神經科學研究的各個層次 Jun 6th, 2009 by Mr. Thursday 将文章转换为简体

神經科學研究的各個層次
Jun 6th, 2009 by Mr. Thursday 将文章转换为简体
Posted By Mr. Thursday

原文發表於2008/09/16於MMDays。



在之前有寫了一些神經科學相關的文章，有些是偏向認知心理的，有些是偏向細胞分子的，或是偏向視覺處理的。神經科學的研究，我本身的是以人工智慧作為出發點，往神經科學研究方向進行。至於為什麼要在人工智慧以外加上神經科學呢？這兩者似乎有一點距離？原來資訊工程的技術是否已經足夠了呢？

這邊我提出幾點研究的動機。首先，目前的機器學習的方式，和人類學習的方式比較起來，有個最大的不同，就是我們人類可能從上課或是閱讀當中自我學習，或是由外在環境給予的經驗來學習。機器同樣也是接收外界的刺激，調整自己的反應來學習，然而機器學習過程當中，有時候會需要滿多人類的介入，譬如說調整參數、調整模型或演算法等等。如果用類比的方式來說，目前機器學習的方式如果用到人上面，就像是把人的腦蓋打開，調整裡面的神經連結，關起來以後再讓人腦跑跑看有沒有學習到。其實這種方式學習也沒有什麼不好，因為機器的目標，其實是服務人類，學習的東西有學到，怎樣子學習到就不那麼重要了。

那麼機器目前學習的情況如何呢？其實目前的電腦和機器算是滿先進的，加上運算速度快，純粹數字計算的能力就比人類心算能力還快，許多應用服務也讓人類生活改善不少。然而有些比較難處理的問題，像是需要人類智能才能完成的問題，譬如說翻譯、圖形辨識、影像辨識、語音辨識、語意了解等等，這些都算是人工智慧 (Artifitial Intelligence 人工智能) 所需要解決的問題，這些問題的解決，沒有隨著硬體速度的增加而解決，因此軟體上面的進步，就是關鍵了！目前對於這些難以解決的方式，有兩種解法：(1) 運用大量的訓練資料，譬如說Google翻譯，使用大量的訓練資料，或是PDA的手寫辨識，大量的訓練資料都讓正確率大大提升。(2) 運用人工運算 (Human Computing) 結合Web2.0的方式，提供人性化的介面，讓每個人在趣味中貢獻微小的人類智力，解決一些大量資料也無法解決的東西，譬如說reCAPTCHA、語意辨識、圖形的ROI (region of interest) 等等。


除了上述這些替代方案，可以立即實作，立即解決外，是否有其他方式呢？譬如說一個完備的數學統計理論或模型，拿來應用在機器學習上？或是從生物神經系統，已經有智力的行為表現，我們只要逆向工程 (reverse engineering) ，把裡面的迴路找出來，簡單版先依樣畫葫蘆，模擬一個一模一樣的迴路，之後再取其精華，寫成一個最簡單的程式？然而這些方法，需要時間，也許需要個十年，如果用經濟角度考量，不能立即實做的解答，就好像要十年不吃不喝一樣，是個很大的代價。然而如果這個方法真的有所突破，讓機器是真的了解，而不是外表看起來有了解，會是一項滿大的貢獻。

也因此，我本人會想研究神經科學相關的事物，無論是人腦還是動物的腦，任何生物上的發現，在拿回來應用在人工智慧的問題上，做出來的系統就可以盡量類似人類學習的方式，不用掀開腦蓋，而是可以自行閱讀或是聆聽來學習，加上電腦本身運算上速度的優勢，以及硬體上和人體的不同處，可以迅速學習，而且只要學習一次就能永久保存，或許不會忘記，還可以大量複製！所以因為這個原因，會想從神經科學裡面找一些新發現。神經科學和人工智慧的關係，也比較緊密一些了。

講完這麼長的前言，接下來我就稍微把神經科學的研究，依照層次的不同作一個簡單的介紹，讓各為日後如果看到相關的介紹，在心中可以有一個座標軸，吸收資訊也會比較快一些。有哪些層次的劃分呢？依照研究範圍的大小，可以約略分成四大部分：認知心理層面、細胞分子層面、系統神經層面、以及計算神經的層面。下面就一一分別簡要敘述一下：

