摘要：作為生命科學(xué)的神經(jīng)科學(xué)，依然以和蛋白質(zhì)為基礎(chǔ)，橫跨分子，細(xì)胞，組織，動(dòng)物行為等各個(gè)尺度，描繪神經(jīng)系統(tǒng)的形態(tài)和行為。你埋頭在蛋白質(zhì)的研究中，不代表你對(duì)神經(jīng)網(wǎng)絡(luò)有任何有效的理解。平衡狀態(tài)的神經(jīng)網(wǎng)絡(luò)具有較大的對(duì)外界信號(hào)較大的響應(yīng)能力。

承接上文，計(jì)算神經(jīng)科學(xué)是一門超級(jí)跨學(xué)科的新興學(xué)科，幾乎綜合信息科學(xué)，物理學(xué)， 數(shù)學(xué)，生物學(xué)，認(rèn)知心理學(xué)等眾多領(lǐng)域的成果。大腦像一臺(tái)超級(jí)計(jì)算機(jī)，同時(shí)它又迥異于計(jì)算機(jī)，因?yàn)樗腔钌募?xì)胞組成的，屬于生物那個(gè)不確定性的世界。

構(gòu)成一臺(tái)計(jì)算機(jī)的原件是晶體管而大腦是細(xì)胞。他們屬于截然相反的世界。硬邦邦的晶體管只有開和關(guān)兩個(gè)狀態(tài)，每個(gè)晶體管都相同而且始終不變，不變是它的本質(zhì)，可靠是它的本性。細(xì)胞類似一兜水，它的狀態(tài)無窮多，沒有哪兩個(gè)細(xì)胞相同，即使同一個(gè)細(xì)胞也沒有兩個(gè)時(shí)刻是相同的，變化是它的本質(zhì)，辯通是它的本性（adaptation）。

還有一個(gè)重要的事實(shí)是計(jì)算機(jī)是設(shè)計(jì)出來的，而大腦的形成是生物發(fā)育過程中自發(fā)演化的產(chǎn)物，并無預(yù)先設(shè)定的圖紙。即使每一個(gè)細(xì)胞都包含全套DNA編碼，但是它所包含的信息依然不能告訴它大腦的全貌，而最多提供演化過程中在特定環(huán)境下的行為指令（類似圖靈機(jī)的行為列表）。?

綜上，我說大腦是計(jì)算機(jī)不如說它是一片胡亂生長的原始森林，每個(gè)神經(jīng)元就是一棵樹，都努力的爭奪水分陽光拼命生長。但是整體看一片森里卻秩序井然。

研究生物的方法研究神經(jīng)科學(xué)夠用嗎？

生物學(xué)的核心任務(wù)是認(rèn)識(shí)生物體作為化學(xué)反應(yīng)的機(jī)器，并且準(zhǔn)確的描述DNA和它們控制的每一種蛋白的功能。 作為生命科學(xué)的神經(jīng)科學(xué)，依然以DNA和蛋白質(zhì)為基礎(chǔ)，橫跨分子，細(xì)胞，組織，動(dòng)物行為等各個(gè)尺度，描繪神經(jīng)系統(tǒng)的形態(tài)和行為。

生物學(xué)研究神經(jīng)科學(xué)的目標(biāo)是，把神經(jīng)系統(tǒng)當(dāng)做一個(gè)相互連接的電路研究，看清它們每一部分的功能和每個(gè)部分之間的聯(lián)系。好像在做一部記錄片，把大腦這片原始森林的每一棵樹的春夏秋冬記錄下來。

生物學(xué)的這套方法取得了巨大的成就，給予我們對(duì)我們身體幾乎全部的理解。但是神經(jīng)系統(tǒng)的問題卻相比其它系統(tǒng)進(jìn)步緩慢，原因是什么？

首先一個(gè)問題，海量細(xì)節(jié)，先說人腦的神經(jīng)元有100億個(gè)，全地球的人口，每個(gè)都不同，即使分成大類也無窮無盡，想抓住所有細(xì)節(jié)幾乎做不到，在這樣的海洋里抓住關(guān)鍵性的細(xì)節(jié)，猶如大海撈針。

