|
爱德华·莫索尔（Edward Moser）教授是国际著名心理学家、神经科学家，挪威科技大学卡夫利科系统神经科学研究所教授和记忆生物学中心创始主任。他在过去数十年中领导了一系列大脑和神经系统机理的前沿研究，2014年因发现大脑的定位系统中的关键组分“网格细胞”而获得了诺贝尔生理学或医学奖。2018年9月，莫索尔教授受邀出席了在杭州举办的第五届诺贝尔奖获得者医学峰会投融资论坛暨创新创业大赛，并发表主题演讲。 以下是莫索尔教授的演讲摘要： 人脑的图解 人类的大脑由神经元组成，脑细胞通过突触相互交流。突触是指两个脑细胞之间的连接，左侧是突触前膜，右侧是突触后膜。就像你在视频里看到的那样，大脑中神经元通过化学发射器将电信号从一个神经元传递到另一个神经元。 人类的大脑大约由1000 亿个神经元组成。每个神经元平均连接10000 个其他神经元，因此大脑中的突触的数量大约是10的14 次方到10 的15 次方，共10 万亿个突触。这些都是非常小的结构，却是信息存储的地方。因此，查询储存在大脑中的信息以及信息在大脑中处理的方式是一个巨大的挑战，并且在相当长的一段时间内似乎都是不可能的。近几十年来取得了一些进展，我们开始理解大脑中高层次计算的领域之一就是空间区域。我们如何知道我们在哪里，我们如何找到我们的路。 在这一研究领域，过去的几十年里已经取得了相当大的进展。我们的定位系统是由许多大脑区域组成，尤其是两个受到广泛关注的区域。在人类的大脑中，就是这些红色和蓝色的结构，它们由海马体（红色部分）和内嗅皮质（蓝色部分）组成。这两个大脑区域紧密相连，内嗅皮质将海马体和几乎整个大脑的其他部分都连接起来，它是进出海马体的一扇大门。 不同物种简单系统的研究 人类的大脑很复杂，并且有很多新的联系，人们很难获得在这些大脑区域发生的活动。出于这个原因，科学家们试图简化并找到更接近的模态系统。在神经科学或脑科学中，人们通常是通过研究不同动物物种中较简单的系统来完成。 我们在老鼠身上看到了和人类相似的海马体和内嗅皮质。虽然它容纳的主要信息在哺乳动物中不完全相同。他们的形状看起来可能不同，但他们都是由相同类型的神经元组成，这些神经元是由类似属性的细胞以同样的方式分层和组织。这意味着我们可以通过研究大鼠大脑内部嗅皮质和海马体的空间和位置来了解人类大脑中发生的事情。 位置细胞 20 世纪70 年代初，伦敦大学学院的约翰·奥基夫（John O''Keefe）记录了大鼠在简单环境中行走时，大鼠海马体中单个神经元活动。这些简单环境包括盒子和里面的其他东西，就是图片里展示的。将大鼠被放置于盒子中，大鼠海马体内的小电极通过电缆和放大器连接到电脑上，然后记录大鼠在局部空间徘徊时大鼠海马体内的电信号。他把电极放置在大鼠海马体的底部，这些电极的宽度是17 微米，可以检测单个神经元的电活动而不会伤害它们。 那么奥基夫看到了什么呢？请看大屏幕。我们举例说明他在海马体中看到的细胞。海马体中的细胞很活跃，你现在听到的“呲呲”声音是单个细胞放电声音，只有放电的会被转换成声音。并且您还会在框中看到同时出现的红点。只有当大鼠位于盒子的左上角时，这个特殊细胞才有活性，因此奥基夫将这些细胞称为位置细胞。只有当大鼠在某个地方时才会有电，我们用颜色编码的方式来表示相同的，红色表示活性高，蓝色表示活性低，发现在老鼠海马体中有很多这样的细胞。它们有不同的活动区域，一些细胞在大鼠到达顶部时活跃，一些在盒子的中间，一些在底部等等。 在这个框中的任何给定位置，有一个独特的活跃细胞组合，因此无论哪个细胞在大脑中获得这些信息，它们都可以在任何给定时间从大鼠活动的组合中切换。