選自 Neuron
作者：Moritz Helmstaedter
機(jī)器之心編譯
參與：吳攀、微胖、原野
引言：神經(jīng)科學(xué)家正在生產(chǎn)龐大規(guī)模的數(shù)據(jù)組，其復(fù)雜性堪比真實世界中的分類任務(wù)。機(jī)器學(xué)習(xí)已經(jīng)大大幫助了數(shù)據(jù)分析，但是，其準(zhǔn)確性經(jīng)常不如人類進(jìn)行的數(shù)據(jù)分析。本文中，作者討論了受神經(jīng)科學(xué)啟發(fā)的機(jī)器學(xué)習(xí)所面臨的挑戰(zhàn)以及希望。
當(dāng)有機(jī)體在環(huán)境中行動時，有機(jī)體大腦負(fù)責(zé)處理高維感官數(shù)據(jù)。因此，從事大腦研究的神經(jīng)科學(xué)家需要處理極其復(fù)雜的高維數(shù)據(jù)集，這給分析工作帶來不小的挑戰(zhàn)。一個最明顯的例子，在高分辨率神經(jīng)聯(lián)接組學(xué)（connectomics）這個新領(lǐng)域中， 3D 電子顯微鏡（EM）數(shù)據(jù)集正突破拍字節(jié)（PB）大關(guān)。
冷知識：connectomics（聯(lián)接組學(xué)）是近年來一系列生命科學(xué)研究中「xx組學(xué)」的一支，譬如就有大家很熟悉的基因組學(xué)。意識從何而來？思維和智能是如何出現(xiàn)的？這些終極問題都蘊(yùn)藏在大腦里面。聯(lián)接組學(xué)是一個對大腦進(jìn)行的逆向工程研究，希望研究明白大腦是怎么被建造的，而后就可以再建模擬的「大腦」，人工智能也許會因此而真正實現(xiàn)。
分析這些數(shù)據(jù)是個很大的挑戰(zhàn)，而且只有使用機(jī)器學(xué)習(xí)技術(shù)，才能實現(xiàn)對這些數(shù)據(jù)集的重構(gòu)（reconstruction）。功能成像或行為跟蹤數(shù)據(jù)也需要實質(zhì)性自動分析，構(gòu)建其它機(jī)器學(xué)習(xí)算法可以處理的實例。這一觀點(diǎn)不僅闡明了機(jī)器學(xué)習(xí)幫助神經(jīng)科學(xué)家的方式，也說明了在許多相關(guān)背景中，我們?yōu)楹稳匀辉O(shè)計不出與人類數(shù)據(jù)分析一樣強(qiáng)大的算法。文章最后，我對揭秘感官大腦皮層的專門算法進(jìn)行了討論，最終，這將給我們提供有關(guān)生物算法的洞見（這是目前所缺乏的），進(jìn)而啟迪下一代高性能機(jī)器學(xué)習(xí)。
高維數(shù)據(jù)分類
門牌號或鳥類的分類等日常任務(wù)，對人類來說，不過小菜一碟，但在概念上卻讓人印象深刻；將一張圖片識別為「鳥」或「蠅」意味著需要將大量可能的圖像（在彩色 92×92 像素圖像的情況下需要 10^66583 張）壓縮到幾十個分類中（見圖 1A）。我們可以將這些圖像描述作高維數(shù)據(jù)（high-dimensional data）：92×92 像素中的每一個像素都可以獨(dú)立變化，因此，這些數(shù)據(jù)所表現(xiàn)出來的維度（92×92=8,464）是相當(dāng)高的。另一方面，分類的結(jié)果往往只有 1 維（1D，在數(shù)字的情況下是 10 個可能分類[0,1,2，…]中的一個）。因此，分類（classification）意味著發(fā)現(xiàn)巨大的可能數(shù)據(jù)實例空間中的結(jié)構(gòu)。
圖1：用于真實世界和神經(jīng)科學(xué)數(shù)據(jù)分析的機(jī)器學(xué)習(xí)
