O（运行） 去年秋天的一个寒冷的夜晚，我在哈佛大学校园郊外的办公室里，从落地窗到天花板，凝视着虚无。 当紫色的太阳落山时，我坐在那里沉思着我关于老鼠大脑的数据集。 我想到了波士顿市中心的冰冷无窗房间，那里是哈佛高性能计算中心的所在地，电脑服务器保存着我珍贵的48 TB数据。 作为我博士实验的一部分，我在这个数据集中记录了13万亿个数字，询问老鼠大脑的视觉部分对运动的反应。
打印在纸上的数据集将占据1160亿页，两倍行距。 当我最近写完我的数据故事时，这部巨著的印刷页还不到24页。 进行实验被证明是最容易的部分。 去年，我一直在苦苦思索数据，观察和提问。 答案遗漏了与问题无关的大块内容，就像地图遗漏了与领域无关的细节一样。
但是，尽管我的数据集听起来很庞大，但它只代表了整个大脑中数据集的一小部分。 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？ 当来自其他大脑区域的视觉皮层输入被关闭时会发生什么- 与神经科学的终极问题：大脑是如何工作的？
生活色彩： 这张电子显微镜下的小鼠皮层切片图像显示了不同神经元的颜色标记，这只是一个开始。 哈佛大学的杰夫·利希特曼（Jeff Lichtman）说：“我们正在研究人脑的皮层板，在那里每个突触和每个神经细胞的每个连接都是可以识别的。”。 “太棒了。” 由哈佛大学利希特曼实验室提供 科学过程的本质是这样的，研究人员必须选择一些小而尖锐的问题。 科学家就像餐厅里的食客：我们很想尝试菜单上的所有东西，但必须做出选择。 因此，我们选择了我们的领域和子领域，阅读了之前在这个主题上所做的数百个实验，设计并执行我们自己的实验，并希望答案能促进我们的理解。 但是，如果我们必须问一些小问题，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对环境做出反应的区域，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相互依赖的。 我们不了解他们的互动如何影响行为、感知或记忆。 技术让我们很容易收集到庞大的数据集，但我不确定大脑是否与数据集的大小保持同步。
我现在正走在一条黑暗的道路上，对充满大数据和小理解的未来感到不安。
然而，目前正在进行一些认真的努力，以全面绘制大脑地图。 一种叫做连接组学的方法致力于绘制大脑中神经元之间连接的整体图。 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相互作用。 我们能够将我们的大脑置于任何假设的情况下，并对它的反应有很好的感觉。
一段时间以来，关于我们如何开始掌握产生我们大脑的器官的整体的问题一直困扰着我。 像大多数神经科学家一样，我必须培养两个相互冲突的想法：努力理解大脑，并且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思维的，所以我找到了Jeff Lichtman，他是连接组学领域的领导者，也是哈佛大学的分子和细胞生物学教授。
利希特曼的实验室碰巧就在我的实验室的楼下，所以在最近的一个下午，我漫步到他的办公室，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”——并不令人放心，但我们的对话是一个启示，揭示了一直困扰着我的问题。我如何理解海量数据？ 科学在哪里结束，个人解读从哪里开始？ 人类甚至有能力将当今的大量信息编织成一幅整体画面吗？ 我现在走在一条黑暗的道路上，质疑人类理解的极限，对充满大数据和小理解的未来感到不安。
我 艾奇曼喜欢先开枪，然后再提问。 这位68岁的神经科学家选择的武器是一台61束电子显微镜，利希特曼的团队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装沙丁鱼看起来有高度进化的个人空间感。 为了理解这些图像，进而理解大脑正在做的事情，神经元的各个部分必须被三维标注，其结果是一个接线图。 在整个大脑的范围内完成，这一努力就构成了一个完整的接线图或连接体。
为了捕捉这张图，利希特曼使用了一台只能被描述为高档熟食切片机的机器。 该机器将脑组织切割成30纳米厚的部分，然后将其粘贴到胶带传送带上。 磁带放在硅片上，进入利希特曼的电子显微镜，数十亿电子冲击大脑切片，生成图像，揭示神经元、轴突、树突和突触的纳米级特征，神经元通过这些特征交换信息。 彩色图像是一幅美丽的景象，它唤起了一种奇妙的想法：大脑如何创造记忆、思想、感知和感觉的奥秘——意识本身必须隐藏在这个错综复杂的神经联系中。
