O.去下秋天的一个寒冷的夜晚，我在哈佛大校园郊区的办公室里盯着落地窗。作为紫红色的阳光套装，我坐在老鼠大脑上沉思我的数据集。我想到了波士顿市中心的寒冷无窗口，是哈佛大学的高性能计算中心的家园，计算机服务器持有珍贵的48 Tberys的数据。我作为我的博士学位的一部分录制了这个数据集中的13万亿号数字。实验，询问大鼠的视觉部分如何应对运动。
如果把数据印在纸上，它将会有1160亿页，双倍行距。当我最近写完关于我的数据的故事时，这部巨著还不到二十多页纸。结果证明，进行实验是比较容易的部分。去年一年，我都在苦苦思索这些数据，观察并提出问题。答案遗漏了与问题无关的大块内容，就像地图遗漏了领土的无关细节一样。
但是，像我的数据集声音一样大量，它只是从整个大脑中取出的一个小块的数据集。并且当动物看不到时，它在视觉皮质中询问的问题 -与其他大脑区域的视觉皮质输入的输入发生在其他脑区的情况下发生了什么？ - 与神经科学的最终问题相比，大脑如何工作？
科学过程的性质使得研究人员必须挑选小，尖锐的问题。科学家们就像餐馆的食客一样：我们很乐意在菜单上尝试一切，但必须做出选择。因此，我们选择了我们的领域，并读取了对象，设计和执行自己的实验的数百个实验，并希望答案推进我们的理解。但如果我们要问小问题，那么我们如何开始了解整体？
神经科学家在理解大脑结构和大脑功能方面取得了相当大的进展。我们可以识别大脑中哪些区域对环境做出反应，激活我们的感官，产生动作和情绪。但我们不知道大脑的不同部分是如何相互作用和依赖的。我们不明白它们的相互作用是如何影响行为、感知或记忆的。科技让我们很容易收集到庞大的数据集，但我不确定对大脑的理解是否与数据集的规模同步。
我现在在一个黑暗的道路上，未来未来充满了大数据和小的理解。
然而，一些认真的努力正在进行，以绘制完整的大脑地图。一种被称为连接组学的方法，努力绘制出大脑神经元之间的全部连接。原则上，一个完整的连接体将包含所有必要的信息，为建立对大脑的全面理解提供一个坚实的基础。我们可以看到大脑的每个部分是什么，它是如何支持整体的，以及它应该如何与其他部分和环境互动。我们可以把我们的大脑放在任何假设的情况下，并对它的反应有很好的感觉。
我们如何开始理解产生我们思想的整个器官，这个问题已经困扰了我一段时间。像大多数神经科学家一样，我不得不培养两种相互冲突的想法:努力理解大脑，同时知道这可能是一项不可能完成的任务。我很好奇其他人是如何容忍这种双重想法的，于是我找到了杰夫•利希特曼(Jeff Lichtman)，他是连接组学领域的领军人物，也是哈佛大学(Harvard)的分子和细胞生物学教授。
李奇曼的实验室正好在我的实验室的走廊尽头，所以在最近的一个下午，我漫步到他的办公室，询问他关于连接组学这一新兴领域的情况，以及他是否认为我们会对大脑有一个全面的了解。他的回答——“不”——并没有让我安心，但我们的谈话是一种启示，让我明白了一直困扰着我的问题。我如何理解庞大的数据量?科学的终结和个人的诠释从何而起?人类甚至有能力将今天的大量信息编织成一个整体画面吗?我现在在一条黑暗的道路上，质疑人类理解的极限，对一个充满大数据和小理解的未来感到不安。
L.Ichtman喜欢先开枪，然后再问问题。这位68岁的神经学家选择的武器是61束电子显微镜，李奇曼的研究小组用它来观察脑组织中最微小的细节。神经元在大脑中的排列方式会让罐头沙丁鱼看起来像是高度进化的个人空间感。为了理解这些图像，以及大脑在做什么，神经元的各个部分必须在三维空间中进行注释，结果就是一个接线图。在整个大脑的范围内，这一努力构成了一个完整的接线图，或连接体。
为了捕捉这个图表，Lichtman使用了一台只能被描述为高级熟食切片机的机器。这台机器将脑组织切成30纳米厚的部分，然后粘贴到胶带传送带上。胶带放在硅片上，然后进入Lichtman的电子显微镜，在那里，数十亿电子冲击大脑切片，产生图像，显示纳米级的神经元、它们的轴突、树突和它们交换信息的突触。这些彩色图像是一幅美丽的景象，它唤起了一个奇妙的想法:大脑如何创造记忆、思想、感知、感觉——意识本身——的奥秘，一定隐藏在神经连接的迷宫中。
