下载掌阅APP，畅读海量书库
立即打开
在希腊神话中，伊卡洛斯渴望通过模仿鸟类来飞翔，但失败了；相反，人类在深刻理解空气动力学原理后，最终通过建造飞机和宇宙飞船，实现了飞行。同样，我们可以在彻底理解大脑和神经科学之后，通过构建机器智能来接近人工智能 [5] 。戴密斯·哈萨比斯回顾了过去在深度学习和强化学习背景下的机-脑交互作用，并预测了其他背景下（注意、情景记忆、工作记忆和持续学习）的心-机同步状态。在他看来，人工智能和神经科学令人兴奋的未来在于连接人类智能与机器；人类未来将关注的领域是对物理世界的直观理解、高效学习、迁移学习、想象和规划，最后是虚拟大脑分析。简而言之，创新的人工智能系统可以部分地受到大脑的启发，就像大脑可以被机器增强一样。
沙里夫·塔拉曼
沙里夫·塔拉曼是一位对人工智能充满热情的儿科神经学家，他撰写了这篇评论，阐述了人工智能与神经科学之间日益密切的关系，以及这两个相互关联领域的融合，以达到对其更高层次的理解。
与其他医学学科不同，神经科学与人工智能有着独特的关系。人类的思维和我们对神经科学的理解长期以来一直激励和推动着人工智能的发展，相反，人工智能的进步也促进了我们对人类思维的理解。人工智能的一些最早的基础根本上是神经科学，许多首创人工智能系统的早期科学家在神经科学、心理学、数学和/或计算机科学方面具有跨学科的专业知识 [14] 。
在过去的四分之三个世纪中，神经网络在神经科学和人工智能交织的历史中前进，出现了监督学习、无监督学习、强化学习、递归神经网络、深度递归神经网络、卷积神经网络、递归神经网络和长时间记忆网络等新模式。神经科学已经为这些算法方法提供了丰富的灵感来源。
同时，神经科学和相关的医学学科，如神经病学和精神病学，已经采用了基于人工智能的工具。过去，人工智能主要限于研究应用；然而，人工智能在临床医疗保健环境中的实施正在稳步增加，在神经成像 [5] 、孤独症 [6] 、阿尔茨海默病 [7] 和癫痫 [8] 等神经疾病的诊断和管理以及预测 [9] 中都有应用案例。
人工智能在神经科学相关学科中最成功的使用案例是该技术被定位为增强而非取代临床医生或医务人员。现实已经反复证明，人工智能和临床医生的伙伴关系优于算法独立使用或是临床医生独立工作。这种协同伙伴关系的存在是基于人工智能和人类的优缺点的二分法。
具体到医疗保健领域，人工智能正变得越来越广泛地被称为“增强智能”或“共生智能”。人工智能的这种替代概念化着眼于协助角色，强调增强人类而不是取代人类的能力。
神经科学中另一个新兴的技术领域是脑机交互。脑机接口的研究始于 20 世纪 70 年代。20年后出现了第一个神经假体装置，21 世纪初有了第一个植入的脑机接口。用于开发和应用脑机接口的机器学习已经被证明有助于解决一些最复杂的问题。
尽管有人反对人工智能可以取代人类智能的概念，但我们渴望创造一个具有完全认知能力的通用人工智能，模仿人类的认知能力。这一愿望触手可及，并得到了量子和认知计算发展的支持。此外，神经科学和人工智能继续相互交叉融合的程度越深，通用人工智能在作者有生之年取得成果的可能性就越大。即使在通用人工智能成为现实后，人工智能也将作为一种工具，就像任何其他人类创造的工具一样。我们在人工智能和神经科学方面最大的进步已经并将继续源于神经科学和人工智能的融合 [10，11] 。未来，我们有希望对人类思维如何运作、人类未知的认知能力和神经接口技术有全新的理解。
[1] McCulloch WS，Pitts W. A logical calculus of the ideas immanent in nervous activity. Bull Math Biophys [Internet] 1943;5:11533 [cited 26.01.19]. Available from: ，http://link.springer.com/10.1007/BF02478259.