(A) 一個典型圖像分析設(shè)置中的構(gòu)象空間（conformation space）：對比 24 位色彩深度 92×92 像素的可能圖像的數(shù)量與潛在的對象分類的數(shù)量。樣本圖像來自 STL-10 基準(zhǔn)數(shù)據(jù)集、MNIST 數(shù)據(jù)集（LeCun et al., 1998）、聯(lián)接組學(xué)的電子顯微鏡數(shù)據(jù)、蒼蠅運(yùn)動的行為追蹤軟件（Kabra et al., 2013），以及由雙光子顯微鏡在大鼠活的新皮層中記錄的細(xì)胞內(nèi)鈣離子的瞬變現(xiàn)象。機(jī)器學(xué)習(xí)（ML）的目的是優(yōu)化數(shù)據(jù)到分類的轉(zhuǎn)換，而生成模型（Gen. Mod.）則是試圖從潛在的分類中再現(xiàn)圖像的生成。
(B) 從http://yann.lecun.com/exdb/mnist/和http://rodrigob.github.io/are_we_there_yet/build/編制的基準(zhǔn)數(shù)據(jù)集（STL-10（Coates et al., 2011）、CIFAR-10、MNIST、SVHN）中的機(jī)器學(xué)習(xí)分類錯誤，加上已實現(xiàn)的（實線）和所需的（虛線）神經(jīng)科學(xué)機(jī)器學(xué)習(xí)錯誤率。
(C) 生物學(xué)啟發(fā)的機(jī)器學(xué)習(xí)分類器的類型。前饋網(wǎng)絡(luò)（左）最初提出時是作為兩層感知器（Rosenblatt, 1958），后來發(fā)展成了「深度」網(wǎng)絡(luò)（如 , Hinton et al., 2006, LeCun et al., 1998）。帶有特殊復(fù)發(fā)性規(guī)則的循環(huán)遞歸架構(gòu)讓他們可以有效地訓(xùn)練機(jī)器（中，LSTM 網(wǎng)絡(luò)；Hochreiter and Schmidhuber, 1997）和被看作是回聲狀態(tài)、隨機(jī)池（RPN）或液態(tài)機(jī)-RNN 的全循環(huán)遞歸網(wǎng)絡(luò)（右，如 Maass et al., 2002）。我們目前還不清楚真正的哺乳動物大腦皮層網(wǎng)絡(luò)中是否使用和執(zhí)行了其中的任何架構(gòu)。
(D) 機(jī)器學(xué)習(xí)和神經(jīng)科學(xué)互相啟發(fā)的簡單時間軸：在生物計算器件（biological computing devices）的技巧方面，神經(jīng)科學(xué)能指導(dǎo)機(jī)器學(xué)習(xí)嗎？
在神經(jīng)科學(xué)中，隨著高通量記錄技術(shù)的廣泛應(yīng)用，數(shù)據(jù)分析之難，堪比聯(lián)接組學(xué)中使用 3D 電子顯微鏡檢測突觸和神經(jīng)突等難題。其它的例子包括使用高分辨率攝像追蹤蒼蠅、鼠、鼠須或胚胎細(xì)胞；從大規(guī)模電極中分析峰值數(shù)據(jù)；或從基于鈣離子的瞬變現(xiàn)象中檢測動作電位。
在所有這些案例中，教會計算機(jī)分析，極富價值，不管是為了真實世界中的自動對象識別，還是為了在神經(jīng)科學(xué)實驗中增加數(shù)據(jù)吞吐量以免于過于費(fèi)時的分析，而這些又會讓新的技術(shù)（細(xì)胞體檢測與追蹤、聯(lián)接組學(xué)、動物追蹤）成為可能。在一些情況中，當(dāng)專家級神經(jīng)學(xué)家也感到為難時，為了得到一致的結(jié)果就需要自動化的分析（例如，在峰值檢測、大規(guī)模峰值數(shù)據(jù)、基因序列比較中）。
機(jī)器學(xué)習(xí)
機(jī)器怎樣才能分析如此高維的數(shù)據(jù)？一種方法，將高維輸入數(shù)據(jù)轉(zhuǎn)換成更低維輸出的過程看作是一個函數(shù)，然后配置該函數(shù)的參數(shù)，再優(yōu)化這些參數(shù)以得到該轉(zhuǎn)換過程的最好近似。這種方法不需要關(guān)于圖像如何生成的知識（如：鳥來自于鳥的分類）或噪聲源如何相關(guān)的知識。唯一必要的是標(biāo)簽（label)，即分類所屬已知的圖像樣本。然后通過調(diào)整（或「學(xué)習(xí)」）基于這些標(biāo)簽的參數(shù)來優(yōu)化從高維輸入向低維輸出的轉(zhuǎn)換過程（見圖 1A 紅色箭頭）（所以這種方式被稱為訓(xùn)練數(shù)據(jù)）。鑒于一些實現(xiàn)這種優(yōu)化的架構(gòu)啟發(fā)自神經(jīng)元網(wǎng)絡(luò)，而且因為這種參數(shù)調(diào)整涉及到樣本轉(zhuǎn)換的演示，所以這種方法通常被稱為「機(jī)器學(xué)習(xí)（machine learning）」。
