一項(xiàng)關(guān)于神經(jīng)元的研究，讓眾人看嗨了。這項(xiàng)研究通過在小鼠身上做實(shí)驗(yàn)，先展示了神經(jīng)元“不靠譜”的一面：單個神經(jīng)元兩次對相同視覺刺激的反應(yīng)，竟然是不一樣的。

對于神經(jīng)元的“不靠譜”性，此前的解釋一直集中在噪音這個點(diǎn)。

而這項(xiàng)研究卻實(shí)實(shí)在在推翻了此前觀點(diǎn)，作者通過實(shí)驗(yàn)證明了：即使有噪音，神經(jīng)元還是有能力獲取高精度的視覺編碼。

主導(dǎo)這項(xiàng)研究的小姐姐認(rèn)為，小鼠感知能力的限制不由視覺皮層的神經(jīng)噪音決定，而是受神經(jīng)解碼過程的限制。

在這項(xiàng)推特轉(zhuǎn)發(fā)超過600，點(diǎn)贊超過2000的研究下，神經(jīng)科學(xué)家和AI科學(xué)家一起興奮，“Pretty Cool”“Awesome”“Great story”等贊美聲此起彼伏。

雖然不是AI界日常討論的人工神經(jīng)網(wǎng)絡(luò)，而是自然界中動物們身上存在的生物神經(jīng)網(wǎng)絡(luò)，兩者并不完全一樣，但動物們自身的特征，卻往往是啟發(fā)科學(xué)家們的關(guān)鍵。

高通深度學(xué)習(xí)研究工程師Jakub Tomczak想到，它和AI中的Dropout十分類似，像是近似貝葉斯平均。

Dropout，正是指的Geoffrey Hinton等人在2014年提出的防止人工神經(jīng)網(wǎng)絡(luò)過擬合的正則化技術(shù)，現(xiàn)在已經(jīng)成為了谷歌手中的專利。

AI工程師@AIexLaurence表示，就像AI一樣，單個神經(jīng)元（或者節(jié)點(diǎn)）并不表示特定的概念，是由神經(jīng)網(wǎng)絡(luò)中特定的激活模式?jīng)Q定的。

AIexLaurence還認(rèn)為，這項(xiàng)生物學(xué)研究可能會對神經(jīng)網(wǎng)絡(luò)權(quán)重的研究有啟發(fā)。

還有人認(rèn)為，在神經(jīng)元自帶不確定性的前提下，大腦依賴投票/閾值機(jī)制產(chǎn)生的反饋信號來判定輸入的感知信息。另外，除了神經(jīng)的原因之外，也可能是動物眼睛的微觀結(jié)構(gòu)決定。

能讓搞生物的和搞計算機(jī)的有同樣的high點(diǎn)，這具體是項(xiàng)怎樣的研究？

“不靠譜”的神經(jīng)元

事情，還要從神經(jīng)元說起。

對，就是中學(xué)生物里構(gòu)成神經(jīng)網(wǎng)絡(luò)的那個長長的細(xì)胞。

可能不少AI領(lǐng)域的同學(xué)還不知道，在神經(jīng)科學(xué)領(lǐng)域，神經(jīng)元和AI界的擁有不確定性的神經(jīng)網(wǎng)絡(luò)一樣，都是不靠譜的存在。

神經(jīng)元，就像一個腦洞清奇的少年，即使是同樣的信息呈現(xiàn)在他面前，他每次都會給出不一樣的反應(yīng)。

究其原因，在于噪聲頻發(fā)，影響神經(jīng)編碼。

神經(jīng)編碼，跟計算機(jī)的編碼不是一回事。由于感覺信息與其它信息，都是由腦中的生物神經(jīng)網(wǎng)絡(luò)來承載與呈現(xiàn)的，所以人們認(rèn)為，神經(jīng)元有某種編碼能力，處理你身體感知到的光線、聲音、味道等信息。

也就是說，神經(jīng)編碼過程是試圖建立從刺激到反應(yīng)的映射，著眼于理解神經(jīng)元如何對不同的刺激作出反應(yīng)，建立模型來預(yù)測神經(jīng)元對特定刺激的反應(yīng)。

而與之對應(yīng)的神經(jīng)解碼過程，研究的是相反方向的映射，也就是從已知的反應(yīng)來推算外界刺激重建特征。

在這個過程中，是一個“多變”的過程，但總是被冠以“不靠譜”的評價。舉個例子：

假如你問一個神經(jīng)元這個直角屏幕的角度是多少，它一開始說是75度，五分鐘后說是10度，每一次你再問的時候都是一個接近90度的隨機(jī)數(shù)。

再舉個例子，你在計算器上輸入3+7，它每次都給出的是不同的答案……

是不是有種熟悉的感覺？

沒錯，什么人工不人工的智能都差不多。

可是，正經(jīng)的計算設(shè)備不應(yīng)該是這樣的。

這就是讓神經(jīng)科學(xué)家很為難的地方，單個神經(jīng)元得出的結(jié)論是不可靠的（灰色的點(diǎn)），需要多次測量來平均噪聲（圖中黑線）。