第二個(gè)問題，神經(jīng)系統(tǒng)元件之間相互作用復(fù)雜。神經(jīng)系統(tǒng)的相互作用，往往是非線性的，根據(jù)各種條件變化無窮無盡，很難想研究植物的向光性那樣簡單得出。

第三個(gè)問題，神經(jīng)系統(tǒng)的研究是個(gè)跨尺度問題，從蛋白質(zhì)分子到細(xì)胞到網(wǎng)絡(luò)，由于第二點(diǎn)提到的非線性，每個(gè)級(jí)別的跨越都不只是數(shù)量的增長，而是呈現(xiàn)全新的性質(zhì)。你埋頭在蛋白質(zhì)的研究中，不代表你對(duì)神經(jīng)網(wǎng)絡(luò)有任何有效的理解。

因此在神經(jīng)系統(tǒng)這片原始森林里，光去拿著放大鏡對(duì)著每一棵樹看難以取得成效（雖然是不可或缺的）。

圖： 神經(jīng)系統(tǒng)的原件--神經(jīng)元及相互連接的關(guān)鍵-synapse。 可見這樣的基本元件已經(jīng)包含無窮細(xì)節(jié)。

計(jì)算神經(jīng)科學(xué)的靈魂

通過計(jì)算神經(jīng)科學(xué)，我們把握的是神經(jīng)電路的算法，而算法，是這個(gè)系統(tǒng)的靈魂。我們都知道，實(shí)現(xiàn)一個(gè)算法可以用無數(shù)手段，甚至完全不同的硬件，但只要算法不變，它所做的事情就是一樣的。

一個(gè)基本的假設(shè)是大腦的各個(gè)不同功能區(qū)，比如視覺，聽覺，嗅覺等， 實(shí)際運(yùn)用的編碼（encoding）和解碼（decoding）算法是類似的， 而這種相似性基于類似的設(shè)計(jì)原則

驗(yàn)證這一個(gè)假想的驚人例子是，某個(gè)特定腦區(qū)的功能不是確定不變的?？茖W(xué)家已經(jīng)成功實(shí)現(xiàn)了引導(dǎo)小鼠大腦的聽覺區(qū)產(chǎn)生類似視覺的功能，只要用視覺信號(hào)訓(xùn)練它即可。這個(gè)原理被用于給盲人安裝“電子眼”的研究，給盲人加上類似蝙蝠的聲納系統(tǒng)，然后引導(dǎo)他們的聽覺腦區(qū)利用類似處理視覺信號(hào)的方法看到物體。

這個(gè)例子凸顯了有什么樣的需求，系統(tǒng)就采取相應(yīng)的算法與之適應(yīng)。

終于可以引出計(jì)算神經(jīng)科學(xué)的本質(zhì)目的，研究神經(jīng)系統(tǒng)處理信息的算法，它是如何在和外界的信息交換中調(diào)整自身的。它也關(guān)心細(xì)節(jié)，但是它關(guān)注的是細(xì)節(jié)是如何在更大的尺度上發(fā)揮它的影響的。

它關(guān)注實(shí)現(xiàn)大腦認(rèn)知功能的”算法“，但與設(shè)計(jì)一臺(tái)超級(jí)計(jì)算機(jī)的思路不同的是，它關(guān)注的是的隨機(jī)無序的生物世界如何實(shí)現(xiàn)高效有序的計(jì)算，而且具備目前計(jì)算機(jī)不具備的靈活性。與生物學(xué)研究的不同的是，他始終關(guān)注生物原件的計(jì)算特性，生物原件是如何接受大自然的信號(hào)，編碼他們（coding），表達(dá)他們(cognition) 和處理他們（behaivior）。

大腦信息處理的基本原則：

1. 多層神經(jīng)網(wǎng)絡(luò)（又稱深度網(wǎng)絡(luò)）：

神經(jīng)網(wǎng)絡(luò)不能理解為細(xì)胞的簡單加和，由于細(xì)胞之間的作用是非線性的，他們的組合可以產(chǎn)生各種單個(gè)體沒有的性質(zhì)-例如對(duì)復(fù)雜物體的分類識(shí)別（classification）。

而另一個(gè)基本的性質(zhì)，即多層網(wǎng)絡(luò)，則可以大大增加這種功能在復(fù)雜輸入面前的執(zhí)行準(zhǔn)確度以及識(shí)別物體的全局特征，比如某些抽象特征。