基于模型的分析和無監(jiān)督機(jī)器學(xué)習(xí)
另一種用于高維數(shù)據(jù)分析的方法與上面的方法相反：并不擬合數(shù)據(jù)到分析的轉(zhuǎn)換，而是嘗試從已知的分類或?qū)ο笾?，對?shù)據(jù)生成建模（圖 1A，黑色箭頭）。這需要數(shù)據(jù)生成和噪聲源方面的大量現(xiàn)有的知識，但在理想情況下，它只需要一點(diǎn)點(diǎn)有標(biāo)簽數(shù)據(jù)，甚至說不需要。在這種方法中，模型包含了代表所關(guān)注的分析結(jié)果的參數(shù)，而且這些參數(shù)是為匹配數(shù)據(jù)而非輸出而進(jìn)行優(yōu)化的。以細(xì)胞內(nèi)鈣瞬變的功能成像數(shù)據(jù)的分析為例（圖 1A）。這些鈣瞬變（和關(guān)注的分析結(jié)果）的來源是體細(xì)胞在一定時間點(diǎn)發(fā)生的動作電位（AP）。鈣離子大量涌入引起動作電位的改變，鈣離子和相應(yīng)蛋白質(zhì)受體結(jié)合，并因此產(chǎn)生了動態(tài)衰減——這個轉(zhuǎn)換過程加上成像噪聲源是相對好理解的。因此，描述「動作電位-鈣的數(shù)據(jù)轉(zhuǎn)換」的生成模型是受限良好的，并且通過優(yōu)化動作電位時間點(diǎn)以生成最佳近似于測量數(shù)據(jù)的數(shù)據(jù)，就能獲得該動作電位時間點(diǎn)作為結(jié)果。
這種基于模型的方法基本上不需要標(biāo)簽，而且該模型不是「學(xué)到的」，而是被研究者「知道的」。但我們可以將生成模型的參數(shù)看作是一個理想代碼（完美編碼鈣瞬變的動作電位時間點(diǎn)）。在這種情況下，這種代碼的知識是廣義的生物物理學(xué)研究的結(jié)果，而且如果你感興趣的是動作電位而非鈣動態(tài)本身，那么，這種壓縮就是完美的。這種所謂的無監(jiān)督機(jī)器學(xué)習(xí)方法的目標(biāo)是從數(shù)據(jù)中「學(xué)習(xí)」這樣的代碼。大腦不太可能明確使用了所有相關(guān)模型（也許被明確使用的是在基因編碼上做了很長時間的代表的運(yùn)動學(xué)模型（kinematic models），但肯定不是關(guān)于比如智能手機(jī)行為的模型）。對學(xué)習(xí)這種幫助分類或代表相關(guān)參數(shù)的相關(guān)編碼的追求是直接開放的，而且無監(jiān)督機(jī)器學(xué)習(xí)方法已經(jīng)被用在了細(xì)胞外尖峰檢測（如：詞典學(xué)習(xí)）或典型的基準(zhǔn)競爭中（結(jié)合無監(jiān)督/監(jiān)督式分類）。
機(jī)器學(xué)習(xí)分類器有多好？
為了說明機(jī)器學(xué)習(xí)分類器的性能改進(jìn)，讓我們考慮一個來自郵件信封上的手寫數(shù)字的數(shù)據(jù)集（MNIST 數(shù)據(jù)集， LeCun et al., 1998）。這已經(jīng)在機(jī)器學(xué)習(xí)研究中被用作了精確度提升的關(guān)鍵指標(biāo)：錯誤率從 1998 年的大約 1%–2% 下降到了今天的大約 0.2%（即在大約 15 年內(nèi)降低一個數(shù)量級）。盡管 0.2% 的錯誤率已經(jīng)非常出色了，但在更復(fù)雜的數(shù)據(jù)集上（圖 1B），最好的機(jī)器學(xué)習(xí)方法仍然比人類差大約一個數(shù)量級，例如街景數(shù)據(jù)中的門牌號識別或低分辨率的真實世界圖像，這說明在許多真實世界環(huán)境中，機(jī)器分析仍比不過人類分析。
