逆向工程中的悖論：通過大數(shù)據(jù)實(shí)現(xiàn)少樣本？

如此看來，針對大腦的逆向工程除了在研究方式上更為特出，分工上更聚焦細(xì)節(jié)之外，跟以往的大腦模擬工程等等也并無差別。

但值得注意的是，Microns和其他大腦模擬最大的差別，就在于目標(biāo)明確。

在13年“BRAIN倡議”被提出時(shí)，當(dāng)時(shí)定下的目標(biāo)是通過研究大腦來研究阿爾茨海默病、自閉癥等等疾病。但實(shí)際上真正開始啟動(dòng)時(shí)，最受關(guān)注的項(xiàng)目Microns卻將目標(biāo)圈定在了人工智能應(yīng)用方面，三個(gè)團(tuán)隊(duì)每個(gè)都配上了至少一位算法科學(xué)家，為了把神經(jīng)學(xué)的結(jié)果轉(zhuǎn)換成可應(yīng)用的計(jì)算機(jī)科學(xué)。

如此來看，大腦研究與人工智能之間有種“有事鐘無艷，無事夏迎春”的感覺。平時(shí)腦科學(xué)研究總將目標(biāo)放在心理學(xué)、神經(jīng)學(xué)、醫(yī)學(xué)學(xué)科上，可一旦人工智能有熱度可蹭，與腦科學(xué)有關(guān)的類腦計(jì)算、認(rèn)知計(jì)算等等，又立刻成為了人工智能的明日之光。

就拿Microns這一個(gè)項(xiàng)目來說，就存在著嚴(yán)重的悖論。

首先Microns的目標(biāo)，是通過對大腦的模擬推演，實(shí)現(xiàn)更高效的少樣本甚至無樣本學(xué)習(xí)，讓神經(jīng)網(wǎng)絡(luò)不再需要依靠大量的數(shù)據(jù)就行建立模型。

而以目前這種對大腦逆向工程的手段來看，Microns率先輸出的并不是算法，而是海量的神經(jīng)元運(yùn)動(dòng)數(shù)據(jù)——每立方毫米的腦組織就會(huì)產(chǎn)生1到2 PB的數(shù)據(jù)。

所以為了處理這些數(shù)據(jù)，Microns率先要研發(fā)出能夠承載海量數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型，耗費(fèi)大量時(shí)間進(jìn)行訓(xùn)練，興許還要利用上超算。

整個(gè)過程，是與Microns項(xiàng)目的初衷背道而馳的。

Microns是誰的磚石瓦片？

其實(shí)對于Microns的未來，研究人員自己也很悲觀。雖然如今Microns的贊助費(fèi)用已經(jīng)高達(dá)上億美元，參與研究的哈佛大學(xué)神經(jīng)學(xué)家David Cox卻表示，人腦研究實(shí)在是太過龐雜的命題，他們一定會(huì)得出結(jié)果，但這些結(jié)果很難符合人們的預(yù)期。

目前來說，Microns已經(jīng)能夠?yàn)閷?shí)驗(yàn)鼠的一些神經(jīng)元進(jìn)行簡單的分類。例如在分辨出在受到刺激時(shí)，哪些神經(jīng)元互相連接，哪些神經(jīng)元又是相對獨(dú)立的。只是這樣的結(jié)果不僅離應(yīng)用還很遠(yuǎn)，就連理論化和體系化都很難做到。

最后Microns項(xiàng)目的結(jié)果，很有可能只是累積下來大量關(guān)于神經(jīng)元運(yùn)動(dòng)的數(shù)據(jù)，在開放給社會(huì)之后，等待更多力量共同挖掘。這個(gè)過程就像蓋房子，或許今天我們見證的，僅僅是準(zhǔn)備磚石瓦片的過程。利用這些磚石瓦片的，或許是人工智能，也或許是腦科學(xué)。

腦科學(xué)與人工智能之間的關(guān)系，有時(shí)候就像狗血言情小說里面的男女主角，看似天生一對，卻歷經(jīng)波折總是不能在一起。但是在彼此追逐的過程中，都獲得了更好的成長。