關(guān)于多層的好處的最簡單理解是，增加運(yùn)算的復(fù)雜度。 比如第一層執(zhí)行加法， 那么第二層就可以在加法之上實(shí)現(xiàn)乘法，第三層實(shí)現(xiàn)乘方。 越復(fù)雜的運(yùn)算，就越有利于系統(tǒng)把握一些簡單運(yùn)算難以識(shí)別的特征，這些特征往往是總體性全局性的信息，而非局部， 比如你要識(shí)別一張人臉，光看鼻子或者嘴是沒有意義的，而人腦即使對(duì)一張模糊的人臉照片也可以立即識(shí)別，就是因?yàn)樗哂卸鄬泳W(wǎng)絡(luò)的性質(zhì)， 能夠抓取一些總體性的特征。

圖： 多層網(wǎng)絡(luò)示意圖，從輸入到輸出，中間經(jīng)過多層級(jí)的信息處理。

圖： 多層網(wǎng)絡(luò)，從簡單運(yùn)算到復(fù)雜運(yùn)算（比特加和，數(shù)字加和，至乘法）。（圖片來源:http://neuralnetworksanddeeplearning.com/chap5.html）

圖： 視覺回路， 示范大腦內(nèi)普遍存在的多層網(wǎng)絡(luò)特性。 從視網(wǎng)膜到LGN到視覺皮層，是一個(gè)典型的多級(jí)深度網(wǎng)絡(luò)（左圖）。 而在每一個(gè)層級(jí)上所執(zhí)行的運(yùn)算復(fù)雜度逐級(jí)上升（右圖）， 第一層只能識(shí)別局部反差，后面開始識(shí)別輪廓，直到越來越全局和抽象的信息。 (圖片來源：http://facets.kip.uni-heidelberg.de/public/results/1stYear/WP9/)

2. 可塑性與記憶，Plasticity & Memory

神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是具備可塑性， 這是我們能夠?qū)W習(xí)和記憶的基礎(chǔ)，一個(gè)沒有可塑性的網(wǎng)絡(luò)從生到死都執(zhí)行一樣的功能。 這種可塑性用一句話表明就是在一起放電的細(xì)胞互相連接會(huì)被一起改變。 體現(xiàn)在當(dāng)一團(tuán)神經(jīng)元被激活后， 它們之間的鏈接會(huì)根據(jù)互相之間活動(dòng)的時(shí)間關(guān)系進(jìn)行調(diào)整。 因此在一起放電的細(xì)胞會(huì)聯(lián)系更加緊密，形成一個(gè)子網(wǎng)，一旦形成子網(wǎng)，細(xì)胞就更容易一起放電，因而更加鞏固練習(xí)，最終，形成一個(gè)整體性的基團(tuán)（這和人類組織形成并無二致，一起活動(dòng)就結(jié)合在一起，成為小圈子），只要觸發(fā)其中一個(gè)細(xì)胞，整個(gè)子網(wǎng)都會(huì)相應(yīng)。類似于我們的記憶，所謂觸景生情，睹物思人。

最經(jīng)典的例子莫過于巴甫洛夫的狗的條件反射實(shí)驗(yàn)，狗流口水和鈴鐺響一開始沒有什么聯(lián)系，但是當(dāng)食物在鈴鐺響的時(shí)候頻繁出現(xiàn)之后，狗就會(huì)在鈴鐺響后分泌口水，就是因?yàn)榇砹骺谒纳窠?jīng)元和代表鈴鐺的神經(jīng)元加強(qiáng)了聯(lián)系，從而當(dāng)激活一個(gè)時(shí)候，另一個(gè)就會(huì)自動(dòng)響應(yīng)。

圖： 神經(jīng)可塑性工作的原理。 一起放電的細(xì)胞連接加強(qiáng)而形成集團(tuán)。紅色代表一起放電的神經(jīng)元，之間的連線代表它們的網(wǎng)絡(luò)連接，色彩濃度代表連接強(qiáng)度。

3. 陰陽相生相克- 興奮抑制神經(jīng)元與平衡神經(jīng)網(wǎng)絡(luò)

