2024年诺贝尔物理学和化学奖被视为人工智能（AI）工具的胜利，这些工具在其最初构思时受到了神经科学的启发。通过模仿人类脑细胞的行为，机器学习算法正在加速我们对基础生物学的理解，例如Google DeepMind的AlphaFold 3使得预测蛋白质结构或其与潜在药物的相互作用成为可能。随着各领域的科学家们都在思考AI将如何影响他们的工作，Tufts大学医学院的神经科学副教授Michael Halassa博士专注于AI如何改变认知处理、精神疾病和精神病学的研究。
Halassa的实验室在过去几年中一直在测量脑细胞在解决复杂任务时的交流方式。除了试图理解大脑如何推理世界外，他的工作的实际应用是创建“与疾病相关的基于大脑的模型”，这些模型可以将脑病理学转化为预测治疗反应的模型。
Halassa表示，如果适当构建和训练基于神经数据的机器学习架构——即AI程序评估和处理信息的蓝图——这些工具可以建模复杂的疾病，如精神分裂症，并用于跟踪患者的治疗反应。他的目标是利用这些计算来激发下一代用于精神病学的AI模型。
Tufts Now：您实验室的使命是将神经回路与认知联系起来。您能否谈谈这对您和您的团队意味着什么？
Michael Halassa：我们最初是一个小鼠实验室，试图更好地理解大脑的一部分——丘脑，它参与过滤感官信息，帮助你决定关注何处。例如，如果你在一个嘈杂的聚会上，是你的丘脑让你能够屏蔽周围的音乐或声音，去偷听另一个房间的对话。
在我们的研究中，一个主要的惊喜是意识到丘脑的大部分输入不是来自感觉器官，而是来自大脑皮层。后来我们了解到，丘脑的一个功能是像大脑的投票系统一样，接收信息，寻找趋势，决定什么是可靠的，帮助我们做出最佳决策。
在进化过程中，人类大脑发展出了这种硬连线机制来寻找错误信息，而我们的实验室一直在探索这一机制在精神分裂症中是如何失效的。我们的工作还为如何构建能够处理冲突信息的AI架构提供了见解，使它们能够计算趋势并以最优化的方式结合输入。
哪些研究项目可以为AI模型提供有用的信息？
通过记录动物在解决各种任务时丘脑和前额叶皮层（负责执行功能，如做出复杂决策的大脑部分）的活动，我们生成了大脑工作原理的模型，这些模型可以被复制或应用于AI。
例如，2021年，我的实验室的一位博士后研究员Arghya Mukherjee在《自然》杂志上发表了一篇论文，显示小鼠丘脑可以在做决策时追踪冲突的感觉输入，减缓前额叶皮层的决策动态，这与传入信息的可靠性相一致。
最近，博士后研究员Norman Lam领导的一项发表在《自然》杂志上的研究涉及树鼩。这些动物能够区分由自己的感知错误导致的错误与真正由环境变化引起的错误，我们发现丘脑在这个过程中起着关键作用。
通过跟踪不同的不确定性来源（感知与环境），主体可以适当地调整行为，以更好地匹配真正的环境变化。这就是神经科学家所说的分层决策。作为人类，我们经常面临这种问题；在晴朗的日子里，我们可以迅速推断交通灯坏了，但在雾天可能需要更长时间才能得出这个结论。但这些推断有时会导致误判。
例如，如果你注意到一位同事某天早上没有微笑，你可能会认为他们对你不满意，而实际上他们只是心事重重。这种“妄下结论”的现象在精神分裂症患者中更为严重，可能与上述电路的中断有关。我们正在继续通过任务设计来测试这些假设，以隔离这些过程。
您如何看待您的研究对AI网络的发展有何影响？
神经网络通常只能学习一件事，当它们尝试学习新任务时，以前的任务会被覆盖。这是一个需要克服的挑战，因为能够训练AI学习语言或解释视觉线索的架构往往不具备互操作性。
人类大脑可以多任务处理，并且只需消耗AI所需能量的一小部分。你可以让一个人在喝一杯糖水的同时开车并打电话。如果用AI来做同样的事情，则需要足够为一个村庄供电一年的电力。我们认为，提高AI性能的部分解决方案在于理解人类经常使用的这种能力。
人类也更擅长做出分层性质的决策，部分原因是我们在将环境划分为感知或记忆片段（我们称之为“情境”）方面表现得更好。做出适应性反应依赖于跟踪情境并知道何时情境发生了变化。AI程序在以这种方式分割环境方面表现较差，这使得它们难以判断错误是由感知误判还是环境变化引起的。我们正在努力研究动物和人类大脑是如何做到这一点的，并希望教会AI如何相应地处理。
您认为基于这些指标训练的AI模型在精神病学中会有哪些用途？
首先，受AI启发的疾病模型可以帮助我们更好地理解复杂的精神疾病（如精神分裂症）的潜在机制。通过模仿我们在患者中观察到的神经回路，我们或许能够确定哪些神经通路最失调，从而可以用某些药物或非侵入性神经刺激技术进行治疗。
其次，如果我们能够训练标准的AI工具（就像数据分析工具一样）识别与不同精神疾病相关的微妙的脑活动和行为模式，这将有助于临床医生做出更准确和早期的诊断。例如，随着我们对精神分裂症了解的深入，我们可能会发现它不是一个单一的疾病。我们需要计算描述来定义患者的具体情况和最佳治疗方案。
最后，这些AI预测模型可以用来预测和跟踪治疗反应。通过监测患者脑活动随时间的变化，基于预期模式，我们或许能够更有效地个性化治疗计划，并根据患者的反应实时调整。
更多信息： Norman H. Lam等人，《前额叶跨丘脑不确定性处理驱动灵活转换》，《自然》（2024）。DOI: 10.1038/s41586-024-08180-8
期刊信息： 《自然》
来源： Tufts University
引用： Q&A: Generating data from neurons to teach AI the rules of the brain（2024年11月14日），2024年11月14日检索自
(全文结束)