一、認知心理層面
在這一個層次，研究的對象通常是人類，因為人類的頭腦不能輕易拿來插電極做實驗，除非生病像是癲癇的病人，才會一邊治療一邊蒐集實驗資料。然而仍舊有一些非侵入式的測量儀器，譬如說 fMRI (功能性磁核共振造影) 、PET (正子束造影) 、或是EEG (頭殼外電子活動圖)。這些儀器測量的訊號，都可以拿來分析，反推大腦區域的功能。不過解析度還是沒有直接插電極來的好，最近有一種MRI叫做 dtMRI (水分子擴散磁核共振造影) 是觀察在大腦因為神經活動細胞變形產生的水分子移動訊號，不但非侵入式，而且解析度可能比電極還好，許多人正在嚐試當中。

除了這些直接觀察腦部訊號的研究方式，也有直接觀察外在行為的研究方式，譬如說心理生理學 (psychophysics) 就是直接測量人類生理上的反應，譬如說反應時間，操作的正確率等等。這讓我想到中學的時候有個實驗測試大腦的手的反應時間，實驗方法是另外一個人拿一把長的尺，不定時放開手，受試者看到尺往下調的時候要趕快接住，不過我的反應似乎非常慢，嚐試滿多次，不過尺都已經掉在地上了我好像還沒接住呢@@。

除了外在行為，認知科學認為人還有內在認知的部分，才是產生行為的源頭，譬如說人有情緒、有理性、有注意力等各種內在組成元素。因此研究就是要建立這種內在模型，和外在刺激的關係。資訊科學也有一些研究式採取這個方式來時做一些智慧系統。Unified Model of Cognition這一本書可以參考一下。

在更高層次一些，哲學或語言學，對於高等功能像是語言語意，甚至「意識」的研究，就更 high-level了！還有個字叫做qualia專門形容人心靈上主觀的感受，譬如說對顏色的感覺，是一種內在主觀的知覺等等。哲學上也會有心靈是否等同於大腦 (mind-body problem) 以及 是否存在自由意志 (free will) 等課題。

二、細胞分子層面
另外一個極端，則是往分子細胞層次走。細胞來說，最重要的就是研究細胞上面的細胞膜，上面的離子通道可以讓帶電離子進出細胞，產生電流。細胞膜本身讓細胞內外有電壓差別，因此整個細胞如果用電機模型來做，就像是一個 RC-circuit，R是電阻 (resistence)、C是電容 (capacitor)，分別對應細胞膜上面的離子通道和絕緣的細胞膜部分。因此這部分的研究，就是尋找各種細胞大小，怎樣子影響電阻和電容，進一步影響神經細胞活動的快慢，或是畫出 IV曲線 (電流-電壓對應圖)。

分子部分，則是化學和藥理一展身手的地方，譬如說各種神經傳導物質，刺激性或抑制性的，對於神經活動的影響，各種神經疾病，像是老年癡呆症 (Alzheimer’s Disease)、帕金森氏症 (Parkinson’s Disease 影響運動功能的疾病) 、精神分裂症 (Schizophrenia) 、癲癇 (epilepsy)等等。藥物成癮的治療，也是這一個層次的重點。肉毒桿菌美容，也是這一個層次的應用。

如果說大腦功能像是在寫一篇文章，文字和句子通暢，就像是認知心理層次的研究，墨水和紙張，就像是細胞分子的研究。兩者可以互相單獨研究，就像不同的紙筆，可以寫下同一篇文章。但也會有小差別影響大功能的時候，譬如說隨著時間流逝，紙張上面的墨水漸漸退色，即使每個字都一筆一畫寫下，但是整個顏色淡到一定程度，仍舊會影響到閱讀的感覺。這就是分子細胞層影響大腦整體功能的例子，像老年癡呆症在大腦裡面長的amyloid塊，就是分散地慢慢吞吃神經細胞，讓大腦慢慢瓦解失去智力記憶等功能，是一種由下而上 (bottom-up) 的侵蝕。

除此之外，細胞分子層次還可以在基因、以及蛋白質路徑上面研究，因此老鼠和果蠅，是這個層次研究會用的動物，因為基因改造鼠或果蠅成長迅速，比較能夠快一點觀察到基因改變的影響。精神分裂症有基因上的機制，因此基因和疾病的研究是這邊的重點之一。

除了細胞、細胞膜、離子通道、化學物質，是否這個層次還有更小研究的東西呢？有一位Roger Penrose曾經在Google Tech Talk演講，是討論量子力學對於意識的影響，一端是極小物體的力學，一端是極大範圍的課題，有興趣的不妨聽一下這段演講，滿特別的！



A New Marriage of Brain and Computer at Google engEDU.