神經(jīng)細(xì)胞大致分為兩類，一類是興奮性的，其活動(dòng)的結(jié)果是提高其它神經(jīng)元的活動(dòng)強(qiáng)度，相當(dāng)于正反饋。 一類是抑制性的，其活動(dòng)的結(jié)果會(huì)降低其它神經(jīng)元的活躍性，相當(dāng)于負(fù)反饋，負(fù)反饋對(duì)于整個(gè)網(wǎng)絡(luò)活動(dòng)的調(diào)節(jié)具有至關(guān)重要的作用，負(fù)反饋的缺乏往往導(dǎo)致癲癇一類嚴(yán)重的神經(jīng)疾病 。一個(gè)正常工作的神經(jīng)網(wǎng)絡(luò)處在平衡狀態(tài)上（Balaced State） 這樣一種基本結(jié)構(gòu)正如同大自然各個(gè)地方一樣，體現(xiàn)了一種平衡制約的思維。平衡狀態(tài)的神經(jīng)網(wǎng)絡(luò)具有較大的對(duì)外界信號(hào)較大的響應(yīng)能力。

圖： 興奮和抑制神經(jīng)元的陰陽相抵，下圖展示當(dāng)這種平衡出現(xiàn)差錯(cuò)，抑制神經(jīng)元的功能不正常的時(shí)候一種可能的結(jié)果是導(dǎo)致精神分裂癥（圖片來源：Testing the glutamate hypothesis of schizophrenia ，Nature neuroscience）

4. 貝葉斯網(wǎng)絡(luò)假設(shè)

大腦信息處理有沒有通用的法則，如同物理里的牛頓定律呢？ 一個(gè)大膽的設(shè)想是，大腦對(duì)信息的處理符合貝葉斯推理的基本框架。即利用大腦已有的經(jīng)驗(yàn)?zāi)Ｐ妥龀霾聹y(cè)，并根據(jù)不斷取得新的信息調(diào)整猜測(cè)。

比如后面有一頭獅子追你， 你跑呀跑，看到一條湍急的河， 你要在幾秒鐘決定你是跳到水里， 還是和獅子決一死戰(zhàn)。這個(gè)時(shí)候大腦的預(yù)測(cè)能力就是生死攸關(guān)， 你一定會(huì)在你腦子里生成兩個(gè)圖景，一個(gè)是跳到水里會(huì)是什么樣，一個(gè)是與獅子決斗會(huì)是什么樣。這種推理是怎么做出的？ 一個(gè)基本假設(shè)是大腦在執(zhí)行類似于貝葉斯推理的功能。首先，根據(jù)以往的經(jīng)驗(yàn)（統(tǒng)計(jì)規(guī)律）看你和獅子決斗是怎樣的（腦中生成的圖像）， 在把對(duì)眼下這頭獅子的觀測(cè)和以往對(duì)獅子的經(jīng)驗(yàn)理論結(jié)合起來（胖還是瘦，跑的快還是慢），取得一個(gè)取勝獅子的概率，這個(gè)決策的基礎(chǔ)是一個(gè)分布函數(shù)，因此本身也具有不確定性。也許你這一次是決定和獅子決斗，下次相同的情況就是跳到激流里碰運(yùn)氣。 這種分布式?jīng)Q策對(duì)于種群的生存起到?jīng)Q定性的作用。如果所有人都選擇斗獅子或者跳激流，而恰恰押錯(cuò)了堵住，那么對(duì)生物物種就是毀滅性的。

這種框架性的思路可以幫我們理解神經(jīng)元放電的可變性及不確定性提供基礎(chǔ)，因?yàn)槟闶窃诓淮_定的世界做統(tǒng)計(jì)推理，而非直接了當(dāng)?shù)慕o出確定答案，你的原件本身就需要具有這種不確定性。

5. 跨尺度的復(fù)雜性

所謂跨尺度的復(fù)雜性，是說與計(jì)算機(jī)不同的是，神經(jīng)系統(tǒng)每個(gè)級(jí)別都具有其自身的復(fù)雜性，或者說自身都是一個(gè)小網(wǎng)絡(luò)，小宇宙。 比如神經(jīng)網(wǎng)絡(luò)由神經(jīng)細(xì)胞組成，而神經(jīng)細(xì)胞又是由互相作用的離子通道構(gòu)成，可以看成離子通道的網(wǎng)絡(luò)。 因此我一直覺得與其說神經(jīng)網(wǎng)絡(luò)是一臺(tái)超級(jí)計(jì)算機(jī)，不如說是一個(gè)龐大的計(jì)算機(jī)網(wǎng)絡(luò)，因?yàn)槊恳粋€(gè)神經(jīng)元就相當(dāng)于一臺(tái)計(jì)算機(jī)。

