大脑是人类进化的高级产物，重量约1.5公斤，占体重2％，功耗约20瓦，占全身功耗20％，当前人类对大脑的认识还不足5％，尚无完整的脑谱图可供参考。

毫无疑问，如何洞察生物大脑内的一切是走向类脑AI的第一步，而看清一切所需要的工具就显得尤为重要。

工欲善其事必先利其器。2021年1月6日，由北京大学分子医学研究所牵头的跨学科团队，在Nature Methods在线发表了题为「Miniature two-photon microscopy for enlarged field-of-view, multi-plane, and long-term brain imaging」的文章。

对此，北京大学分子医学研究所教授、智源学者陈良怡表示，「我们的第二代微型化双光子显微镜在Nature Methods正式发表了，这也是我进入智源研究院以后，第一个受智源支持的工作。」

团队研发的第二代微型化双光子荧光显微镜FHIRM-TPM 2.0，其成像视野是该团队于2017年发布的第一代微型化显微镜的7.8倍，同时具备三维成像能力，获取了小鼠在自由运动行为中大脑三维区域内上千个神经元清晰稳定的动态功能图像，并且实现了针对同一批神经元长达一个月的追踪记录。

miniature two-photon microscopy for enlarged field-of-view, multi-plane and long-term brain imaging

有关双光子显微镜的用途，以及构建自由行为活体的大脑全连接图谱对未来AI研究的启发，北京大学分子医学研究所教授、智源学者陈良怡教授为我们做了详尽的解答。

01更大视场，看的更清楚

第二代微型化显微镜和第一代相比有什么样的进展？一切要从革命性的工具说起。

2017年，陈良怡作为主要成员研发的高分辨率微型化双光子显微成像技术入选了「2017年中国科学十大进展」，并于2018年入选 Nature Method年度方法「自由行为动物成像技术」。

2017年10月，诺贝尔生物学或医学奖获得者爱德华·莫泽 （Edvard I. Moser）专程访问北大微型化双光子显微镜跨学科联合实验室，当时对微型化双光子显微镜给予了高度评价，称其将为神经科学研究，特别是为他所研究的大脑空间定位神经系统提供了一个「革命性」的新工具。

当然这一「革命性」的工具也并非完美无缺。总结来看，微型化双光子虽然分辨率很高，但是和斯坦福的Mark Schnitzer（美国脑计划最初建议人）所做的微型化单光子比起来，视场不够大。一个大概400乘400微米的视场里就可能有几百个神经元。视场大，就能看到更多的神经元和回路。

「我们做出来第一版微型化双光子的时候，就认识到了这一点，因为我们当时是以分辨率，也就是看清楚为目标，而不是以越大越好为目标。所以从19年开始，我们就往更大『视场』的方向上走。」陈良怡教授表示。

「我们有一种特殊的技术叫做remote focusing，液体透镜，聚焦不需要镜头的伸进伸出，而是用一个新的器件把电极加上去，当中液体的曲率就会发生变化，这样去聚焦。所以把这些新技术用上了以后，我们第二代主要解决的问题就是一个三维成像的大视场。」

「因为它是一个光学的透镜，就可以在同一只老鼠上做很长时间，可以把老鼠开颅，打开之后，给它贴上一个玻片，（因为是个光学透镜），可以光学上进行补偿，原来是不能这样做的，后果是老鼠是暴露的，很容易感染，可能就不能再做了，那么现在我们就可以同一只老鼠做一个月。」

如果是第一代微型化显微镜是从0到1，那么第二代就是从1到10，实现了更大视场，三维扫描建模，以及更长的跟踪时长，实现了技术上的革新。

02看遍三个脑区，生物成像的究极意义

根据陈良怡教授的介绍，微型化双光子的好处在于可以同时在三个脑区观看，包括视觉皮层、听觉皮层、前额叶决策皮层等等。

但这又涉及到一个问题，追踪数据的工作量就会非常大。

「做活体的动物，一个显微镜随随便便拍一个下午可能就会到几百G甚至上T的数据。如果没有分析和处理，这个数据不能转换成所谓的科学上的洞见，其实对你一点用都没有。」

某种意义上说，陈良怡团队所做的事更像是一个小型IT公司。通过残差网络、GANs或者FCN进行图像分割处理，或其他流行的深度学习方法进行大量的图像数据处理。

通过处理数据、分析关联性再建立模型探究生物智能（biological intelligence）的来源，这个过程，陈良怡称之为真正意义上的逆向工程。

「实际上这也是在智源我们的认知神经科学方向下希望做的事情。」目前陈良怡所在的智源团队专注于构建斑马鱼的全脑连接图谱。

有关斑马鱼的脑连接图谱，国内外的团队也多有涉猎，其中包括中国科学院神经研究所研究员杜久林团队，哈佛Jeff Lichtman团队，德国马普神经所等等。

「之所以斑马鱼是一个很好的模型，在于我们现在的这种成像技术，能够在一秒钟内看到它的大脑里的几万个神经元。目前我们团队的优势在于光学上的深刻理解。」

作为常见的模式生物，斑马鱼麻雀虽小五脏俱全，透明闪亮，记忆短暂，大脑约有10万个神经元。

03AI究竟向大脑学什么？

以斑马鱼为基础的学习模型和儿童背单词类似，「我们也有那种学习的模型，让他能够学习一件事情，记忆可以维持6个小时，一旦不复习他就会忘掉。」

AI究竟能向大脑学什么呢？

陈良怡认为，作为一个能量资源有限的系统，生物系统重要的机制是学习、记忆以及遗忘，生物系统的变量是随时间变化的。生物运用一整套系统来学习周围的环境进而完成趋利避害等，它的个体以及群体的进化策略并不是对数量的堆叠，我们也许能模拟很复杂的人脑变量，但是能否产生多样性是值得怀疑的。