三、系統神經層面
系統層次，則是從細胞到認知功能都包含到。譬如說視覺系統，怎樣子產生各種視覺上的認知，是覺得各種錯覺 (illusion) 的神經迴路是如何？就是這個層次的重點。猴子、狗、貓會是這一層次研究實驗的動物，因為他們的認知功能有一定程度，比較接近人，但是又可以插入電極測量更高解析度的訊號，做各種分析，找出相關性或因果關係，建立認知功能的神經迴路。

除此之外，輔具 (prosthetic) 也是這一層次的應用，譬如說人工機械手等等，因為控制這些輔具的訊號，經由電波就可以達成，不像治療疾病需要化學物質來影響細胞或基因。

四、計算神經層面
傳統的類神經網路 (artifitial neural network) 在資訊科學裡面有許多研究，像是Perceptron, Hopfield Model, Boltzman Network, SOM (self-organized map), ART (Artifitial Resonance Theory) 等等。計算神經則是加入更多近期神經科學的發現，有些是從生物實驗的數據開始，分析之後才慢慢建立模型，算是和類神經網路相反的方向，是從生物訊號走向模型。獲得諾貝爾獎的 HH Model (Hudgkin-Huxley Model) 就是其中一個例子。另外，計算神經需要很多數學，也有從數學出發的模型，像是PCA (Principle Component Analysis)和NMF (Non-negative Matrix Factorization)等等。或是分析的時候需要各種數學工具像是機率統計等等，數學十八般武藝都要搬出來了。因此計算神經需要數學好來分析生物資料。如果純粹只有寫程式模擬，那麼就需要考慮一下在這方面研究想要扮演的角色是什麼了，怎樣子才會和以往的類神經網路有所不同。

稍微簡單提到了神經科學這四大層次。那麼我個人喜歡哪一層次的研究呢？因為背景是資訊科學，因此計算神經是先考慮的層次，然而分子細胞也是我很有興趣的層次。或許會說，為什麼要見樹不見林，研究小的東西而不研究整體的東西呢？我的想法是，因為分子細胞層比較接近能夠實作電腦系統的層次，也就是比較接近程式可以模擬的層次。認知模型也是可以實作，但是我覺得有一些困難點。

譬如說認知層次的研究，有些是用到行為測量，像是WCST (Wiscosin Card Sorting Test) 會讓病人排序一堆樸克牌，每次依照不同條件排序，譬如說用數字大小排序，或是用顏色來排序。前額葉有缺損的病人，判斷力減少會無法學習或調整排序時候需要置換的規則 (rule)，每次都只能用同一條規則來排序，變換規則排序的功能都喪失了。

其他認知模型，是運用人腦可以反省的能力來達成。譬如說記憶，我們可以回想記憶回憶的過程，自我可以察覺自己的心理活動，因此建立一個模型，認為記憶是由儲存、鞏固、和提取三大步驟所組成的。然而如果要問視覺怎樣子辨識一張照片有一張人臉，這個過程太快了，而且是意識無法反省到的地方，我們沒辦法一一察覺我們辨識物體的時候，一步一步的步驟。

所以，以實作電腦程式為目標的觀點，我會想要尋找細胞分子方面的模型，即使細胞分子的層次非常地細微，就像是要從紙張上面每一滴墨水，推出一個人寫字的心境一樣，兩端距離滿大的。但是除了接近程式實做的層次之外，也因為這個層次是由比較少例外的元素一一組成的，因此同樣是從生物研究來的模型，認知模型實做出來的系統，可能還是像其他演算法一樣，碰到不同問題常常要手動調整參數來處理例外情況，而不是一個會自我調整的，接近有生命的迴路了。

因此，終極目標，就是製造一個人工智慧系統，而且是接近生命體的方式，可以自我調整，透過頭蓋外面的訊息和環境互動來學習，不需要人類親自一個一個參數調整。這種系統在電腦上運轉，可以讓智慧快速學習到、學習一次之後輕易複製。如果還能夠和人腦迴路銜接，對教育有最大影響，因為我們不必再花費數十年的時間，才獲得基本的專業技能貢獻生產力，系統一接上去就學會一切事情了。當然這在目前看來似乎不大可能，或許一百年以後才會有的東西，然而這個目標可以提供這個研究方向一些動力，知道神經科學的相關研究，是提供生物逆向工程的啟發，創造出來的人工智慧，對於人類文明發展，算是一個新的里程碑了！

這篇文章除了前言和後面個人見解的部分，還稍微提到四個研究層次，希望各位讀者有辦法消化，裡面提到的各種技術或是專有名詞，有些今天實在沒辦法一一詳細敘述，日後有機會會再慢慢詳加介紹，讓各位對各層次的研究，在今天提供的大圖 (big picture) 之下，能夠進一步深入了解，並且知道這些研究和人工智慧的關聯，在於最後想要實做出來的 strong AI 系統！謝謝各位！也請相關好手不吝給予意見！