神经科学的存在危机

O去下秋天的一个寒冷的晚上，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，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，是哈佛高性能计算中心的家园，计算机服务器正在持有珍贵的48 Tbery的数据。我在这个数据集中录制了13万亿号数字作为我的博士学位的一部分。实验，询问大脑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，尽管我的数据集听起来很庞大，但它只是整个大脑数据集的一小部分。它提出的问题是:当动物看不见东西时，视觉皮层的神经元会做什么?当从大脑其他区域输入到视觉皮层的信息被切断时，会发生什么?相比于神经科学的终极问题:大脑是如何工作的?

科学过程的本质是这样的，研究人员必须挑选小的，尖锐的问题。科学家就像餐馆里的食客:我们想尝遍菜单上的所有食物，但必须做出选择。所以我们选择了我们的领域和子领域，阅读了之前在这个领域做过的数百个实验，设计并执行我们自己的实验，希望这些答案能促进我们的理解。但如果我们不得不问一些小问题，那么我们如何开始理解整体呢?

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。

我现在在一条黑暗的道路上，对一个充满大数据和小理解的未来感到不安。

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。

我们如何可能会开始把握生成我们的头脑一直压着我，而器官的全部问题。像大多数的神经科学家，我已经培养出现两个互相冲突的想法：努力了解大脑和知道，很可能一个不可能完成的任务。我很好奇别人怎样容忍这种双重考虑，所以我找到了杰夫·利希特曼，在连接组学领域的领导者，并在哈佛大学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。

lIchtman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。仅一个老鼠大脑的完整接线图就需要两个EB。这意味着20亿GB；相比之下，所有书籍的数据足迹估计都不到100 TB，或老鼠大脑的0.005%。但利希特曼不是达恩特德。他决心绘制整个大脑，该死的超高的EB级存储。

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。

“我认为‘理解’这个词必须经历一个演变过程，”我们围坐在他的办公桌旁时，利希特曼说。“当我们说‘我懂一些东西’时，我们大多数人都知道自己的意思。这对我们来说是有意义的。我们可以把这个想法牢记在头脑中。我们可以用语言来解释。但如果我问‘你懂纽约市吗？’你可能会回答，‘你是什么意思？’有这么多的复杂性。如果你不懂纽约市，那就太复杂了并不是因为你无法获取数据。只是有太多的事情在同时发生。这就是人脑。它是在不同类型的细胞、神经调节剂、基因成分、外部事物之间同时发生的数百万件事情。你没有必要突然说，‘我现在明白了。’大脑，'就像你不会说的，'我现在得到了纽约市'。”

我们错误地认为没有什么是人类不能理解的，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。”

“为什么是说明对神经学家的unsexy概念？”

“生物学家经常被与他们产生共鸣的想法所吸引，”利希特曼说。也就是说，他们试图让世界服从他们的想法，而不是相反。“实际上，从世界是什么开始，然后让你的想法与之相一致，这要容易得多。”他说。与其采用假设检验方法，不如采用描述性的或假设生成的方法。否则，我们最终会追根究底。“在这个时代，丰富的信息是简单理解的敌人，”利希特曼说。

“怎么这么?”我问。

“让我这么说吧，”李奇曼说。“语言本身基本上是一个线性过程，一个想法引出下一个想法。但是如果你要描述的事情同时有上百万件事情发生，语言就不是合适的工具了。这就像了解股票市场一样。在股市上赚钱的最好方法可能不是通过理解经济的基本概念。而是通过了解如何利用这些数据来知道买什么和什么时候买。这可能与经济学无关，而是与数据以及如何使用数据有关。”

“也许人类大脑不具备理解自己，”我愿意。

利希特曼说：“也许这个想法有一个基本点：没有一台机器的输出比它自己更复杂。”。“汽车所做的与它的工程相比微不足道。人脑所做的与它的工程相比微不足道。这是一个巨大的讽刺。我们有一个错误的信念，宇宙中没有任何东西是人类无法理解的，因为我们有无限的智慧。但是如果我问你你的狗是否能理解某些东西，你会感到惊讶。”“嗯，我的狗的大脑很小。嗯，你的大脑只是稍微大一点，”他继续笑着说。“为什么突然间，你能理解一切？”

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吃了一个晚上，经过漫长的一天试图弄清楚我的数据，我遇到了一个短篇小说，豪尔斯路易斯博尔斯似乎捕捉了大脑映射问题的本质。在故事中，“在科学的主教中，”一个名叫Suarez Miranda的一个男人写了一位古代帝国，通过使用科学，完善了地图制作的艺术。虽然早期地图只不过是他们旨在代表的领土的原始讽刺，但新地图增长了更大，更大，每张版本都有更多细节。随着时间的推移，Borges写道，“制图艺术达到了这种完美的，即单一省的地图占据了一个城市的整个城市，以及帝国地图，整个省份。”仍然，人民渴望更详细。“及时，那些不合情理的地图不再满足，制动器公会击中了帝国的映射，其大小是帝国的大小，并与之恰逢点。”