一个完整的人类连接体将是一项巨大的技术成就。一个完整的老鼠大脑接线图需要2艾字节。那是20亿兆字节;相比之下，所有写过的书的数据占用估计不到100tb，也就是老鼠大脑的0.005%。但李奇曼并不气馁。他决心要绘制整个大脑的地图，那太大的埃克字节大小的存储就见鬼去吧。
李奇曼的办公室很宽敞，从地板到天花板的窗户可以俯瞰一条绿树成荫的走道和一座古老的圆形建筑，在神经科学还没有成为一个领域的时候，这里曾是回旋加速器的所在地。他穿着一件深黑色的毛衣，与他的银发和橄榄色皮肤形成了鲜明的对比。当我问他一个完整的连接体是否能让我们对大脑有一个全面的了解时，他毫不犹豫地回答。我觉得他自己对这个问题想了很多。
李奇曼说:“我认为‘理解’这个词必须经过一个演变。”“当我们说‘我明白一些事情’时，大多数人都知道自己在说什么。这对我们来说是有意义的。我们可以把这个想法记在脑子里。我们可以用语言来解释。但如果我问，‘你了解纽约吗?’你可能会回答:‘你是什么意思?这一切都很复杂。如果你无法理解纽约，并不是因为你无法获取数据。只是同时发生了很多事。这就是人类的大脑。它是数以百万计的事情同时发生在不同类型的细胞中，神经调节器，遗传成分，来自外部的东西。当你突然说‘我现在理解了大脑’，就像你不会说‘我现在理解了纽约’一样，这是没有意义的。’”
我们有这种虚假的信念，没有任何人无法理解，因为我们有无限的智慧。
“但我们了解大脑的某些特定方面，”我说。“难道我们不能把这些方面放在一起，得到一个更全面的理解吗?”
“我想我会撤退到另一个滩头阵地，那就是，‘我们能描述一下大脑吗?’”李奇曼说。“关于大脑的物理性质，有许多我们不知道的基本问题。但是我们可以学着去描述它们。很多人认为“描述”在科学中是一种贬义。但这就是哈勃望远镜的作用。这就是基因组学所做的。它们描述了那里的实际情况。然后你就可以据此提出你的假设了。”
“为什么描述对神经科学家来说是一个乏味的概念?”
“生物学家经常被与他们产生共鸣的想法所引诱，”Lichtman说。也就是说，他们试图让世界顺从他们的想法，而不是让世界顺从他们的想法。他说:“从这个世界开始，然后让你的想法与它相一致，实际上，这要容易得多。”与其采用假设检验方法，不如采用描述性方法或假设生成方法。否则我们就只能自讨苦吃了。李奇曼说:“在这个时代，信息的丰富是简单理解的敌人。”
“怎么这么?”我问。
“让我这样说，”Lichtman说。“语言本身是一个从根本上线性的过程，其中一个想法导致下一个。但是，如果你试图描述的事情有一百万的事情发生同时发生，语言不是正确的工具。这就像了解股市。在股票市场上赚钱的最佳方式可能不是了解经济的基本概念。这是通过了解如何利用这些数据来了解购买什么以及何时购买它。这可能与经济学无关，但有数据以及如何使用数据。“
“也许人类的大脑还没有准备好去了解自己，”我提出。
Lichtman说:“也许这个想法有一些基本的东西:没有机器能产生比它自己更复杂的输出。”“一辆汽车的功能与它的工程技术相比微不足道。人脑所做的事情与它的工程学相比微不足道。这是最大的讽刺。我们错误地认为宇宙中没有什么是人类无法理解的，因为我们有无限的智慧。但如果我问你，你的狗是否能理解一些东西，你会说，‘我的狗的大脑很小。“好吧，你的脑子只大了一点点，”他笑着继续说。“为什么你突然什么都懂了?”
李奇曼是否被连接体可能达到的效果所吓倒?他是否将自己的努力视为西西弗斯的努力?
“恰恰相反，”他说。“我原以为在这一点上我们不会走得太远。现在，我们正在研究人类大脑的皮层板，那里的每个突触都是自动识别的，每个神经细胞的每个连接都是可识别的。这是惊人的。说我理解就太荒谬了。但这是一个非凡的数据。她还很漂亮。从技术角度来看，你真的可以看到细胞是如何连接在一起的。我认为这是不可能的。”
李奇曼强调，他的工作不仅仅是对大脑的全面描绘。“如果你想知道神经元和行为之间的关系，你必须有接线图，”他说。病理学也是如此。有很多不治之症，比如精神分裂症，都没有与大脑相关的生物标志物。它们可能与大脑线路有关，但我们不知道哪里出了问题。我们没有他们的医学模型。我们没有病理学。因此，除了关于大脑和意识如何工作的基本问题，我们还可以回答诸如，精神障碍从何而来?这些人怎么了?为什么他们的大脑运作方式如此不同? Those are perhaps the most important questions to human beings.”
