聚焦AI与神经科学的共生共赢，「人工智能×基础科学系列论坛」第五期开讲

过去十年，人工智能特别是深度学习的发展突飞猛进，在识别、分类等基础任务上，AI模型已经获得了相当出色的准确率。但最近两年，一些学者指出深度学习存在局限性，难以实现通用人工智能。

人们开始思考：如何能让 AI 实现类似于人脑的强大智能能力？

一些研究者提出我们应该从神经科学中汲取灵感，同时AI模型也能推动神经科学领域的进展，人工智能与神经科学共生共赢。

为更好地促进学术交流，尤其是交叉学科和前沿工作的同行交流，机器之心与中科院自动化所联合举办「人工智能×基础科学系列论坛」，特邀领域专家担任主持人，尝试在更轻松和开放的交流氛围下，邀请研究者分享近期工作，讨论热点问题。

11月24日10:00-12:00，最新一期系列论坛以「AI 如何与神经科学共生共赢」为主题，核心受众为 AI 与神经科学领域硕博研究生和科研人员，关注人工智能与神经科学的交叉融合，尤其是在脑及认知科学领域的应用。

特邀主持人介绍

宋森， 清华大学长聘副教授，清华大学脑与智能实验室助理主任，清华大学医学院生物医学工程系研究员，IDG/麦戈文脑研究院及清华大学北京市中医药交叉研究所成员。

2002年宋森获美国布兰戴斯大学计算神经学博士学位，毕业后在冷泉港实验室及麻省理工学院完成了博士后研究。他于 2010年加入清华大学，主要从事计算神经科学和类脑智能的跨界研究，对神经环路研究、人工智能和生物信息学及演化基因组学也有相当经验。其代表性工作包括发表于Nature Neuroscience和Neuron杂志的对神经突触可塑性精确放电时间依赖性 (STDP)的理论研究，以及发表于PLos Biology杂志的对脑网络最小模块结构的研究。近年来他对情绪和动机的脑神经回路及中枢与外周的交互也有一系列研究，发表于Cell Reports、biology等杂志。

此外，宋森也积极将人工智能算法运用在脑动态网络数据的解析以及医疗和教育领域。宋森实验室学生廖方舟和计算机系胡晓林实验室学生一起在2017年Kaggle Datascience Bowl国际大赛中，从数千个团队中脱颖而出，获得第一名，开发了根据 CT影像的肺癌预测算法。廖方舟参与的树坤公司目前是国内人工智能医疗领域的领军创业企业之一。最近宋森实验室的新兴趣点包括：全脑认知模型、复杂时空数据如EEG的分析方法以及在社会交互和积极心理学研究中的应用、神经美学、元宇宙等。

特邀嘉宾与主题介绍

分享主题：结合生物大脑决策机制，发展具有高鲁棒性的类脑深度学习算法

嘉宾简介： 周熠，中国科学技术大学教授，博导，知识计算实验室主任。曾任张江实验室研究员，新西兰梅西大学教授，曾获得上海高层次人才计划。

周熠教授的研究方向为人工智能，主要包括：认知智能—机器如何更好表示、学习与推理知识，知识+数据库管理系统，理解自然语言和机器语言，基于知识的人工智能编程语言，IMO自动答题等；类脑智能—如何深度借鉴脑科学重要发现设计新的神经网络机制；认知与类脑智能结合—如何更好融合基于逻辑的知识驱动符号流派和基于神经网络的数据驱动连接流派；认知智能与类脑智能在如运维、资管、教育、工业、医疗等领域的应用。

周熠教授原创提出新的知识模型——知识方程，也是一阶回答集程序设计的奠基人及主要推动人之一，提出了首个刻画遗忘的公理系统，获得首届美国高考数学问题自动答题机器人竞赛冠军等。他在人工智能一流期刊和会议上发表论文50余篇，其中包括在顶级期刊Artificial Intelligence上发表的6篇长文。周熠教授还长期担任人工智能顶级会议程序设计委员会委员，包括IJCAI、AAAI、KR等等。

分享背景： 随着人工智能（AI）的发展，实际应用如自动驾驶，对于AI算法的鲁棒性提出了愈加严峻的要求。当前深度神经网络模型非常易于受到攻击，通过在输入信息上加入难以识别的微小噪声，可以让模型产生完全错误的判断。同时，模型的复杂性和攻击方式的多样性使得对应的防御算法的开发面临重重困难。另一方面，动物和人类在做决定的时候，虽然感官刺激可能存在许多噪声，但是大脑可以排除各种干扰，最终做出合理的选择。这提示我们，借鉴生物大脑的决策机制很可能为解决AI算法的鲁棒性问题带来新的曙光。

分享摘要： 深度神经网络模型深受鲁棒性问题的困扰，输入中微小的扰动可以彻底改变模型的判断。反之生物大脑能够稳定而有效的处理带噪声的感官输入。本工作在生物大脑决策机制的启发下提出了为 Dropout-based Drift-Diffusion Model（DDDM）的防御算法。

