还不知道怎么改变未来?可以先试试“脑洞大开”
最新一季的“爱死机”播出那几天,整个朋友圈都炸了!除了再一次填了观众们期待的“坑”,它也再一次展现了“大脑洞”可以夸张到什么地步——
美感炸裂又充满隐喻的《吉巴罗》、完美解读个体记忆、基因与智慧关系的《虫群》,让人在短短十几分钟的惊呼和掌声中,也不断质疑自己:为什么我没有编剧导演这样的脑洞?除了天天催更创作团队,怎么能实现优质创意的“量产”呢?
“打开脑洞” ,一直以来的科学难题
“爱死机”的创意在现实中大都有迹可循——《吉巴罗》基于了欧洲人对南美洲原住民殖民掠夺的真实历史,《虫群》源自对现实文明秩序更迭的深刻思考。这么看,“脑洞”很多时候是大脑学习能力基于现实在想象力层面的迁移。
那么,大脑是如何做到复杂的创意输出的?
GIF: giphy.com
通过人类过去的研究,我们知道人脑是个承载着多种功能的复杂系统,科学家将能实现不同功能的区域分解为不同的模块。随着对大脑区域研究的继续深入,人们发现从生疏到熟练的过程中,运动模块和视觉模块相互之间做了许多交流,以至于能让人快速了解任务本质并掌握[1]。而从现实到创意输出时,大脑则是在各种碎片化记忆的基础上,和想象有关的大脑网络被激活,然后脑中负责不同分工的许多脑区都参与了想象过程。比如有实验曾让志愿者基于3个词(有关联或无关联)来编一个故事,结果发现在大脑进行故事创作的过程中,一些看起来不相关的脑区也参与了活动[2]。当大脑的功能区域将各种看似毫无关系的信息整合,举一反三成为新的现实认知,简直amazing!
互相配合的不同脑区 | 参考资料[1]
除了剧中的世界,牛顿被落下的苹果砸到从而引申到万有引力,爱因斯坦由电磁感应定律得到启发研究出了相对论,许多伟大的科学发现和创作,都是人脑基于过往的经验,从无到有进行想象最大化的创新表达。而每一个人大脑区域活跃程度都不尽相同,也就不同程度地决定了“脑洞”的大小。
掌握人脑之前,先画出来
“自然之手”打造的人脑可以说是当今最精密的仪器,它就像是一个黑箱,可以自动将碎片化的记忆自动整合实现1+1 > 2甚至>10的创意表达,创作、研究出各种经典的作品、理论。那么回到开头的问题,已经发展今天的科学,是不是可以让AI来“工业化”生产想象力,带来更多的优秀产出呢?
要想更好地模拟大脑的思考过程,需要我们更加充分地了解大脑,将大脑这个“黑箱”的内在结构,也就是大脑图谱完整地绘制出来,脑成像分析起到了至关重要的作用。研究大脑的过程就像是摸黑探索一个浩瀚的宇宙,如果我们能破解人脑的密码,那或许自然法则的参考答案就在眼前。
脑图谱绘制的进展 | leifeng.com
也正是因为如此,脑科学的研究也已经成为许多国家的科研重点,我国也在2021年9月,推出了“中国脑计划”——“脑科学与类脑科学研究”,其中涉及59个研究领域和方向。
为什么需要如此高额的投入?事实上,单单是像上面提到的那样,把一颗健康大脑的区域划分出来就已经挑战重重,比如人脑功能连接受到各种因素的影响,甚至有可能采集的早晚时间不同,采集的结果表现的功能也不一样,这个过程需要对大量MRI、PET成像结果的收集,但面对大脑无数极为复杂的神经元、分支、触突,实在有点过于漫长和繁琐。因此还需要对参数进行统计检验,进行大量复杂的拟合、假设,才可以得出相对可靠的结果。
俗话说“千人千面”,每个人的大脑都不一样,而且很多研究缺少大量的样本数据,只有几十上百的“小数据”,比如霍金大神的渐冻症这种非常“个性化”的罕见病,在我国发病率仅为1-2人/10万人,以及自身免疫性脑炎、脑小血管病、超忆症等其他疾病。患上这些疾病十分痛苦,但是能用于分析病人的脑成像数据样本严重不足。如果这些问题都解决不好,使用计算机完全模拟人脑工作机制就是一纸空文。
就像是艺术家和科学家们科研创作时,大脑不同功能区域自动利用片段记忆整合出全新的创意表达,我们是不是可以用小样本数据,搭建AI模型训练出更有普适性的大样本预测呢?新加坡国立大学和字节跳动在神经生物学领域顶级刊物Nature Neuroscience的研究发现,通过元学习(meta-learning)和元匹配(meta-matching)方法训练AI模型,能很大程度上解决这个问题[3]。
元学习的方法效果已经超过了KRR(一种线性回归预测方式) | 参考资料[3]
在这个研究中,科学家们利用元学习这个AI领域的前沿方法,能将在大数据集上训练出来的机器学习模型迁移到小数据集上,并训练出同样可靠的AI预测模型。
看起来有点复杂对吧?但你可以将这个过程理解为人脑聪明的举一反三——在元学习过程中需要不断向学习器展示成百上千种任务,最终学习器就会学得众多任务的知识。学习后,会经过两个阶段:第一个阶段关注从每个任务中快速获取知识;在第二阶段(学习器)缓慢将信息从所有任务中取出并消化。通过解决数据少的问题,机器也像人类一样可以从少量的数据中更快地学习,人工智能,也更像人了!