「现在大家诟病说neuroscience 对人工智能没有什么贡献，其实我觉得主要分歧在于在人脑或者生物脑里没有直接的反向传播（backprop）这一说。」

而反向传播的发明者Geoffery Hinton去年4月却在Nature子刊发文，表示人脑中存在类似于反向传播的神经机制，甚至可以用一种新算法类比出来。

该研究认为，尽管存在明显的差异，但大脑仍有能力实现反向传播的核心原则。其主要思想是，大脑可以通过使用反向连接来引发神经元活动从而计算有效的突触更新，而这些神经元活动将局部计算出的差异编码成类似于反向传播的误差信号。

简言之，大脑用了一些我们尚不理解的方式来传递信号，而且实现的方式更加高效。

一直以来，各国的神经科学家都在通过生物实验探索相似的道路。

2016年，由IARPA（美国情报先进研究计划署）和脑计划（BRAIN Initiative）部分项目牵头，堪比人类登月计划的Micron（Machine Intelligence from Cortical Networks），也称10万神经元计划雄心勃勃地启动了，其终极目标，就是通过对哺乳动物的大脑皮层进行逆向工程以找到革新机器学习的方法。

神经科学家的任务是发现大脑湿软灰质中的工作策略，然后数据团队将这些策略转换为算法。人工智能中的一大挑战就是 one-shot learning，项目招募的哈佛大学生物和计算机学家 David Cox曾表示，「人类在推理与归纳上有着惊人的能力，这也是我们尝试抓取的能力。」

除了大脑记忆、决策和因果推理的过程，在认知领域，还有更多的谜团亟待发掘。陈良怡讲到一个例子。

2017年，浙大胡海岚教授团队通过小鼠的「钻管测试」证明了强者恒胜的原则。

研究人员将两只老鼠放在一个狭窄的狭缝中，让他们两个各自从一边冲过来，更强势一点的老鼠会把另一只挤出去了。在后续的经历中，处于弱势地位的老鼠会经常处于弱势地位。

研究表明，用光遗传学（一种利用激光来瞬时、特异激活神经元的手段）可以改变化学物质，让原来弱势的变成强势。

对此陈良怡认为，「这一点至少证明，所有的这些情绪，包括aggression等等都是跟这些化学物质有关，是有物理上的本体存在的。」

「我们认为这些所谓的aggression、happiness、sadness，在单个神经元的尺度上是如何组织，在具体的脑区里是怎么样编织信号，回路是如何的，我们只有了解了这些，才能设法把这些东西应用到AI上去，让AI也有这种情绪，或者说感情。如果以跨十年来记的话，这是未来的一个（AI的）方向。当然在此之前还需要很多扎实的工作才能实现。」

04跨学科之光，殊途同归

陈良怡目前所在的跨学科研究组，融合了生物、物理、数学和计算机等多重学科背景。「在一个跨学科团队里工作，每个人要跨出他的学科舒适度，跳出既定的轨道，去听别人的思路。」

神经认知和计算机科学的碰撞，往往有不一样的火花。陈良怡指出，二者主要区别在于思维方式上的不同。

「从计算机和 AI 这个角度上来讲，我的理解，大部分的学者是沿着现有的轨道在走，对现有的这些理论做一些优化，然后我的被认可的程度是任务base的，比如说ImageNet，识别率的高低，比如说我调了哪些参数，现在识别率比别人高了3%，就挺牛的。」

「在这个既定的轨道上，如果以ImageNet最后的成功率来定的话，你很难跳出这个轨道，也就很难有真正很创新的东西，比如说你去模拟脉冲神经放电，做一个仿神经的脉冲神经网络，但是实际上效果差太远，大家就会觉得这个没什么意思。」

而相比之下，神经科学则是从更基础的角度研究问题，这同时也是它的优势和弊病所在。

「从基础科研来走，大家都以比如说发表文章为最终的目标。有的时候你去做这些特别fundamental的事情，不一定会给你带来直接的回报。」

解决人工智能最核心关键的技术问题，势必需要二者的相互碰撞和融合。在世界级的AI研究机构Google Brain、Deepmind等在硬核的生物和神经科学领域的基础工作也往往积累深厚。

「人工智能的认知神经基础」是智源2020年发布的首个重大研究方向，将认知神经基础作为人工智能的基础，事实上是从底层框架的角度追求创新的意义，走向体制的创新。

神经科学、认知科学和信息科学的充分交叉融合，人工智能和脑科学的双向互动，意在揭示生物智能系统的精细结构和工作机理，构建功能类脑、性能超脑的智能系统，以视觉等功能和典型模式动物作为参照物测试智能水平，为人工智能未来发展探索可行道路。 谈到对自身的定位，陈良怡表示，「首先，我给自己的定位是一个工程师。其实我绝对不能算神经科学家，我属于半吊子神经科学家。我从本科、研究生再到博士的训练都是 biomedical engineering。」作为生物医学成像领域的专家，陈良怡教授其实是工科出身，对交叉领域有独道而深刻的理解。

在智源的资源和创新体制影响下，陈良怡希望打造一个开源开放的可视化的数据分析平台，「我们在智源斑马鱼项目的愿景，不敢说是理解人那么复杂，但至少可以去理解斑马鱼全脑尺度上呈现的基本学习和记忆的过程。理解了这个机制，希望对设计更有效的人工智能网络会有帮助，这是我们的目标。」