地图制作者： 杰夫·利希特曼（Jeff Lichtman）（上图）是脑图绘制领域的领导者，他表示，“理解”一词在涉及人脑时必须经历一场革命。 “当你突然说，‘我现在理解大脑了’，就像你不会说，‘现在我得到纽约市了。’” 由哈佛大学利希特曼实验室提供 一个完整的人类连接体将是一项巨大的技术成就。 一个完整的鼠标大脑接线图就需要2 EB。 这是20亿GB； 相比之下，所有书籍的数据足迹估计值都不到100兆字节，即老鼠大脑的0.005%。 但利希特曼并不气馁。 他决心绘制整个大脑的地图，过高的exabyte-scale存储将被诅咒。
利希特曼的办公室是一个宽敞的地方，从地面到天花板都有窗户，可以俯瞰一条绿树成荫的走道，还有一座古老的圆形建筑，在神经科学还没有作为一个领域存在的时候，这座建筑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鲜明对比。 当我问一个完整的连接体是否能让我们充分了解大脑时，他没有停下来回答。 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，”利希特曼说，当时我们坐在他的办公桌旁。 “当我们说‘我明白了’时，我们大多数人都知道我们的意思。这对我们来说很有意义。我们可以把这个想法牢记在脑海中。我们可以用语言来解释它。但是如果我问‘你明白纽约市吗？’你可能会回答‘你的意思是什么？’？ “这一切都很复杂。 如果你不了解纽约市，那不是因为你无法访问数据。 只是在同一时间发生了太多事情。 这就是人类大脑。它是数百万件事情同时发生在不同类型的细胞、神经调节剂、遗传成分和外部事物之间。 当你突然说，‘我现在了解了大脑’，就像你不会说，‘我现在了解了纽约市’一样，这是没有意义的。”
我们错误地认为，没有什么是人类无法理解的，因为我们拥有无限的智慧。
“但我们了解大脑的特定方面，”我说。 “我们不能把这些方面结合起来，获得更全面的理解吗？”
利希特曼说：“我想我会退到另一个滩头阵地，那就是‘我们能描述大脑吗？’”。 “关于大脑的物理本质，有各种各样的基本问题我们都不知道。但我们可以学习描述它们。很多人认为“描述”在科学上是贬义的。但哈勃望远镜就是这样做的。这就是基因组学的作用。它们描述了实际存在的东西。然后你可以从中归纳出 验证你的假设。”
“为什么描述对神经科学家来说是一个不性感的概念？”
利希特曼说：“生物学家经常被与他们产生共鸣的想法所吸引。”。 也就是说，他们试图让世界服从于他们的想法，而不是相反。 他说：“实际上，从世界开始，然后让你的想法与之相一致，这要容易得多。”。 与其采用假设测试方法，不如采用描述性或假设生成方法。 否则我们最终会追赶自己的尾巴。 利希特曼说：“在这个时代，丰富的信息是理解这个简单概念的敌人。”。
“怎么会这样？”我问道。
利希特曼说：“让我这样说。”。 “语言本身是一个基本的线性过程，一个想法通向另一个想法。但如果你试图描述的事情同时发生了一百万件事情，那么语言就不是正确的工具。就像了解股市一样。在股市上赚钱的最好方法可能不是通过了解基本原理 所有经济概念。 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。这可能与经济无关，但与数据以及数据的使用方式有关。”
“也许人类的大脑没有能力理解自己，”我说。
利希特曼说：“也许这个想法有一个基本点：没有任何机器的输出比它自己更复杂。”。 “与汽车的工程相比，汽车的功能微不足道。人脑的功能与它的工程相比微不足道。 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，因为我们拥有无限的智慧。 但如果我问你你的狗是否能听懂一些东西，你会说，‘好吧，我的狗的大脑很小。’ 好吧，你的大脑只是稍微大一点，”他继续笑着。 “为什么突然间，你能理解一切？”
利希特曼被连接体可能实现的功能吓倒了吗？ 他把自己的努力视为西西弗式的吗？
“恰恰相反，”他说。 “我原以为现在我们走得更远了。现在，我们正在研究人脑的皮层板，在那里每个突触都可以自动识别，每个神经细胞的每个连接都可以识别。这太神奇了。说我理解这一点是荒谬的。但这是一个非凡的数据。它很美 从技术角度来看，你真的可以看到这些细胞是如何连接在一起的。 我认为这是不可能的。”
