯特表示：「拿到那些圖像後，我們的任務是要盡可能從中擷取出更多資訊。」

這意味著他們得利用大量的 2D 切片圖來重建 3D 的神經元，包括其細胞的胞器（organelle）、突觸和其他種種特徵。普菲斯特說，雖然神經元可以用紙跟筆人工繪製，但那過程會慢得離譜。因此，他和他的同事訓練類神經網絡來追蹤和描繪真實的神經元。「效果比我們以前使用過的任何方法都好得多，」他指出。

每個神經元無論大小，都會向外伸展出如卷鬚的樹突。每個神經元還有一條單一細長的管狀突起，稱為軸突（axon）。軸突負責神經脈衝的遠距離傳遞，可以跨越整個腦部傳導訊號、最遠甚至可傳到脊髓。但是，透過 MICrONS 計畫繪製一立方公釐大腦組織的努力，研究人員可以從頭到尾追查大部分軸突的動態，進而觀察到完整的神經迴路。普菲斯特說：「我覺得我們能挖出新東西，可能是我們從未想過的結構，或是對於神經連結的全新觀點。」

預測的力量

MICrONS 團隊希望能開始回答這些問題：大腦的演算法是什麼？ 這些神經迴路實際上如何運作？ 還有一個特別亟待解答的問題是：那些回饋究竟有何作用？

現在的許多人工智慧應用都缺乏回饋機制。在大部分的類神經網絡中，電子訊號是從上層的節點逐層往下方節點傳遞，但通常都不會反向回傳。（別被「倒傳遞（backpropagation）」一詞誤導了，那只是訓練類神經網絡的一種方法。）當然，單向傳播也絕對不是硬性規定，例如，「遞迴式」類神經網路（Recurrent Neural Network）便確實具有向後傳遞的連接，使其能夠處理會隨時間變化的輸入訊息，但沒有一個遞迴式類神經網絡的回饋機制能接近大腦的規模。卡內基美隆大學的李泰興（Tai Sing Lee，音譯）博士便指出，在科學家已深入研究的大腦視覺皮質部位裡，「只有5%到10%的突觸接收來自眼睛的視覺訊號」，其餘的則都在監聽來自腦部更高層級節點的回饋。

考克斯說，有關神經回饋的理論目前大致分為兩類，「其中一派認為大腦不斷嘗試預測輸入的訊號。」舉例來說，當感覺皮質正在處理電影的某一幕時，更高層的腦組織會試著預測下一幕的情節，並透過回饋纖維把它們認為最好的推測結果回應給感覺皮質。這是大腦因應快速變化環境的唯一管道。

「神經元的動作真的很慢，」考克斯表示：「從光線打到視網膜開始、到傳遞至有意識的感知層，完成其中所有過程的時間足足要170 到200 毫秒。在這段時間內，小威廉斯（Serena Williams） 的發球都能飛九公尺遠了。」所以，能夠接到網球天后凌厲發球攻勢的人，都必須在揮拍前先做預測。

而且，如果你時時刻刻都在試著預測未來，考克斯補充道：「那麼，當真實的未來到來時，你就能根據實際狀況調整，好在下次做出更精準的預測。」

這恰巧與另一派有關神經回饋的理論不謀而合：大腦能利用回饋的連結來指導學習。的確，電腦的模擬顯示，當任一系統面臨非改進不可的處境時，就能建立起關於真實世界更好的模型。例如，考克斯說，「當一個人轉身時，你必須判斷會出現怎麼樣的一張臉。」

他指出，這說不定是解開人類能「一次學會」之謎的關鍵。「當我女兒第一次看到狗的時候，」考克斯進一步解釋：「她不必先了解影子如何運作、或光線怎麼從平面上反射。」因為她已經在生活中累積了關於這些事情的大量經驗。「所以，當她碰到『那是隻狗』的事情時，她就能把新資訊加到已有的豐富知識庫裡。」

假使這些有關大腦回饋機制的想法無誤，就將展現在 MICrONS 計畫為大腦結構和功能繪製的詳細圖譜中。該圖譜應可呈現出神經迴路運用哪些方法來預測與學習，最終，人工智慧應用便可模仿這些過程。

但即便如此，距離解答所有與大腦相關的問題，我們還有很長的一段路要走。光是了解神經迴路還不夠，因為細胞之間的溝通不全然透過突觸，其中有一部分的訊號會經由賀爾蒙和游離在神經元之間的神經傳導物質來傳遞。另外，研究的規模也是個問題。儘管 MICrONS 已向前邁進一大步，但它畢竟是為了解決與運算相關的問題、只研究一小塊大腦皮質組織，而皮質又僅是大腦表面薄薄的一層組織而已。真正關鍵的指揮和控制中心則埋藏在視丘和基底核等深層的腦部結構裡。

好消息是，MICrONS 已經先舖好了路，讓科學家有機會在未來描繪出更大規模的大腦圖譜。

佛格斯坦指出，計畫的1億美元經費大多用於開發資料收集的技術上，以後的計畫不必再另行開發。與此同時，MICrONS 團隊也在研發效率更高的掃描技術，其中也包含一種不需要切片的方法。哈佛大學、麻省理工學院和冷泉港實驗室（Cold Spring Harbor Laboratory）已聯手開發出新的「條碼」技術，能夠為每個神經元打上獨一無二的標記，再運用特殊的凝膠慢慢浸潤這些細胞，使其達到飽和、變得比原來大數十倍或數百倍，從而更仔細地觀察它們。

「所以，雖然我們費盡千辛萬苦才收集到第一個立方公釐的資料，」佛格斯坦表示：「但從第二個開始就能輕鬆許多。」


本文作者沃德羅普是自由作家，現居於美國華盛頓特區。他著有《 複雜：走在秩序與混沌邊緣》( Complexity: The Emerging Science at the Edge of Order and Chaos) 和《夢機器》 (The Dream Machine) 兩書，過去曾任《自然》(Nature) 雜誌編輯。