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提醒了我认为，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在映射人脑的进步的秘诀是机器智能。与谷歌合作的Lichtman的团队正在使用深网络来注释脑切片的数百万图像的显微镜收集。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神经元的细微解剖特征和动态活动特征之间的关系——它们产生的电活动模式是连接组数据所缺乏的。在这一点上，连接组学受到了相当多的批评，主要是通过蠕虫的例子：神经系统科学家们已经有了这种蠕虫的完整接线图线虫已经有几十年的历史了，但仍不能完全理解300个神经元的生物;它的大脑连接如何与它的行为相关联仍然是一个活跃的研究领域。

尽管如此，结构和功能去手牵手在生物，所以它的合理预期1天神经学家就知道了神经元的形态如何具体促进活动概况。它不会是一个延伸想象一个映射的大脑可以动工到一个庞大的服务器的地方行动，创造了一些模拟类似于人的心灵。下一次飞跃构成中，我们通过数字化保存我们的头脑达到不朽的反乌托邦，或者机器使用我们的大脑布线做出消灭人类出的超智能机器。利希特曼没有招待科幻远出出主意，但他承认，这将具有相同的线路图作为人脑的网络将是可怕的。“我们不知道它是如何工作的，比我们了解有多深学习工作了，”他说。“现在，突然之间，我们已经不需要我们了机器。”

Y然而，一个熟练的深度神经网络仍然不能让我们对人类大脑有一个全面的了解。这一点在去年的计算与系统神经科学会议上让我明白了，这是一场神经科学领域的名人会议，在葡萄牙里斯本城外举行。在一家酒店的舞厅里，我听了40多岁的阿拉什·阿夫拉兹(Arash Afraz)的演讲。阿夫拉兹是马里兰州贝塞斯达(Bethesda)国家心理健康研究所(National Institute of Mental Health)的神经学家。他表示，神经元神经网络中的模型神经元之于真实神经元，就像简笔画之于人类，而且它们之间的连接方式也同样粗略。

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. 当大西洋的巨浪冲进下面的码头时，阿夫拉兹问观众我们是否还记得勒内·马格里特的塞西不是烟斗“画画，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域之间的经典关系图 - 一种具有v1，v2，唇，mt，hc，每个不同颜色的名称的混血箱，以及在随机地连接盒子的黑线更多的组合比似乎可能。与真正的大脑中的眩晕堆相比，DNN通常将不同的脑区域连接在一个简单的链中，从一个“层”到下一个“层”。尝试向Afraz解释一个严谨的解剖学家，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。

一个与人类大脑有着相同图表的网络将是可怕的。我们将拥有不再需要我们的机器。

一、 我也很好奇为什么DNN与真实大脑相比如此简单。难道我们不能通过让它们更忠实于真实大脑的结构来提高它们的性能吗？为了更好地理解这一点，我给牛津大学的计算神经学家安德鲁·萨克斯打了电话。萨克斯同意，让我们的戴尔更符合现实。“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?萨克斯说:“这些判断通常是基于直觉，而我们的直觉可能千差万别。”“许多神经科学家有一种强烈的直觉，那就是单个神经元是极其复杂的:它们有所有这些反向传播的动作电位，它们有独立的树突间隔，它们有所有这些不同的通道。所以单个神经元本身可能就是一个网络。把它画成一个校正过的线性单位(dnn中神经元的简单数学模型)，显然是遗漏了太多东西。

在2020年已经到来，我已经想了很多我从利希特曼，Afraz和萨克森和神经科学的圣杯了解到：了解大脑。我发现自己重新审视我的本科天，当我举行科学了与了解，是真正的目标的唯一方法（我也曾经认为科学家是超理性的，公平的众生paramountly感兴趣的真相，所以也许这正说明我是多么的幼稚是）。

现在对我来说很清楚，虽然科学涉及事实，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。

这很可能是里奇曼的大脑切片两个千兆兆字节，甚至我48个大鼠脑TB级的数据，将不通过任何个别人的心灵满足。或者说，至少没有人的心灵是要所有数据编排成怎样的人脑工作的全景照片。当我坐在我的办公桌，望着西下的夕阳色彩的天空万里无云光绯红，我的脑海里达到了色，如果机械的未来。机器我们已经内置了捕捉人类大脑的本质的皮质解剖功亏一篑之后架构的。但是他们有在大型数据集毫不费力就找到图案。也许有一天，随着他们的成长更有力的建筑更皮质解剖，他们将能够解释这些模式给我们，解决大脑的互连的拼图，创建图片我们可以理解。从我的窗口，麻雀鸣叫兴奋，不准备收工。

Grigori Guitchounts即将为他的神经科学博士学位进行辩护。你可以读一些关于他的48tb大鼠大脑数据在这里．

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。