AI起源于人類利用「電腦」模擬「大腦」，希望計算機和人類一樣可以處理各種任務。

或許，計算機還沒有產生和人類一樣的「智慧」。

但不妨設想一下「硅基大腦」—— 高級的AI模型，它能夠破譯人類的思維，讓「啞巴」重新說話，也許有朝一日，甚至能預測大腦的「一舉一動」。

這不是科幻小說，而是Shailee Jain正在努力實現的未來。

在近日采訪中，Shailee Jain分享了踏入AI+神經科學的交叉領域的心路歷程，描述了神經科學的未來：建立「硅基大腦」。

「硅基大腦」

Shailee Jain對神經科學與AI交叉領域的興趣，起源于對大腦復雜性的迷戀。

AI不僅可以分析海量數據、幫助撰寫郵件或推薦股票，還有可能模仿人類最根本的特性——思考、說話和互動。

這種觀點深深吸引了她。

2023年，她加入了加州大學舊金山分校（UCSF）張復倫（Edward Chang）博士的實驗室，研究全腦網絡（brain-wide networks）及單個神經元的活動，以了解人類的大腦是如何實現基本的人類特質：語言。

神經科學領域長期以來因技術限制進展緩慢，但20世紀80年代和90年代的腦測量技術，革命性地改變了這一狀況。

如今，在Chang Lab，在患者接受腦外科手術時，可以同時記錄單個神經元的活動。

10年前，這樣的技術還無法想象，但現在我們可以追蹤數百個單神經元的活動，為揭示控制語言等復雜行為的腦回路提供了全新視角。

Shailee Jain是加州大學舊金山分校威爾神經科學研究所Edward Chang實驗室的博士后研究員。

盡管這些數據極其珍貴，但要充分利用它們，需要強大的計算工具。

這正是AI和CS派上用場的地方。

AI與腦活動測量方法的結合，有望徹底改變神經科學。

探索單神經元的AI模型

由于海量數據和強大的計算機，AI為人類理解大腦開辟全新的可能性。

這是一個重要的轉折點。

過去十年間，AI已經被成功用于分析通過功能性磁共振成像（fMRI）、腦磁圖（MEG）和腦電圖（EEG）等技術收集的大腦數據。

然而，目前，對單神經元活動的AI建模，仍處于初期階段。

在UCSF，神經外科醫生、神經病學家和精神病學家合作，收集了高質量、多樣化的大腦數據，例如：

• fMRI：大腦的「溫度計」，顯示大腦活動的「熱點」，展示大腦不同區域在特定時間的活動情況。
• 彌散張量成像（diffusion tensor imaging）：大腦的「交通地圖」，揭示大腦不同區域之間的連接方式。
• Neuropixel 探針：腦細胞的「顯微鏡」，記錄單個神經元的活動。

3D打印的大腦模型，背景是Shailee Jain的大腦掃描圖。

張復倫博士，開創性地將Neuropixel探針用于人類手術。

而且在手術過程中，病人處于清醒狀態，在手術室里執行不同的任務，同時探針記錄神經元的活動。

這種精確到神經元水平的觀察，為研究大腦提供了前所未有的機會。

整合多種數據

Shailee Jain的工作是將這些多樣化的數據輸入到人工神經網絡中，目標是讓模型生成與患者大腦相同的活動模式。

這一過程的挑戰在于整合多種數據。

例如，fMRI反映的是大腦不同區域的氧氣使用情況，而不是直接的神經活動，雖然數據分辨率較低，但對于觀察整個大腦的活動模式具有重要價值；而Neuropixel探針提供了單神經元的高分辨率數據，卻缺乏全腦視角。

她希望構建能處理多種數據模式的AI模型，全面描繪人類大腦。

為了訓練神經網絡，不僅僅要關注神經數據，還要結合患者讀到的文本、聽到的語言，以及行為數據（如理解能力或解題能力）。

技術應用

通過整合這些數據，有希望創建能夠模擬人類大腦的「硅腦」。

數字孿生大腦以及未來應用

新一代腦機接口

硅腦技術最令人興奮的應用之一是新一代腦機接口（BCI）的開發。

近年來，利用BCI技術，Chang博士的團隊，幫助癱瘓和無法說話的患者，重新獲得了與人交流的能力。

然而，目前的BCI系統需要針對每位患者收集大量訓練數據，耗時且成本高昂。

硅腦有望改變這一現狀。

基于海量神經數據，訓練一個AI模型，可以開發無需大規模校準，即可立即使用的設備，從第一天起就能幫助患者恢復語言或動作。

這將對患者護理產生巨大影響。

精神病治療

在精神健康領域，這項技術的潛力更為深遠。

長期以來，我們對神經精神疾病的理解一直受到工具的限制。

精神分裂癥、雙相情感障礙和抑郁癥等神經精神疾病，發病條件極其復雜，是涉及大腦多個區域神經元的復雜網絡。

為了了解人腦各部分的工作原理，雖然無法剖析活著的人腦，但可以通過人工大腦模型來做到這一點。

特定神經精神疾病患者的數據，提供給AI系統，可以了解大腦不同部分如何相互作用的模式，以及這些相互作用如何出錯。

這可能會帶來新的、更有針對性的治療方法，解決潛在的神經機制，而不僅僅是緩解癥狀。

人工模型越來越接近對不同腦部疾病的模擬，我們將能夠開展在人類身上無法進行的實驗。在受控的環境中，能夠探索特定刺激或干預措施，如何影響神經活動，從而更好地理解和治療這些疾病。

隨著時間的推移，還可以進一步擴展研究，探討大腦如何感知外部世界、提取記憶，以及最終如何產生思想。

未來，在人工大腦模型中，甚至可以模擬不同的腦部疾病，進行無法在人類患者身上完成的實驗。這將幫助人類更好地理解和治療這些復雜的疾病，并深入研究大腦如何感知外界、提取記憶和產生思維。

數字孿生

展望未來20至50年，相信基于腦數據訓練的AI系統，能夠創建「數字孿生」——每個人獨特的大腦模型。

這些AI生成的模型不僅能復制一般的腦活動，還能精確模擬個人的神經模式，從而為大腦活動提供精準的分析。

例如，手術前，患者的數字孿生模型，可以用于模擬手術并預測結果；對于神經精神疾病，可根據每位患者獨特的腦活動模式，設計高度個性化的治療方案。

面臨的挑戰與道德問題

盡管前景令人興奮，這一技術剛剛起步。

未來需要不斷改進這些模型，并確保其在臨床應用中的倫理性和公平性。

尤其是在人腦數據的使用中，知情同意和數據隱私至關重要。

此外，隨著這些模型變得更加成熟，需要深入探討技術濫用的潛在風險，特別是當模型能夠預測個體腦活動時。

這些問題發人深省。

但隨著技術的快速發展，我們距離這一未來或許比想象中更近。

充分利用AI的力量，我們不僅是在設想未來，而是在親手創造未來。

作者介紹

目前，她是加州大學舊金山分校（UCSF）神經外科Chang Lab的博士后研究員。

之前，在德克薩斯大學奧斯汀分校（UT Austin）Huth實驗室，她完成了計算機科學碩士/博士學位，期間與谷歌AI語言團隊和英特爾腦啟發計算實驗室的研究人員進行了合作。

她的博士論文聚焦于聯合解釋人類大腦和神經自然語言處理（NLP）模型如何處理語言。

在印度國家技術學院卡納塔克（NITK），她完成了本科學習，并在德國Leuphana大學的機器學習組度過了一段時間。