神經科學家能否理解計算機微處理器？

選自：The Economist

整理：機器之心編輯部

論文地址：http://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1005268

但美國科學公共圖書館（the Public Library of Science，PLOS）的計算生物學版面最近發表了一篇論文，該論文利用神經科學家最愛的類比——把大腦比作算機，質疑更多信息是否等同於更加理解。計算機與大腦類似，通過圍繞複雜電路進行電處理來處理信息；但它又與大腦的工作不同——它的工作在每一層面都已被理解。

加利福尼亞大學伯克利分校的Eric Jonas和芝加哥西北大學的Konrad Kording都具有神經科學與電子工程學的背景，他們認為現代神經科學使用計算機來測試分析工具收效甚好。他們想知道將這些技術應用到微處理器時，能否產生與已知的晶元工作方式相匹配的信息。

他們測試使用的是首次開發於1975年的MOS 6502技術，它在早期Atari、蘋果和Commodore計算機等其他技術中以動力著名。6502僅含有3510個晶體管，愛好者可以毫無困難地創建一個模擬過程，對每一晶體管的電狀態建模，也能在虛擬晶元運行特定程序時，對使晶體管相互連接的數千根電線上的電壓進行建模。該模擬過程每秒約產生1.5吉位元組的數據，這個數據量很大，但仍處於目前用於探測生物大腦奧秘的演算法的能力範圍內。

晶元的衰落

腦科學中存在一個普遍策略，即比較非健康與健康大腦。如果大腦中某部分的損傷可以導致可預測的行為變化，那麼研究人員可以推斷大腦該部分的功能。例如，破壞老鼠的海馬體——大腦底部的兩個小型香蕉狀結構，能夠顯著干擾它們識別物體的能力。

當這個方法應用於晶元時，產生了有趣的假陽性現象。研究人員發現，禁用一個特定的晶體管組，會阻止晶元運行「Donkey Kong」（任天堂遊戲產品，該公司也創造了風靡世界的Mario遊戲）的啟動序列，同時又保存其運行其他遊戲的能力。但Jonas博士指出這將是一個錯誤，因為最終這些晶體管將單獨負責「Donkey Kong」。其實真相更加玄妙：它們反而是實現更基本計算功能的迴路的一部分，該計算功能對於載入單一而非群體軟體至關重要。

另一種神經科學方法便是尋找神經細胞群的活動與特定行為之間的相關性。應用於晶元時，研究人員的演算法發現了五個晶體管，它們的活動與屏幕上最新顯示的像素亮度強烈相關。這個看似重要的發現在很大程度上再次被證明是一個錯覺。Jonas和Kording博士知道這些晶體管並不直接涉及屏幕上的繪圖（在Atari中，這是另一個完全不同晶元的工作——電視介面適配器）。它們僅在平常意義上涉及程序某些部分的使用，這些程序最終決定屏幕內容。

研究人員還分析了晶元的接線圖，生物學家稱之為連接器。將它提供給分析演算法後，產生了許多晶元內部一些結構中存在的看似令人印象深刻的數據，儘管在仔細檢查後只有少量數據有用。這些模式是不相關結構的混雜，而這些結構在被強調時具有誤導性；這符合真實神經科學中令人沮喪的經驗。研究人員已擁有一個小型蠕蟲的完整連接組——開發於1986年，且僅含302個神經細胞的Caenorhabditis elegans。比起對擁有百萬倍組件的計算機晶元的了解，他們對這個生物「大腦」的運作方式的了解更加有限。

Jonas博士說，存在的根本問題是，神經科學技術找不到研究者清楚知道方位的很多對於理解實際發生的事情至關重要晶元結構。晶元由晶體管製成，而晶體管是微型電子開關。它們被組織成實現簡單邏輯運算的邏輯門，邏輯門組織成諸如加法器（其功能顯而易見，正如它們的名字一樣）之類的結構。一個算術邏輯單元可能包含幾個加法器等等。

然而推斷這種高級結構的存在十分困難，這種結構可以確切解決晶元內的電流紊亂如何導致卡通猿把桶扔向水管工的問題。這不是神經科學獨有的問題。Jonas博士對人類基因工程（Human Genome Project，於2003年，在付出了英雄般的努力之後，完成了全部人類基因的排序）做了比較，期望這將為包括從癌症到衰老的一切問題提供洞見。但結果證明，想從中提取這些種類的啟示比預期更艱難，最終只剩下寫於遺傳代碼四個字母中的一個長串字元。

事情並不絕望。例如，研究人員的演算法確實檢測到了主時鐘信號，該信號能夠協調晶元不同部分之間的運作。一些神經科學家批評了這篇論文，主張晶元和大腦間的類比並非那麼接近，不像分析技術那樣彼此之間自動適用。

法國計算機科學與自動化研究所的機器學習專家Ga?lVaroquaux談道，6502與大腦截然不同，這樣的原始晶元會順序性處理信息。大腦（與現代微處理器）一次性戲耍了許多計算。他指出，正是由於所有的局限性，神經科學才真正取得了進步。視覺系統的部分的輸入和輸出，例如它分類線條和形狀特徵的方式，很容易理解。

Jonas博士承認了這兩點，他說：「我不想聲稱神經科學沒有任何功績！」。相反，他重回到人類基因工程的類比當中，其產生的數據以及由現代更優的基因測序儀產生的大量額外信息必然有用。但在理解方面出現飛躍發展的虛幻希望已然破滅。獲取數據是一回事，弄清其所說是另一回事。

論文：Could a Neuroscientist Understand a Microprocessor?

摘要

神經科學中普遍相信我們的瓶頸主要是數據限制，並且藉助高級數據分析演算法可以創建大型多模態的複雜數據集，這將使我們能夠基本了解大腦處理信息的方式。這些數據集尚未出現，但若它們出現，我們也無法評估演算法合成的洞見是否充足甚至是否正確。為解決這個問題，我們使用典型的微處理器作為有機體模型，並執行任意實驗，以探究神經科學中流行的數據分析方法能否闡明其處理信息的方式。微處理器屬於人工信息處理系統，它們都很複雜，但我們能從源自總體邏輯流程，途經邏輯門，再到晶體管的動態進行所有層面的了解。實驗表明，這些方法揭示了數據中有趣的結構，但沒能充分描述微處理器中信息處理的層次結構。這表明神經科學中現有的分析方法在不考慮數據數量的情況下，也許無法產生對神經系統的充分理解。此外，我們支持科學家根據已知的地面實況，來使用複雜的非線性動力系統，如微處理器——時間序列和結構發現方法的驗證平台。