DDDM首先引入Test-phase Dropout机制将单个模型拓展为对应的随机模型系宗。这种人工引入的防御性随机性可以使得具有模型针对性的攻击失效。进一步，DDDM结合了描述大脑决策机制的漂移扩散模型，将随机模型系宗的输出作为证据进行累积，并设定阈值进行判断，来去除随机性的影响，提高分类的准确率。本工作在不同模态的数据集上，基于不同的神经网络构架，针对不同类型的攻击，对DDDM算法进行了评测。实验结果表明 DDDM在所有情形下都能有效提升模型的鲁棒性。

分享主题：认知地图的计算机制

嘉宾简介： 斯白露，北京师范大学系统科学学院教授，任北京市脑网络组与类脑智能学会理事、中国计算机学会智能汽车分会秘书长等职。研究方向为计算神经科学、类脑智能。主要成果包括记忆神经环路的计算理论、类脑导航系统等。相关工作获科技创新2030「脑科学与类脑研究」重大项目等基金支持，发表在Nature Neuroscience、Progress in Neurobiology、IEEE Transactions on Cybernetics等期刊上。

分享背景： 理解力是智能体的关键能力之一。在自然环境中，哺乳动物能够理解环境的空间结构、规划路径、完成觅食、归巢、迁徙等任务。神经科学的研究表明，哺乳动物的空间理解力具有内在的神经基础。以海马-内嗅皮层为核心的记忆神经环路构成大脑内在的空间定位系统，包含了位置细胞、栅格细胞、头方向细胞、边界细胞等一系列编码空间方位的神经元。对记忆神经环路的计算理论研究揭示，大脑一方面整合多种感知信息，另一方面通过内在的动力学机制学习环境的结构信息，形成环境的认知地图。

认知地图的计算机制不仅局限于空间认知任务，在抽象概念空间的学习和导航中也发挥着重要作用。认知地图的神经机制可以被借鉴用于发展机器人自主定位和空间地图学习算法，提升计算效率和鲁棒性，还可以进一步启发具有理解力的智能系统。

相关论文：

• Edvard I. Moser, Yasser Roudi, Menno P. Witter, Clifford Kentros, Tobias Bonhoeffer and May-Britt Moser. Grid Cells and Cortical Representation. Nature Reviews Neuroscience, 15(7):466–481, 2014
• Dongye Zhao, Zheng Zhang, Hong Lu, Sen Cheng, Bailu Si, and Xisheng Feng. Learning Cognitive Map Representations for Navigation by Sensory-motor Integration. IEEE Transactions on Cybernetics, 52(1):508–521, 2022.

• Taiping Zeng, Bailu Si, and Jianfeng Feng. A theory of geometry representations for spatial navigation. Progress in Neurobiology, page 102228, 2022.

分享主题：高性能狨猴脑功能光学成像平台、及其海量数据所驱动的听觉类脑模型

嘉宾简介： 宋欣东，中国科学院自动化研究所研究员，博导。约翰霍普金斯大学生物医学工程系博士，清华大学生物学硕士，清华大学电子工程系学士。

宋欣东的研究方向为脑与类脑计算机理，具体专注于开发面向灵长类脑功能记录的新型光学工具和方法，用于解析介导灵长类复杂声音认知的脑皮层神经环路，同时产生高通量、高覆盖、高精度的灵长类脑功能数据并驱动训练更类真实脑的机器模型。他的相关工作发表于Nature Communications、Light: Science & Applications等杂志，还曾以封面文章发表于PNAS，Hear Res等杂志，并被Nature，Scientific American等媒体报道。他曾获约翰霍普金斯医学院第39届青年研究者奖，Kavli神经科学卓越博士后奖等奖项。

分享背景： 真实脑是承载自然智能的载体，其高并行度的神经活动介导了自然智能实现的过程。历史上，基本的神经元连接和活动规律启发了早期的人工智能算法。随着算力和数据的爆发，最新的人工智能模型多数并不依赖于对自然脑的更深理解，就可以实现许多智能任务。虽然用于训练这些模型的许多数据仍高度依赖于自然智能的输出（如语音语言文字，人工标注的图像等），这些模型的信息处理过程可能会与自然智能的实现过程大相径庭，这也被认为是人工智能无法真正接近自然智能的主要原因之一。现代神经科学不断涌现新的高通量、高覆盖的脑活动记录范式，由此产生的大数据有望用于训练更贴近真实脑活动的机器模型，这样的机器模型是否能给人工智能带来下一次飞跃？

分享摘要： 我们在从介观到微观尺度构建了多个针对狨猴脑功能进行光学成像的平台。其中一个平台可以通过精确覆盖狨猴脑表面全部听觉皮层的颅窗，进行长期清醒钙成像。这是第一次在灵长类听觉或视觉中达到如此覆盖度。我们探讨接下来用这样得到的海量真实脑数据来驱动形成更加“类脑”的听觉智能模型的可能性。

相关论文：

• nature.com/articles/s41467-022-29864-7

• nature.com/articles/s41377-022-00783-y

加群看直播

直播间： 关注机器之心机动组视频号，立即预约。

交流群： 本次直播有QA环节，欢迎加入本次直播交流群探讨交流。

往期回顾

机器之心与中科院自动化研究所与联合举办「人工智能×基础科学系列论坛」已举办四期，主题分别为「受物理启发的深度学习」、「深度学习中的数学优化问题」、「后 AlphaFold 时代，中国蛋白质计算新进展」、「当人工智能遇到材料与化学」。

点击 阅读原文 ，观看往期精彩。