神經(jīng)科學(xué)中的機(jī)器學(xué)習(xí)分析如何？繪制整個突觸網(wǎng)絡(luò)的雄心刺激了 3D 電子顯微鏡成像技術(shù)的發(fā)展，為聯(lián)接組學(xué)產(chǎn)出了大規(guī)模的高分辨率圖像數(shù)據(jù)集。人類標(biāo)注者（包括專家和訓(xùn)練有素的非專業(yè)人士）可以如實地分析這些數(shù)據(jù)，但所有人工分析所耗費(fèi)的時間，會使更大規(guī)模的回路重構(gòu)變得不可能。圖像數(shù)據(jù)分析上，向前邁出的關(guān)鍵一步是卷積神經(jīng)網(wǎng)絡(luò)（CNN）的使用。盡管重構(gòu)的準(zhǔn)確性仍遠(yuǎn)低于人類的準(zhǔn)確性，但是，在第一個局部密集回路重構(gòu)（ locally dense circuit reconstruction）的實現(xiàn)過程中，自動化技術(shù)發(fā)揮了至關(guān)重要的作用：實現(xiàn)過程使用了現(xiàn)有的過濾器和學(xué)習(xí)過的特征檢測器的組合；Helmstaedter et al. (2013)使用了 CNN 和分割程序序列。類似地，在行為追蹤方面，機(jī)器學(xué)習(xí)分析已經(jīng)重新出現(xiàn)，且比單純基于模型的分析更靈活更通用。
用于聯(lián)接組學(xué)的機(jī)器學(xué)習(xí)
和其它真實世界和神經(jīng)科學(xué)的機(jī)器學(xué)習(xí)挑戰(zhàn)相比，事實證明，聯(lián)接組學(xué)是一個尤其艱難的問題（圖 1B）。想想神經(jīng)元連線的重構(gòu)（圖 1B 中的插圖）：大約每隔 1 μm，分類器（人類或機(jī)器）就必須正確地決定是否繼續(xù)重構(gòu)軸突以及怎么繼續(xù)?？紤]到軸突的路徑長度只有10^4-10^5 μm，所以，即使要對一個單獨(dú)的神經(jīng)元進(jìn)行符合實際的重構(gòu)，有效的分類器錯誤率必須近似 10^-4-10^-5 。而目前，最好的分類器最好也只能在軸突路徑長度上達(dá)到十分之一到四十分之一微米的數(shù)量級。圖 1B說明了其含義：聯(lián)接組學(xué)在分類器精度上還需要大約 2 個數(shù)量級的提升，才能合適地自動重構(gòu)僅僅一個神經(jīng)元；而要自動重構(gòu)一整個老鼠的大腦，那還需要另外 7 個數(shù)量級的提升。對比一下這和分類 MNIST 數(shù)據(jù)集中相當(dāng)受限的手寫數(shù)字集合的自動化改進(jìn)：它用去了大約 15 年時間獲得了一個數(shù)量級的錯誤率提升。因此，在提升的絕對數(shù)量和關(guān)于所需速率的兩方面，聯(lián)接組學(xué)的挑戰(zhàn)比其它機(jī)器學(xué)習(xí)基準(zhǔn)艱巨幾個數(shù)量級。
對標(biāo)簽的需求——人vs.機(jī)器
機(jī)器學(xué)習(xí)需要大量有標(biāo)簽的樣本（訓(xùn)練數(shù)據(jù)）。在多數(shù)情況下，人類數(shù)據(jù)標(biāo)準(zhǔn)被認(rèn)為是黃金標(biāo)準(zhǔn)，但手工生成的標(biāo)簽可能包含錯誤。其中有些錯誤與注意力有關(guān)，其它錯誤則可能更系統(tǒng)化。應(yīng)該怎么解決這個問題？人類性能可以通過一致性流程得到大幅增強(qiáng)——在該流程中，標(biāo)簽的生成依據(jù)多個獨(dú)立標(biāo)注而非單獨(dú)一個手工選擇。當(dāng)單人標(biāo)記者錯誤中大部分是沒有偏見且獨(dú)立時，這種流程是尤其成功的（例如當(dāng)錯過神經(jīng)元重構(gòu)中的分支時）。在所有的情況下，人類標(biāo)注需要進(jìn)行交叉驗證，以確保標(biāo)簽的解釋處在所需的誤差范圍內(nèi)。