因此，奥基夫和他的同事Lynn Nadel 在1978 年提出这是空间神经图的基础，通常被称为托尔曼地图。 网格细胞 20 世纪70 年代末，人们对位置细胞已经进行了几十年的研究。但仍有一些问题没有解决，其中一个问题是我们在20 世纪90 年代中期开始研究的时候在实验室里发现的。这些位置细胞是如何产生的？这不是一个无关紧要的问题。它们位于大脑中间，不在感觉系统中，也不在运动系统中。那么，大脑的中间部分是如何产生如此精确的信号来显示你所在的位置的呢？这可能是感官输入的结合，但并不是那么直接。在21 世纪初，我们发现运动信号不是来自海马体本身，而是来自内嗅皮质，就是蓝色结构的这部分。 右侧是大鼠海马体和內嗅皮层。大鼠脑后面的颜色区域是內嗅皮层，这是一种向海马体输入信息的结构。海马体是位置细胞所在的地方，里面的信息可以使产生位置感。我们发现了什么？如下一张幻灯片所示，前面提到的盒子里的那只老鼠再次追逐巧克力，右下角的灰色部分是老鼠的步行道。每个黑点都是细胞活跃的地方，这个特定的细胞就像在某个点活跃的位置细胞，它在很多点活跃，这些点形成簇，这些簇在整个环境中又形成一个规则的格子。 这些细胞的晶格特性显示在左侧，放置在其上的红线只是为了表明这实际上是一个重复的三角形或六边形图案，它覆盖了老鼠的所有可用空间。因为它看起来像一个网格，称为网格细胞。显然，这些细胞不仅包含位置信息，还包含距离和方向。它就像一个坐标系，大脑用来测量距离和方向来获得位置感，通常将其比喻成GPS，称为大脑的GPS。它们有相似之处和不同之处，相似之处在于这些细胞能获取运动的信息，包括运动距离和运动方向。就像GPS 可以获取你的汽车在空间中行驶的轨迹信息，而没有真正关注环境内容的信息。 你可能会认为网格细胞和位置细胞是老鼠特有的。当然不是这样了，从引言中可以明显看出这些细胞也可能存在于其他物种中，人类十多年前就在大鼠和小鼠身上发现了它们。在哺乳动物的这个领域或遗传树上，它们也存在于其他物种中。2011 年，纳胡姆·乌拉诺夫斯基(Nahum Ulanovsky) 的团队在一种大型飞行蝙蝠——埃及果蝠(Egyptian fruit bats) 中首次发现它们也有网格细胞。后来，在猴子和人类身上也发现有网格细胞。 边界细胞 那么人类网格细胞是如何发现的呢？由于有些癫痫患者无法通过药物治疗，我们想着可以把电极植入大脑，以供后期手术使用。当这些电极被植入大脑时，它从这个区域的细胞接收到了信号，然后证明人类也有这样的细胞。事实证明网格细胞打开了一扇通向更复杂系统的大门。 20 世纪80 年代中期，研究人员发现了该区域还包含了另一种类型的细胞，他发现当动物在运动时这些细胞在不同大脑区域发送方向信号。它不是位置标记，它是方向指示，就像一个内部的指南针一样告诉你它是新方向还是之前那个方向。 几年后，我们在同一个大脑区域发现了另一种细胞，我们称之为边界细胞。这种细胞仅在老鼠处于边界时才会活跃，比如说老鼠到达这个盒子的壁面。根据颜色标识显示，我们发现有个细胞只有当老鼠在这个盒子的右侧时才放电。这与盒子的形状无关，可以在X 方向或Y 方向拉伸。您可以使用不同的盒子移动它，当老鼠往左时插入一堵墙，然后我们会发现这个细胞沿着墙放电。这是一种完全不同类型的细胞。它与网格细胞混合在一起，但具有不同的功能。 目标向量细胞 2015年，我们还发现了一种指示运动速度的细胞。这些细胞就像大脑中的速度计。在图片中可以看到两分钟的记录，在灰色背景下，老鼠在盒子里徘徊，可以看到老鼠的速度。