那么，一個神經(jīng)元都這么不靠譜了，一群不靠譜的神經(jīng)元竟然能把動物們的神經(jīng)系統(tǒng)構(gòu)建的這么精準(zhǔn)，真是個奇跡。

那么，神經(jīng)元們是怎么做到的呢？

這涉及到信噪比的問題。信號強(qiáng)度和疊加次數(shù)成正比，噪聲強(qiáng)度和疊加次數(shù)的平方根成正比，因此疊加次數(shù)越多，信噪比越高。

有人猜測，也許在我們的大腦中，它的運(yùn)算機(jī)制就是數(shù)百萬個嘈雜神經(jīng)元結(jié)論的平均值，通過這種方法來判斷看到的是什么。

可以從幾何的角度解釋這個問題，當(dāng)噪聲與刺激驅(qū)動的相同神經(jīng)子空間對齊時，噪聲只能影響受到刺激部分的編碼。至少，一些神經(jīng)噪聲與刺激子空間正交，所以不會有什么壞的影響。

但是，這些只是理論猜想，如果真的想靠實(shí)踐算出噪聲對神經(jīng)編碼的影響，這很難，畢竟只有少量信息限制的噪聲也會對神經(jīng)編碼有很大影響。

所以，基于以上推測，我們就大致為這種“明明個體不靠譜，群體卻很靠譜”的行為歸納出原因：

把每個神經(jīng)元得出的結(jié)論“神奇組合”一下，得出的平均值，就是最終那個靠譜的結(jié)果。

現(xiàn)在，做個實(shí)驗(yàn)，解個碼證明一下吧！

小鼠視力實(shí)驗(yàn)

此前有人做過對猴子的解碼，證明拿一小撮神經(jīng)元做實(shí)驗(yàn)和用上所有神經(jīng)元差不多。

在這個背景下，我們的主角出場了。

一位神經(jīng)科學(xué)家小姐姐Carsen Stringer用小鼠做實(shí)驗(yàn)，探究小鼠的感知與單個神經(jīng)元的關(guān)系。

在這次實(shí)驗(yàn)里，小姐姐和她的團(tuán)隊(duì)沒有對猴子下手，而是換了一種動物，盯上了小鼠。

研究人員的目標(biāo)是，通過記錄小鼠20000個神經(jīng)元的數(shù)量，測量視覺刺激定向解碼誤差的下限。

這項(xiàng)實(shí)驗(yàn)的大前提是：如果限制信息噪聲的確有影響，解碼錯誤必須漸近于某個非零值。

具體的給小鼠設(shè)定的挑戰(zhàn)是：

讓小鼠看角度。

基于我們前面已知的“不靠譜”這個特性，可以預(yù)知，給予小鼠相同的視覺刺激，神經(jīng)元的每次反應(yīng)完全不同。

研究人員用顯微鏡同時記錄了約20000個神經(jīng)元的活動。這是一個部分的隨機(jī)顏色：

然后，使用線性回歸找到每個神經(jīng)元的權(quán)重，將它們的活動組合成“超級神經(jīng)元”，對它們的判斷進(jìn)行平均。

這些超級神經(jīng)元比單個神經(jīng)元的噪聲要小很多。其實(shí)，在95%的實(shí)驗(yàn)中，超級神經(jīng)元能夠分辨45度和46度之間的微小差異。

一度之差，人類都判斷不出來吧。想象一下，讓一只老鼠分辨出這么微小的差異……另一位研究人員@BenucciLa真的嘗試了，老鼠只能分辨出超過29度的差異，比神經(jīng)元差100倍。

最終，雖然研究人員們把解碼的誤差做到很低了，但是并沒有出現(xiàn)期待中漸近的狀況。

也就是說，視覺皮層對老鼠的視覺特征進(jìn)行了高精確度的編碼，但老鼠依然在辨別方向任務(wù)中完成得很差。

鍋在解碼過程

于是，研究人員得出結(jié)論，老鼠能接受到的信息，比人類大腦能接受的差1000倍。

雖然老鼠不能將這些信息傳遞給人類，但他們也是可以利用這些信息的。比如，這些信息可以作為一種計算的第一步。

這也進(jìn)一步說明，神經(jīng)信號和行為之間的差異不能用刺激的類型來解釋，無論是通過行為狀態(tài)還是反復(fù)試驗(yàn)感知直覺測試。

得出結(jié)論，小鼠感官知覺的局限性不是由感覺皮層的神經(jīng)噪聲決定的，而是由神經(jīng)元下游的解碼過程限制。