上一級(jí)的復(fù)雜性如何影響下一級(jí)的復(fù)雜性，是一個(gè)永恒的話題，這樣層層嵌套的復(fù)雜系統(tǒng)真的需要嗎？還是只是進(jìn)化過程的累贅？

計(jì)算神經(jīng)科學(xué)的基本方法

這門學(xué)問的研究方法是頂層設(shè)計(jì)與尋找蛛絲馬跡的偵探工作的結(jié)合。

那么我們?cè)撛趺戳私狻吧窠?jīng)森林”？ 一句話--先從上往下看，再由下往上看。

什么叫從上往下看？ 生物學(xué)家往往看我有什么，我有細(xì)胞，我有網(wǎng)絡(luò)，我看看它們?cè)趺催B接。工程師往往看我需要什么，我要做一臺(tái)計(jì)算機(jī)，我需要什么元件，怎么連接？ 工程師的思路就是從上往下看，我需要什么，我就設(shè)計(jì)什么。

在研究神經(jīng)系統(tǒng)時(shí)，我們需要用工程師的想法（自上而下）。 我要是有一堆神經(jīng)元組成的網(wǎng)絡(luò)，我讓它做哪些事情？ 比如說記憶，當(dāng)信息流過一堆細(xì)胞，它如何留下之后可以認(rèn)讀的印記？又如何在特殊的條件下被呼喚出來？

這就是計(jì)算神經(jīng)科學(xué)在做的事情，我們先主動(dòng)設(shè)計(jì)這個(gè)一個(gè)系統(tǒng)，看看如何做到需要的功能（自上而下），然后拿著這個(gè)東西回到生物的世界里去比較（由下而上）。

科學(xué)說到底是要能夠有預(yù)知未來的能力，而計(jì)算神經(jīng)科學(xué)幫助整個(gè)神經(jīng)科學(xué)插上了預(yù)言的翅膀

實(shí)現(xiàn)的辦法我稱作模型與實(shí)驗(yàn)的循環(huán)。

自上而下。如果要實(shí)現(xiàn)一定的任務(wù)，需要什么樣的網(wǎng)絡(luò)。類似于把自己比喻成大腦的設(shè)計(jì)者。

自下而上。但是之前說了大腦沒有設(shè)計(jì)者??？ 所以這里解決這個(gè)問題。根據(jù)生物實(shí)驗(yàn)結(jié)果，推測(cè)生物的神經(jīng)元是如何自然的組成網(wǎng)絡(luò)給出上述設(shè)計(jì)師的類似構(gòu)架的。

綜合1，2建模。以上完成了頂層設(shè)計(jì)結(jié)合實(shí)驗(yàn)結(jié)果設(shè)計(jì)模型的過程，猶如從地上獅子的腳印識(shí)別獅子（其實(shí)這就是我們的大腦始終在干的事情，反過來我們用它研究大腦）。

由獅子推斷獅爪。 現(xiàn)在我們通過偉大的想象力得來了一頭活生生的獅子，它可以四處活動(dòng)留下無數(shù)的腳印。我們讓它在計(jì)算機(jī)里活動(dòng)（所謂Simulation）。得到各種特點(diǎn)的腳印。這就是我們的預(yù)測(cè)能力的來源，我們可以知道他今天的行動(dòng)，也可以得到他明天后天的行動(dòng)。