当我们站上未来的跳板,
前路又在何方?
你可能会好奇,怎么字节跳动跟AI和医疗也有关系?
其实,参与到研究中的智能创作基础研究团队的主要工作就是探索前沿机器学习以及计算机视觉、自然语言处理技术,解决人工智能领域里的挑战性问题。抖音上很多火爆的滤镜和特效玩法,就是由这个团队利用AI技术实现的。他们的技术能力,也正在通过字节跳动旗下的云服务平台——火山引擎,向外部企业提供服务。
脑图谱、知识建模与机器学习结合等原创性技术方向,曾一度是计算机视觉和医学影像分析领域的“冷板凳”:难度大、周期长、研究者寥寥。现在,伴随科技公司的参与,这一局面将得到改变。
这次论文中提到的方法给整个AI领域的机器学习以及脑科学带来了全新思路,也就是将AI人工智能领域的机器学习方法,来真正解决临床应用问题,特别是个人的精准医疗、罕见病的治疗将有迹可循——今天罕见病依然面临着许多误诊、难治等困境,但如果有了AI的引入,从前那些样本量过小而无法开展后续临床诊断的疾病,也将有希望拥有更明朗的精准医疗治疗方案,也可以挽回更多生命。
此外,从理论上说,这一技术成果也有望让基于脑成像的“读心术”成为现实,前提是有大规模数据集作为预训练模型,就可以训练出能预测人意图的AI模型。这也与埃隆·马斯克 “神经连接”(Neuralink)的“脑机接口”的有着异曲同工之妙:都是希望借助技术方式“读懂”大脑。
而AI本身在神经科学研究领域就拥有十分广阔的前景。当我们已经对小数据场景有了更好地掌握,对于部分脑区已经可以预测,那么那么全脑的其他功能区域的完全预测是不是也将触手可及?看起来,后续认识和开发人脑已经有了新的思路和切入点,在未来AI结合脑神经科学的领域有了更好的实践案例。科幻作品中的“存储和提取记忆”“超级人类“的设想也不再遥不可及。
GIF: giphy.com
人类的大脑是自然最宝贵的馈赠,温润的细胞和交织的神经,组成了这一片距离每个人最近、但又最遥远的宇宙,神秘感拉满。
好在,当像包括元学习在内的AI技术变得更加成熟、可靠,虽然工业化复刻大脑还有点遥远,但我们去探索、拓展、驾驭大脑的脚步也可以得到飞跃,我们在认识脑海中日月星辰光的过程中,也终于能更好地认识自己。
参考文献
[1] Bassett, D. S., Yang, M., Wymbs, N. F., & Grafton, S. T. (2015). Learning-induced autonomy of sensorimotor systems. Nature neuroscience, 18(5), 744-751.
[2] Howard-Jones, P. A., Blakemore, S. J., Samuel, E. A., Summers, I. R., & Claxton, G. (2005). Semantic divergence and creative story generation: An fMRI investigation. Cognitive Brain Research, 25(1), 240-250.
[3] He, T., An, L., Chen, P., Chen, J., Feng, J., Bzdok, D., ... & Yeo, B. T. (2022). Meta-matching as a simple framework to translate phenotypic predictive models from big to small data. Nature Neuroscience, 1-10.
封面图来源:图虫创意
-果壳商业科技传播出品-