利希特曼强调，他的工作不仅仅是关于大脑的全面图像。 他说：“如果你想知道神经元和行为之间的关系，你必须有电路图。”。 “病理学也是如此。有许多不治之症，如精神分裂症，没有与大脑相关的生物标记物。它们可能与大脑接线有关，但我们不知道是什么问题。我们没有它们的医学模型。我们没有病理学。因此，除了关于大脑如何工作的基本问题外 rks和意识，我们可以回答这样的问题：精神障碍是从哪里来的？ 这些人怎么了？ 为什么他们的大脑工作方式如此不同？ 这些也许是人类面临的最重要的问题。”
我 一天晚上吃了一顿饭，在花了一整天的时间试图理解我的数据之后，我看到了豪尔赫·路易斯·博尔赫斯（Jorge Louis Borges）的一篇短篇故事，它似乎抓住了大脑绘图问题的本质。 在《论科学的精确性》一书中，一位名叫苏亚雷斯·米兰达的人写道，一个古老的帝国通过科学的运用，完善了制图的艺术。 虽然早期的地图只是对其所要代表的地区的粗略讽刺，但新的地图越来越大，每一版本都填充了更多的细节。 博尔赫斯写道，随着时间的推移，“制图艺术达到了如此完美的程度，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。”然而，人们仍然渴望获得更多细节。 “随着时间的推移，那些无理地图不再令人满意，制图行会绘制了一幅帝国地图，其大小与帝国相当，并且与之一一吻合。”
博尔赫斯的故事让我想起了利希特曼的观点，即大脑可能过于复杂，人类无法从口语意义上理解它，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。 就像讲故事，甚至大脑中的信息处理一样，描述必须省略一些细节。 为了让描述传达相关信息，描述者必须知道哪些细节是重要的，哪些不是。 要知道哪些细节是不相关的，就需要对你描述的东西有一些了解。我的大脑，尽管可能很复杂，能理解老鼠大脑中的两个EB吗？
博尔赫斯的故事提醒了我一种观点，即大脑可能过于复杂，人类无法理解。
人类在这场战斗中拥有关键武器。 机器学习对大脑绘图有好处，而自我增强关系有望改变整个努力。 在过去的十年里，深度学习算法（也称为深度神经网络或DNN）允许机器执行一度被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，或者玩围棋或象棋等游戏。 DNN是将近似真实神经元的简单函数链串在一起的数学模型。 这些算法直接受到哺乳动物大脑皮层的生理学和解剖学的启发，但基于20世纪60年代收集的数据，它们是真实大脑的粗略近似。 然而，他们已经超越了机器的预期。
利希特曼在绘制人脑地图方面取得进展的秘密是机器智能。 利希特曼的团队与谷歌合作，正在使用深层网络对显微镜收集的数百万脑切片图像进行注释。 电子显微镜的每次扫描都是一组像素。 人眼很容易识别图像中每个斑点的边界（神经元的胞体、轴突或树突，以及大脑中的所有其他部分），通过一些努力，可以知道下一个切片中的特定位出现在哪里。 这种标记和重建对于理解连接组学中的大量数据集是必要的，并且传统上要求大批本科生或公民科学家手动注释所有区块。 受过图像识别训练的DNN现在可以自动完成这项繁重的工作，将耗时数月或数年的工作转变为只需数小时或数天即可完成的工作。 最近，谷歌确认了人类大脑皮层切片中的每个神经元、轴突、树突和树突尖峰以及每个突触。 利希特曼说：“这太不可思议了。”。
科学家仍然需要了解这些微小的解剖特征与神经元的动态活动特征之间的关系——它们产生的电活动模式——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多的批评，主要是以蠕虫为例：神经科学家已经掌握了蠕虫的完整线路图 秀丽线虫 几十年过去了，但可以说还不完全了解这种300个神经元的生物； 它的大脑连接与行为之间的关系仍然是一个活跃的研究领域。
尽管如此，结构和功能在生物学中是密切相关的，所以有理由期望有一天神经科学家会知道特定的神经元形态如何影响活动特征。 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，从而创建一个类似于人类大脑的东西的模拟，这并不难。 下一个飞跃就是反面乌托邦，在这个反面乌托邦中，我们通过数字方式保存我们的思想，从而实现不朽，或者机器利用我们的大脑线路制造出消灭人类的超智能机器。 利希特曼并没有接受科幻小说中那些遥远的想法，但他承认，一个与人脑具有相同接线图的网络会很可怕。 他说：“我们不知道它是如何工作的，就像我们不知道深度学习是如何工作一样。”。 “现在，突然之间，我们有了不再需要我们的机器。”