回到實(shí)驗(yàn)檢驗(yàn)。 讓現(xiàn)實(shí)生活中的獅子多跑跑再留下一些腳印，看看是否符合模型推理的結(jié)果。

由此可見計(jì)算神經(jīng)科學(xué)的威力。我們從一棵樹木推斷了整片森林，由獅子的腳印探測(cè)了獅子。

這個(gè)學(xué)科的魅力，也在想象與真實(shí)時(shí)近時(shí)遠(yuǎn)，若即若離的關(guān)系。

一個(gè)大家可以多專注的典型案例是對(duì)海馬體（hippocampus）的研究，海馬體是大腦解決空間認(rèn)知（spatial map）和情景記憶（時(shí)空軌跡）的超級(jí)計(jì)算器。這個(gè)原件的研究緊密的結(jié)合了細(xì)胞電生理實(shí)驗(yàn)，動(dòng)物行為學(xué)和計(jì)算神經(jīng)科學(xué)，也有非常多漂亮的計(jì)算模型。

計(jì)算神經(jīng)科學(xué)，你真的需要

基礎(chǔ)牢固的是細(xì)胞神經(jīng)科學(xué)，高端洋氣能引起人們關(guān)心的是心理學(xué)，那么計(jì)算神經(jīng)科學(xué)呢，計(jì)算神經(jīng)科學(xué)用漂亮的數(shù)學(xué)式架通兩個(gè)截然不同的尺度(雖然目前還有距離)。

基于細(xì)胞尺度的神經(jīng)科學(xué)在給它提供地基，捕風(fēng)捉影的心理學(xué)在給它引領(lǐng)方向，而他，具有潛力比兩者走的更遠(yuǎn)。

未來可能從計(jì)算神經(jīng)科學(xué)中獲益的幾類人：

1. 在實(shí)驗(yàn)室里辛苦做電生理的生物博士們：計(jì)算神經(jīng)科學(xué)家利用它們對(duì)整個(gè)系統(tǒng)運(yùn)行機(jī)制的把握較大可能的對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行挖掘，并且?guī)椭O(shè)計(jì)具有突破性的實(shí)驗(yàn)。

2. 生物制藥公司：幫助設(shè)計(jì)新藥，減少一種新藥的試驗(yàn)?zāi)晗?。制藥的根本在于某種化學(xué)物質(zhì)對(duì)整個(gè)神經(jīng)網(wǎng)絡(luò)可能產(chǎn)生的影響，做跨尺度的分析恰是計(jì)算神經(jīng)科學(xué)的長處。

3. 人工智能：對(duì)生物大腦的理解幫助人工智能，類似仿生學(xué)。此處請(qǐng)看后文。

4. 腦科及心理醫(yī)生：每一個(gè)好的計(jì)算模型都可以幫助設(shè)計(jì)新的治療方法。最典型的例子-老年癡呆癥，如果能夠了解人腦短期和長期記憶的機(jī)制就可以幫助人找到記憶衰退的原因并延緩它。

5.普羅大眾： 沒有什么比腦科學(xué)更能幫助每個(gè)人生活的更好。

關(guān)于計(jì)算神經(jīng)科學(xué)與人工智能：

人工智能和機(jī)器學(xué)習(xí)相關(guān)的技術(shù)代表人類的未來， 未來從家政服務(wù)到金融交易都將以這種技術(shù)為基礎(chǔ)。但是它到底是否和我們真實(shí)生物的大腦有關(guān)呢？ 我們是否應(yīng)該以人類自己的腦袋為師，還是可以直接通過我們巧妙的設(shè)計(jì)來超越自然本身？ 亦或者這就是上帝的計(jì)劃的一部分？ 讓人類產(chǎn)生甚至超越自己的東西？

回答這些問題都為時(shí)過早。但是目前已知的是，所有的人工智能算法都利用了和我們神經(jīng)系統(tǒng)學(xué)習(xí)和處理信息類似的原則，比如多層網(wǎng)絡(luò)處理信息。 在視覺處理領(lǐng)域，2012 年一個(gè)叫深度卷積網(wǎng)絡(luò)的技術(shù)脫穎而出， 瞬間拿下了所有視覺信息識(shí)別的計(jì)算機(jī)大賽。 深度卷積網(wǎng)絡(luò)（Deep Convolutional Neural network ）是深度網(wǎng)絡(luò)的一種（見下圖）， 完全符合前文提到的神經(jīng)網(wǎng)絡(luò)的基本原理第一條。

圖：用于視覺處理的深度神經(jīng)網(wǎng)絡(luò)。從局部到全局，由圖像最后判斷圖像背后的人物是誰。

因此我認(rèn)為人工智能和計(jì)算神經(jīng)科學(xué)具有某種內(nèi)在的同質(zhì)性， 的區(qū)別可能是人工智能可以不必拘泥生物的限制，或者也是為什么他最終或許會(huì)比生物網(wǎng)絡(luò)表現(xiàn)更好。