L.一天晚上，在经过漫长的一天试图弄清楚我的数据之后，我偶然看到了乔治·路易斯·博尔赫斯的一篇短篇小说，它似乎抓住了大脑映射问题的本质。在名为《论科学的准确性》(On accurate In Science)的故事中，一个名叫苏亚雷斯·米兰达(Suarez Miranda)的人写道，一个古老的帝国通过科学的运用，完善了地图制作的艺术。早期的地图只不过是对他们想要代表的领土的粗糙漫画，而新的地图变得越来越大，在每个版本中填充了越来越多的细节。随着时间的推移，博尔赫斯写道，“制图艺术达到了如此完美的地步，一个省的地图占据了整个城市，而帝国的地图则占据了整个省。”尽管如此，人们还是渴望更多的细节。随着时间的推移，那些不合情理的地图不再令人满意，制图师协会绘制出了一幅帝国地图，它的大小与帝国的大小相当，而且地图与帝国的大小一致。
博尔赫斯的故事让我想起了李奇曼的观点:人类的大脑可能过于复杂，无法通俗地理解，而描述它可能是一个更好的目标。尽管如此，这个想法还是让我感到不舒服。很像讲故事，甚至是大脑中的信息处理，描述必须省略一些细节。为了传达相关信息，描述者必须知道哪些细节是重要的，哪些是不重要的。要知道哪些细节是不相关的，需要对你所描述的东西有一些了解。我的大脑，无论多么复杂，是否能够理解老鼠大脑中的两个艾萨克字节?
Borges Story提醒我认为，人类可能太复杂地是太复杂的人。
人类在这场战斗中有一个关键武器。机器学习一直是大脑映射的福音，这种自我强化的关系有望改变整个努力。在过去的十年里，深度学习算法(也被称为深度神经网络，简称dnn)使机器能够完成以前认为计算机不可能完成的认知任务——不仅是物体识别，还包括文本转录和翻译，或者下围棋或象棋等游戏。dnn是一种数学模型，它将近似真实神经元的简单功能链串在一起。这些算法的灵感直接来自哺乳动物皮层的生理学和解剖学，但它们是基于20世纪60年代收集的数据，对真实大脑的粗略近似。然而，它们已经超越了人们对机器能力的预期。
Lichtman通过映射人脑进行进展的秘诀是机器智能。与谷歌合作的Lichtman的团队正在使用深度网络向脑切片的数百万图像注释它们的显微镜收集。来自电子显微镜的每次扫描都只是一组像素。Human eyes easily recognize the boundaries of each blob in the image (a neuron’s soma, axon, or dendrite, in addition to everything else in the brain), and with some effort can tell where a particular bit from one slice appears on the next slice. This kind of labeling and reconstruction is necessary to make sense of the vast datasets in connectomics, and have traditionally required armies of undergraduate students or citizen scientists to manually annotate all chunks. DNNs trained on image recognition are now doing the heavy lifting automatically, turning a job that took months or years into one that’s complete in a matter of hours or days. Recently, Google identified each neuron, axon, dendrite, and dendritic spike—and every synapse—in slices of the human cerebral cortex. “It’s unbelievable,” Lichtman said.
