导读

近年来，人工智能技术取得了令人瞩目的进展，能够广泛地解决一系列问题，在某些具有挑战性的任务（包括视觉认知等方面）中达到甚至超越人类的表现。
由于人工智能在深度学习方面的最新进展，很大程度上受到了神经科学研究的启发，并得到了生物神经网络的架构约束的指导。因此，促进人工智能和认知神经科学领域之间的进一步交叉融合，对于推动这两个领域的相互启发和共同发展具有重要意义。
不久前，由智源研究院人工智能的认知神经基础方向首席科学家刘嘉教授（清华大学基础科学讲席教授、脑与智能实验室研究员）、智源研究员吴思（北京大学心理与认知科学学院教授）牵头，联合北京师范大学心理学部周可教授和宋宜颖副教授研究员共同发起《认知神经智能科学》国际专刊。
专刊汇集了这一交叉领域近两年的最新研究成果，以推动跨学科前沿探索，促进相关领域的国际合作与交流。
资料下载链接：https://baai.org/l/NeurlCog
正文
一方面，认知神经科学对于促进人工智能技术的革新和发展（cognitive-neuroscience-inspired AI：认知神经科学启发的AI）具有重要意义。经过数亿年进化而来的生物神经系统的结构和功能，不断被优化以处理各种各样的环境信息，以便在自然环境中生存下去，这些生物神经系统的结构和功能，不断地启发着人类进行人工智能技术的研发。
当前流行的端到端的学习策略，使深度神经网络 (DNN) 仍然是一个“黑匣子”。研究者对网络的算法和计算机制知之甚少。而认知神经科学中的技术和方法，包括实验范式、数据分析技术和理论假设，可以作为一系列工具，来帮助揭开深度神经的黑匣子，阐明网络内部的算法和计算原理。
另一方面，人工智能也可以为认知神经科学（AI-inspired cognitive neuroscience：AI启发的认知神经科学）的发展做出重大贡献。除了作为神经科学中分析大数据的先进数学工具外，人工智能模型还可以让我们深入了解生物大脑和智能产生的内部机制。
例如，深度卷积神经网络提供了迄今为止最好的生物视觉系统模型。生物大脑作为亿万年进化的产物，通过大脑结构和功能的启发，研究人员反过来还可以通过调整深度神经网络的损失函数、网络架构和数据集等验证并“重现新运行”智能的演化产生的过程，从而揭开人类大脑和心智的奥秘。
本次推出的《认知神经智能科学》专刊，汇集了人工智能和认知神经科学的最新研究成果，以整合建立人工智能和认知神经科学交叉融合的认知神经智能科学新领域，推动智能科学的发展和进步。
在认知神经科学启发的人工智能方面，该专刊有六篇论文致力于研究受生物系统启发的先进信息处理技术：
  1. 受人类无监督学习行为的启发，吴思等人刘嘉等人提出了一种用于物体分类的无监督小样本学习算法。
  2. 受人类快速拓扑感知的启发，吴思等人提出了一种用于图像中快速拓扑检测的间隙连接网络。
  3. 受神经系统中兴奋和抑制 (E-I) 相互作用的平衡启发，吴思等人提出了一种用于快速信号检测的 E-I 平衡网络。
  4. 基于生物合理的全局反馈和局部STDP（Spike Timing Dependent Plasticity，脉冲时序依赖可塑性，一个时序非对称形式的Hebb学习法则）学习规则，曾毅等人提出了一种训练多层脉冲神经网络的新方法。同时，应用生物学习规则，曾毅团队还开发了用于序列生成的脉冲神经网络。
  5. 冯建峰等人等揭示了大脑网络功能连接组是临界动力学的原因，而后者是大脑进行有效的信息处理的关键。
此外，本期特刊中的三篇论文，提出用认知神经科学中的方法来理解深度卷积神经网络的内部表征。
  1. 刘嘉等人将神经科学研究中的编码概念和方法应用于深度卷积神经网络，并提供证据表明深度卷积神经网络采用了分层进化的稀疏编码机制来表示对象，就像生物大脑所做的一样。
  2. 采用了心理物理学研究中常用的反相关方法，刘嘉团队宋宜颖等人发现深度卷积神经网络和人类都利用相似的内部表征来执行面部性别分类任务。
  3. 通过借鉴一种人类经典的种族偏见的范式和理论，刘嘉等人团队探索了DCNN（深度卷积神经网络）中偏见行为的现象和机制，并在DCNN中发现了类人的多维人脸表示。这些研究表明，DCNN和人类很可能使用独立于与物理实现（硅基versu碳基）的表征执行无关的表示来实现相同的计算目标。
图片来源：刘嘉
在受AI启发的认知神经科学的方面上，该专刊有两项研究使用DCNN来探索我们对人类认知的理解。
  1. 不同于感知体验总是与概念指导混合的人类认知研究，刘嘉甄宗雷等人使用DCNN提供的证据表明，对象类别的语义相关性可以从感知经验中自动出现，而无需自上而下的概念指导。
  2. 此外，对“自然生成”与“后天养成”在生物大脑特定模块形成中的作用调查表明，不能简单地将视觉经验与基因的遗传因素分离开来。为此，刘嘉团队许珊等人使用DCNN建立了选择性除去面部经验的模型，并证明了区域特异性可能从没有遗传倾向的非特异性经验演变而来，并进一步通过相关经验进行微调所得。
在另外两项研究中，相关研究人员应用 AI 算法来改进神经信号中的目标检测，并应用DCNN来研究基于局部和全局不变特征的迁移学习效果。
为了实现 AI 与认知神经科学之间的交叉融合，刘嘉团队还开发了一个基于Python的工具箱DNN Brain。利用DNN Brain，来自人工智能和认知神经科学的研究人员能够方便地将深度神经网络的内部表征和大脑进行映射，并探索它们的对应关系。