* 有一種觀點(diǎn)認(rèn)為好的人工智能算法無需一定是仿生的，我們可以完全從一般性原理出發(fā)設(shè)計(jì)。 比如說常見的數(shù)學(xué)優(yōu)化問題， 用隨機(jī)優(yōu)化進(jìn)行學(xué)習(xí)的機(jī)器人已經(jīng)能夠較好的模擬很多人的動(dòng)作。 事實(shí)上我認(rèn)為一定程度上依然和生物問題殊途同歸，甚至能夠幫我們更好的理解生物。?

圖： 機(jī)器人可以利用優(yōu)化目標(biāo)函數(shù)的方法學(xué)習(xí)行走跑步等，動(dòng)作已經(jīng)十分類似真人。

結(jié)語：

有一天，我們知道的比占星術(shù)更多一點(diǎn)。我們會(huì)在錯(cuò)綜復(fù)雜的心理現(xiàn)象之間劃出一張真正清晰的聯(lián)系圖。并且給每個(gè)出生的嬰兒這樣一張他的心智地圖。引導(dǎo)他的一生可以過的比較好一點(diǎn)，讓每一個(gè)人的天賦都充分發(fā)揮不至埋沒。 或許有一天機(jī)器可以作為大腦的外延，讓我們掌握我們此生根本無法想象的咨詢和智慧。

計(jì)算神經(jīng)科學(xué)，生命終將因你更美好。

由衷感謝:

阿蘭圖靈： 人工智能之父。第一個(gè)物理學(xué)的動(dòng)力學(xué)方程解釋生物系統(tǒng)的pattern formaiton（圖案-如斑馬的花紋）。 曾經(jīng)，人們不敢相信紛繁的生物現(xiàn)實(shí)可以產(chǎn)生自簡單的物理方程。

Hodgkin and Huxley: 大名鼎鼎的H&H模型，用幾個(gè)極為漂亮的微分方程提供了單個(gè)神經(jīng)元放電的較精確模型：H&H把電生理實(shí)驗(yàn)和物理動(dòng)力學(xué)緊密結(jié)合，展示了數(shù)理方程在解決這樣一個(gè)復(fù)雜生物問題的威力，堪稱生物物理的經(jīng)典勝利。

Donald Hebb ： 第一個(gè)建立起來細(xì)胞生物學(xué)和心理學(xué)的聯(lián)系。提出Hebb learning rule 指出神經(jīng)系統(tǒng)學(xué)習(xí)的機(jī)制 -經(jīng)常一起方便的神經(jīng)元會(huì)更強(qiáng)的聯(lián)系在一起，從而學(xué)習(xí)記憶。

Hopefield : 第一次將統(tǒng)計(jì)物理的方法帶入神經(jīng)網(wǎng)絡(luò)，解釋了神經(jīng)網(wǎng)絡(luò)記憶和推理的可能性。

藍(lán)色大腦計(jì)劃： 一個(gè)把巨量神經(jīng)元放入電腦中模擬計(jì)劃，企圖制造人工大腦。 類似于阿波羅登月的壯舉，無論成功與否。網(wǎng)址：http://bluebrain.epfl.ch/

圖： 藍(lán)色大腦計(jì)劃想要復(fù)制的人類大腦局部。

推薦閱讀（Reference）：?

Hodgkin Huxley Model

Hodgkin, Alan L., and Andrew F. Huxley. "A quantitative description of membrane current and its application to conduction and excitation in nerve."The Journal of physiology 117.4 (1952): 500-544.

Hebbian Lerning

Hebb, Donald Olding. The organization of behavior: A neuropsychological theory. Psychology Press, 2005.

Hopefield Model

Hopfield, John J. "Neurons with graded response have collective computational properties like those of two-state neurons." Proceedings of the national academy of sciences 81.10 (1984): 3088-3092.

Balanced Network

van Vreeswijk, Carl, and Haim Sompolinsky. "Chaos in neuronal networks with balanced excitatory and inhibitory activity." Science 274.5293 (1996): 1724-1726.