科学家们仍然需要了解这些细微的解剖学特征和神经元的动态活动特征之间的关系——神经元产生的电活动模式——这是连接体数据所缺乏的。在这一点上，连接组学受到了相当大的批评，主要是通过蠕虫的例子:神经科学家已经有了蠕虫的完整接线图秀丽隐杆线虫现在几十年来，但是可以让他们整体上不了解300神经元生物;它的大脑连接如何与其行为有关仍然是一个活跃的研究领域。
尽管如此，在生物学中，结构和功能是密切相关的，所以有理由期待有一天神经科学家会知道特定的神经元形态是如何影响活动的。不难想象，一个映射的大脑可以在某个地方的大型服务器上启动，创建一个类似于人类思维的模拟。下一个飞跃构成了反乌托邦，我们通过数字化保存我们的思想而获得永生，或者机器利用我们的大脑线路制造超级智能机器，消灭人类。李奇曼并没有考虑科幻小说中那些遥远的想法，但他承认，拥有与人类大脑相同接线图的网络将是可怕的。“我们不会理解它是如何工作的，就像我们不会理解深度学习是如何工作一样，”他说。“现在，突然之间，我们有了不再需要我们的机器。”
yET掌握深度的神经网络仍然没有给我们对人类大脑的整体理解。这一点去年在一个计算和系统神经科学会议上驾驶着我，曾在葡萄牙里斯本以外的神经科学的人员会议。在酒店的宴会厅，我在马里兰州贝塞斯达国家心理健康研究所的一个40英寸神经科学家的Arash Afraz讲话。他建议，DNNS中的模型神经元是真正的神经元，以及他们所连接的方式，它们的连接方式与粗略相同。
阿夫拉兹身材矮小，留着黑色的马蹄形胡子，秃顶的头顶部分被细细的马尾辫盖住，让人想起《老友记》中的马修·麦康纳(Matthew McConaughey)真正的侦探．当大西洋的巨浪撞击着下面的码头时，阿夫拉兹问观众是否还记得René马格利特的Ceci n'est Pas Une管道“绘画描绘了一个带有标题的管道。Afraz指出，DNN中的模型神经元不是真正的神经元，其中的连接也不是真实的。他展示了通过在猴子的实验工作中发现的脑区之间的互连的经典图 - 一个框架的盒子，如v1，v2，唇，mt，hc，每个不同的颜色和黑线在随机地连接盒子比似乎可能的组合更多。与真正的大脑中的眩晕堆相比，DNN通常在一个简单的链中连接不同的脑区域，从一个“层”到下一个“层”。尝试将这一点解释为严谨的解剖学家，因为他闪过一个震惊的小猩猩暨解剖学家的模因。“我试过，相信我，”他说。
具有相同图表的网络随着人类大脑将是可怕的。我们有机器不再需要我们了。
我也很好奇，为什么dnn与真正的大脑相比如此简单。难道我们不能通过让他们更忠实于真实大脑的结构来提高他们的表现吗?为了更好地理解这一点，我打电话给牛津大学的计算神经科学家安德鲁·萨克斯(Andrew Saxe)。萨克斯同意，这可能是有益的，使我们的模型更真实的现实。“这一直是脑科学的挑战:我们只是不知道细节的重要程度是什么，”他通过Skype告诉我。
我们如何做出这些决定？“这些判断往往基于直觉，我们的直觉可能会疯狂地变化，”Saxe说。“许多神经科学家的强烈直觉是个体神经元都是精致的复杂：它们具有所有这些背传播的动作潜力，它们具有独立的树突间隔，它们在那里拥有所有这些不同的渠道。因此，单个神经元甚至可能是网络。漫画是作为纠正的线性单元“ - DNNS中的神经元的简单数学模型显然会错过这么多。”
随着2020年的到来，我思考了很多我从Lichtman、Afraz和Saxe身上学到的东西，以及神经科学的圣杯:理解大脑。我发现自己重新回到了我的本科时代，那时我把科学作为唯一的方法来了解那是真正客观的(我也曾经认为科学家是高度理性的，对真理最感兴趣的公平的人——所以也许这只是表明我是多么天真)。
现在对我来说很清楚，虽然科学处理事实，这一崇高努力的关键部分是对事实感了清。即使在实验开始之前，也通过解释性镜头筛选真相。具有我们所有怪癖和偏见的人类，选择首先进行的实验，以及如何做到。在收集数据后，解释继续，科学家必须弄清楚数据意味着什么。所以，是的，科学收集了世界的事实，但这是人类描述它并试图了解它。所有这些过程都需要通过个人筛子过滤原始数据，由我们时代的语言和文化雕刻。
看来，Lichtman的两艾萨克字节的大脑切片，甚至是我的48tb大鼠大脑数据，都不可能适用于任何一个人的大脑。或者，至少没有人的大脑会将所有这些数据整合成人类大脑工作方式的全景图。当我坐在办公桌前，看着落日将万里无云的天空染成浅红色时，我的脑海里浮现出一幅彩色的未来图景。我们制造的机器——那些按照皮层结构设计的机器——无法捕捉到人类大脑的本质。但他们在大型数据集中找到模式并不困难。也许有一天，随着他们在更多的皮层解剖结构上变得更强大，他们将能够向我们解释那些模式，解决大脑相互连接的谜题，创造出一幅我们理解的画面。窗外，麻雀兴奋地叫着，还没准备好收工呢。
Grigori Guitchounts是一位神经科学家。你可以读一些关于他的48tb在这里大鼠脑数据．
先导图像:树突(红色)——神经元的分支过程——和接受突触信息的突出的棘突，以及老鼠皮层的饱和重建(多色圆柱体)。哈佛大学Lichtman实验室提供。
本文首先在2020年1月在我们的“地图”问题中出现在线。