Y（Y） 一个出色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理解。 去年，在葡萄牙里斯本郊外举行的一次计算和系统神经科学会议上，我明白了这一点，这是一次神经科学领域的名人会议。 在酒店的舞厅里，我听了马里兰州贝塞斯达国家心理健康研究所40多岁的神经科学家阿拉什·阿夫拉兹的演讲。 他建议说，DNN中的模型神经元与真实神经元的关系就像木棒图形与人的关系一样，它们的连接方式也同样粗略。
Afraz身材矮小，留着深色马蹄形胡子，秃顶的圆顶上部分覆盖着薄薄的马尾辫，让人想起了年的马修·麦康纳（Matthew McConaughey） 真探 当强劲的大西洋海浪冲向下面的码头时，阿芙拉斯问观众是否还记得雷内·马格里特的“ Ceci n’est pasune管道 “这幅画描绘了一个管子，管子的标题写在下面。阿弗雷兹指出，DNN中的模型神经元不是真实的神经元，它们之间的联系也不是真实的。 他展示了一幅通过猴子实验发现的大脑区域之间相互连接的经典图表——一堆盒子，名字像V1、V2、LIP、MT、HC，每个盒子都有不同的颜色，黑线连接着盒子，看起来是随机的，而且组合得比看起来更多。 与真实大脑中令人头晕目眩的连接堆相比，DNN通常在一条简单的链中连接不同的大脑区域，从一个“层”到下一个。 “试着向严格的解剖学家解释一下，”阿弗雷兹说，他闪现出一个震惊的猩猩宝宝兼解剖学家的模因。 “相信我，我已经试过了，”他说。
一个与人脑具有相同图表的网络会很可怕。 我们会有不再需要我们的机器。
一、 同样，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他们更加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计算神经科学家安德鲁·萨克斯。 萨克斯同意，这可能会有助于让我们的模型更接近现实。 他通过Skype告诉我：“这一直是脑科学领域的挑战：我们只是不知道细节的重要性。”。
我们如何做出这些决定？ 萨克斯说：“这些判断通常基于直觉，我们的直觉可能会有很大差异。”。 “许多神经科学家的强烈直觉是，单个神经元极其复杂：它们有所有这些反向传播的动作电位，它们有独立的树突状隔室，它们有所有不同的通道。因此，单个神经元甚至可能本身就是一个网络。 讽刺地说，作为一个校正过的线性单位“——DNN中神经元的简单数学模型——”显然遗漏了很多
随着2020年的到来，我思考了很多关于我从利希特曼、阿芙拉和萨克斯那里学到的东西，以及神经科学的圣杯：理解大脑。 我发现自己又回到了大学时代，当时我认为科学是唯一知道这是真正客观的方法（我也曾认为科学家是超理性的、公平的人，对真理极感兴趣，所以这也许表明了我有多天真）。
现在我很清楚，虽然科学研究事实，但这一崇高努力的关键部分是理解事实。 即使在实验开始之前，真相也会通过解释性镜头进行筛选。 人类带着所有的怪癖和偏见，首先选择进行什么实验，以及如何进行。在收集数据后，科学家必须弄清楚数据的含义时，解释仍在继续。 所以，是的，科学收集了关于世界的事实，但描述世界并试图理解世界的是人类。所有这些过程都需要通过我们时代的语言和文化塑造的个人筛子过滤原始数据。
利希特曼的两个EB的大脑切片，甚至我48 TB的老鼠大脑数据，似乎都不适合任何个人的大脑。 或者，至少没有人的大脑会将所有这些数据编成一幅人类大脑如何工作的全景图。 当我坐在办公桌旁，看着夕阳将无云的天空染成浅红色时，我的脑海中浮现出一种机械的色彩未来。 我们所建造的机器——那些按照大脑皮层解剖构造的机器——几乎没有捕捉到人脑的本质。 但他们在大型数据集中找到模式并不困难。 也许有一天，当他们在更多的皮层解剖结构的基础上变得更强壮时，他们将能够向我们解释这些模式，解决大脑相互连接的难题，创造出一幅我们能理解的画面。 窗外，麻雀兴奋地唧唧叫着，还没准备好结束这一天。
Grigori Guitchounts即将为他的神经科学博士学位辩护。 你可以读到一些关于他48兆字节的 大鼠大脑数据 .
主要图像：树突（红色）的渲染图，树突是一种神经元的分支过程和接收突触信息的突起棘，以及来自小鼠皮层的饱和重建（多色圆柱体）。 由哈佛大学利希特曼实验室提供。
获取Nautilus时事通讯 尖端科学，由最聪明的在世思想家揭开。