這仍然是假定手動標(biāo)注比自動標(biāo)注更優(yōu)，而自動標(biāo)注必須要對計算機(jī)而非人類進(jìn)行訓(xùn)練。但用人類生成的標(biāo)簽訓(xùn)練的分類器是否有可能超越人類的表現(xiàn)？在一些情況中，人類標(biāo)注已經(jīng)比自動標(biāo)注差了；以來自鈣瞬變的動作電位的檢測為例，它沒有合理的真實世界檢測可以類比。因為潛在的模型在生物物理學(xué)上已得到了很好的理解，計算機(jī)有望成為比人類更好的分析設(shè)備，手動標(biāo)注也會變得無關(guān)緊要。
因此，一旦有了足夠正確的自動分析模型，計算機(jī)分析的表現(xiàn)原則上就可以超越人類。證明學(xué)習(xí)到的代碼有足夠描述能力，通常很難。
前饋 vs 遞歸( Recurrent )神經(jīng)網(wǎng)絡(luò)架構(gòu)
現(xiàn)在，比較機(jī)器學(xué)習(xí)技術(shù)和合乎生物學(xué)的神經(jīng)元網(wǎng)絡(luò)（biologically plausible neuronal networks）。早期神經(jīng)元網(wǎng)絡(luò)讓人想起感知機(jī)，帶有一個輸入層和一個輸出層。五十多年以后，一項關(guān)鍵改進(jìn)就是使用「深度」網(wǎng)絡(luò)，它包含許多隱藏層（圖中C），通過使用計算機(jī)科學(xué)提供的新學(xué)習(xí)策略，它還能夠被訓(xùn)練，贏得了當(dāng)今包括聯(lián)接組數(shù)據(jù)分類在內(nèi)的機(jī)器學(xué)習(xí)競賽（ML competition）。所有這些仍然是嚴(yán)格的前饋架構(gòu)。但是，大腦中的神經(jīng)網(wǎng)絡(luò)卻是高度遞歸的（recursive）。因此，除了迫切需要深度網(wǎng)絡(luò)，在機(jī)器學(xué)習(xí)領(lǐng)域，當(dāng)訓(xùn)練這些網(wǎng)絡(luò)已經(jīng)成為常規(guī)作業(yè)后，遞歸神經(jīng)網(wǎng)絡(luò)（ recurrent neuronal networks ，RNNs)的使用已經(jīng)重新抬頭。目前，在視覺或聽覺序列的自動分析中，遞歸神經(jīng)網(wǎng)絡(luò)幾乎是最成功的。
這些靈感源自大腦、但人為構(gòu)想出的網(wǎng)絡(luò)架構(gòu)，有無可能實際上就位于大腦分類器的核心呢？我們是否已經(jīng)獲得了這方面的洞見呢？如此以來，我們要做的就是用更好、更高效的機(jī)器實現(xiàn)（machine implementation ）去抗衡和戰(zhàn)勝人類分析（正如更多樂觀的機(jī)器學(xué)習(xí)支持者會贊同的那樣）呢，還是說，我們?nèi)匀贿z漏了某些演化已經(jīng)發(fā)現(xiàn)（但人類認(rèn)為還并未發(fā)現(xiàn)的）技巧？
發(fā)現(xiàn)大腦分類技巧的策略
超越遺傳決定的硬連線（hard-wired）反應(yīng)的感官分類器的關(guān)鍵回路，很有可能位于哺乳動物的大腦皮層。我們可以通過調(diào)查這些回路，來確定生物計算器件（biological computing devices ）演化發(fā)展出來的算法解決方案嗎？（圖D）
感官外圍的輸入，經(jīng)由丘腦神經(jīng)抵達(dá)大腦初級感覺皮層。比如，嚙齒動物初級體覺皮質(zhì)（S1），這里神經(jīng)支配的最大部分，都是以第 4,5,3 層的神經(jīng)元為目標(biāo)的。L4 ，是一個位于鼠類桶狀皮層的獨(dú)特聚類回路，接受并編碼來自鼠類鼻尖觸須的感覺輸入。在一次突發(fā)表征擴(kuò)充中（ a sudden representational expansion），該回路包含2，000個神經(jīng)元 ，相比之下，腦干和丘腦中，僅200個神經(jīng)元負(fù)責(zé)同樣的主要感官輸入。L4 的神經(jīng)元彼此高度聯(lián)結(jié)的（20%-30% 成對發(fā)生的聯(lián)接性，pairwise connectivity），而且它們的主要輸出神經(jīng)元位于 L2 和 L3 以及 L5。L4 第一階段皮層回路的功能是什么呢？有人認(rèn)為，增強(qiáng)丘腦輸入就是它的主要目的。不過，僅為了增強(qiáng)信號而建立一個詳盡的十倍（10-fold）回路擴(kuò)充（ circuit expansion），似乎不可能。