这7 个细胞中的每一个都有不同的颜色，可以记录每个细胞的活动变化。我们发现有些细胞的活动与动物的运动速度具有很大的关系。例如，这个黄色的细胞，它的活动随动物运动速度的变化而变化。这意味着这个系统可以传递速度、方向和局部边界方面的信息。速度和方向对于网格细胞的形成至关重要，因为网格细胞需要不断地更新动物的移动信息，以便细胞每次都能精确移动。 最近发现了另一种类型的细胞，它是大脑区域中的一种新型编码，我们称之为目标向量细胞，它应用了矢量编码原理。 中列和右列是物体所在的位置，它是一个乐高塔，我们用圆圈表示，可以看到细胞的活动。在这种情况下，细胞只在北边的时候活跃，而且距离乐高塔很远。这说明细胞是否活跃与乐高塔的位置无关，因为在右列中，当乐高塔移动时，活动区域也会改变。 这些细胞使用矢量代码，用相对于物体的距离和方向表示位置，这与网格代码完全不同，网格代码更多地使用远端框架，而且在局部环境中完全相同。而矢量代码实际上并不关心这些对象的确切身份，因为您可以用不同类型的棱镜或圆柱体替换对象，将它们放在不同的位置或不同的盒子中，如图中的中间行，您仍然可以从相似的距离和方向得到回应。因此，这些细胞很有可能可以相互交流、相互连接。 人工智能系统的完善 人工智能和神经科学相互独立存在了几十年。人工智能已经能够在计算和速度以及查找信息方面执行人脑或动物大脑无法执行的操作。 人工智能主要以串行方式执行进程，一个操作接一个操作地执行。但对于有些操作来说，人类和动物的大脑比人工智能更好，至少现在是如此。这通常涉及不同类型的并行处理，如跟踪、监视、识别面部以及识别走动的人，这对于计算机来说是一个相当困难的过程。然而，这种情况正在改变，这与计算机可以像人类或动物的大脑一样工作有关。 事实上，计算机正在做大脑所做的事情，即学习，大脑一直在学习，利用自己的经验完善自己，计算机也可以进行机器学习。计算机学习自身经验的能力对于开发能够执行复杂智能操作的系统非常重要。你可能认为这仍然离大脑很远，但当它们开始对心脏深处的网格细胞感兴趣时，就近了。 在人工智能系统实验的第一阶段，他们训练神经网络来获取关于空间和方向的信息，然后让计算机重组自己的单元。他们发现系统独立自发地形成了由网格模式组成的代码，就像大脑对网格细胞本身所做的一样。计算机也做了同样的事情，它可以获得有关地点和方向的信息。这是第一个惊喜。 但更令人惊奇的是，当他们在计算机上实施这个人造系统并训练它时，它可以在虚拟环境中找到自己的方式玩空间游戏，然后让计算机与人类专家竞争。结果电脑更胜一筹。右侧显示的是一个有很多房间的大房屋，或者是一个有很多不同房间的情境，大部分房间都是封闭的。计算机经过训练，能够沿着特定的路径穿过情境并达到目的地。测试中所有的门都打开了，问题是计算机是否会采取捷径？计算机经过更长时间的训练后，它是否可以找到最快的方法？我用电脑来验证，我猜想电脑可以做到这一点，人类专家也可以做到这一点。但是计算机比人类更快地找到了一条捷径，下面的图表显示了这一点。您可以在X 轴上看到训练步骤，然后在Y 轴上看到表现。然后在深蓝色中，您可以看到基于网格代码的人工智能主体的性能，您可以看到它增加的速度，然后在其他课程中，当不使用网格单元时，只需要放置细胞，然后尖顶水平线是人类专家的表现。 使用网格单元代码的AI 系统实际上在短时间内优于人类，虽然这只是一个开始，但它说明您能做什么。
（内容摘自2018·第五届诺贝尔奖获得者医学峰会投融资论坛暨创新创业大赛演讲） |
|
|