因此，合理的策略是，一開始就繪制老鼠 L4 桶狀皮層的神經(jīng)回路結(jié)構(gòu)，將之作為第一個皮層計算模塊。那些被推薦的機(jī)器學(xué)習(xí)架構(gòu)中，有沒有一款真的可用于這種計算模塊中？如果有，主要數(shù)據(jù)顯示（readouts）位于何處？L2/3或 L5？如何處理自頂?shù)较拢╰op-down）的輸入？假設(shè)是傳輸?shù)匠跫壐泄倨?，如果是這樣的話，那么，傳輸?shù)侥膫€區(qū)域？L4的大多數(shù)神經(jīng)元都太過本地化（local），以致于不能接受經(jīng)由L1的遠(yuǎn)程輸入，但是，L2/3和L5的錐體神經(jīng)元將其樹突延伸到 L1，因此，大體上可以接收自頂而下（top-down）的輸入。
單獨(dú)繪制一個這樣的皮層處理模塊，已經(jīng)限制了可以實現(xiàn)的機(jī)器學(xué)習(xí)架構(gòu)的種類范圍。為了將到單獨(dú)（individual）回路模式與一般回路原理（circuit principles）區(qū)分開，有必要篩選出單獨(dú)回路中不同皮層模塊間、不同單獨(dú)回路皮層模塊間的不變量（invariants），還要篩選回路原理，這些原理或許就是不同感官皮層回路間的不變量，充當(dāng)關(guān)鍵的感官模塊：感覺，聽覺和視覺（分別為 S1, A1, V1）
如今，在一種物種中，比如老鼠，這種「搜索不變量」幾乎是可操作的。成像速度以及分析通量能力的提升，有望重構(gòu)一個皮層模塊，而且顯然也需要篩選技術(shù)。有人可能會問，對于從算法上理解出眾的人類分類能力來說，這是不是已經(jīng)足夠好了？事實上，老鼠的分類表現(xiàn)和現(xiàn)在的計算機(jī)算法差不多，不過，另一方面，詳細(xì)繪制人類皮層網(wǎng)絡(luò)仍然不現(xiàn)實，因為它的規(guī)模太大。
因此，我建議，下一個目標(biāo)應(yīng)該是，沿著物種軸線進(jìn)行比較繪制研究（ comparative mapping along the species axis ）。繪制對象可以從老鼠（mouse)進(jìn)階到大一些老鼠 (rat)，后者的學(xué)習(xí)表現(xiàn)更加高級，其大腦皮層的神經(jīng)元數(shù)量增加了三倍，但是，模塊結(jié)構(gòu)仍然和 S1 中的一樣（只不過體量更大）。通過與老鼠（mouse）的比較，我們可以發(fā)現(xiàn)大一些老鼠（rat）皮層在算法、原理上的改進(jìn)嗎？
貓的情況如何？接下來，非人類的靈長動物，最后，人類大腦皮層樣本。隨著成像和重構(gòu)通量的進(jìn)步，我們會達(dá)到這種程度。有了適當(dāng)?shù)乃惴?zhǔn)備（洞悉老鼠大腦皮層分類器，并將之作為基線，然后一步步沿著物種軸外推），我們就可能僅用幾個更高級物種的樣例，發(fā)現(xiàn)現(xiàn)在有哪些新的算法發(fā)明堪比更簡單動物的大腦皮層。
這樣一個研究項目，我們已經(jīng)在實驗室中求索數(shù)年，它極富抱負(fù)，也許會花費(fèi)數(shù)十年才能成功。其研究目標(biāo)已經(jīng)引起 IARPA （重磅 | 揭秘IARPA項目：解碼大腦算法或?qū)氐赘淖儥C(jī)器學(xué)習(xí)）的主要關(guān)注。即使一開始，進(jìn)展會比較緩慢，但是，破解大腦中生物計算器件的分類竅門，這一追求是開放的，而且通過提供比目前人們所能想到的算法都要好的算法，我們的研究最終也將反哺計算機(jī)科學(xué)。這一過程中，我們需要機(jī)器學(xué)習(xí)的鼎力相助。
------------------------------------------------
點(diǎn)擊「查看原文」了解數(shù)博會 人工智能遇上大數(shù)據(jù) 分論壇。