[2] Hebb DO. The organisation of behavior. New York: Wiley; 1949.
[3] Turing AM. I.——Computing machinery and intelligence. Mind [Internet] 1950;LIX:43360 [cited 26.01.19]. Available from: ，https://academic.oup.com/mind/article-lookup/doi/10.1093/mind/LIX.236.433.
[4] Rosenblatt F. Perceptron simulation experiments. In: Proceedings of the IRE; 1960.
[5] Bagher-Ebadian H，Jafari-Khouzani K，Mitsias PD，Lu M，Soltanian-Zadeh H，Chopp M，et al. Predicting final extent of ischemic infarction using artificial neural network analysis of multi-parametric MRI in patients with stroke. PLoS One [Internet] 2011;6:e22626 [cited 26.01.19]. Available from: ，https://doi.org/10.1371/journal. pone.0022626.
[6] Abbas H，Garberson F，Glover E，Wall DP. Machine learning approach for early detection of autism by combining questionnaire and home video screening. J Am Med Inform Assoc [Internet] 2018;25:10007 [cited 19.12.18]. Available from: ，http://www.ncbi.nlm.nih.gov/pubmed/29741630.
[7] Zhang S，McClean SI，Nugent CD，Donnelly MP，Galway L，Scotney BW，et al. A predictive model for assistive technology adoption for people with dementia. IEEE J Biomed Health Inform [Internet]2014;18:37583 [cited 26.01.19]. Available from: ，http://ieeexplore.ieee.org/document/6527964/.
[8] Yang C，Deng Z，Choi K-S，Jiang Y，Wang S. Transductive domain adaptive learning for epileptic electroencephalogram recognition. Artif Intell Med [Internet] 2014;62:16577 [cited 26.01.19]. Available from:，http://www.ncbi.nlm.nih.gov/pubmed/25455561.
[9] Rughani AI，Dumont TM，Lu Z，Bongard J，Horgan MA，Penar PL，et al. Use of an artificial neural network to predict head injury outcome. J Neurosurg [Internet] 2010;113:58590 [cited 26.01.19]. Available from: ，https://thejns.org/view/journals/j-neurosurg/113/3/article-p585.xml.
[10] Marblestone AH，Wayne G，Kording KP. Toward an integration of deep learning and neuroscience.Front Comput Neurosci [Internet] 2016;10:94 [cited 26.01.19]. Available from: ，http://www.ncbi.nlm.nih.gov/pubmed/27683554.
[11] Hassabis D，Kumaran D，Summerfield C，Botvinick M. Neuroscience-inspired artificial intelligence.Neuron [Internet] 2017;95:24558 [cited 09.12.17]. Available from: ，http://www.ncbi.nlm.nih.gov/pubmed/28728020.
日常临床工作的“医生大脑”（见图 1.7）可以通过其无数的功能来解构，并与机器等效能力相匹配。例如，心脏科医生需要以心电图、超声心动图以及可能的磁共振成像或CT扫描的形式查看医学图像。他还需要在听到患者或家属的病史后对病例进行思考。最后，他需要做出复杂的诊断和治疗决定。
这些机器可以执行临床医生日常且通常毫不费力地完成的一些功能。视网膜和枕叶视觉皮层的图像识别可以通过计算机视觉完成，图像解释由深度学习特别是卷积神经网络完成。大脑左半球的布罗卡区和韦尼克区的语言理解和表达功能可以通过机器自然语言处理及其理解和生成来执行。基于现有数据和过去经验思考特定临床病例的细微差别可以部分用机器学习来表示（尽管过程非常不同）。医生的额叶是帮助做出具有挑战性决策的大脑的一部分，通过认知计算、机器学习/深度学习和强化学习（包括深度强化学习），该过程可以部分地被计算机决策支持能力所模仿。
图 1.7 医生大脑
[1] Bostrom N. Superintelligence: paths，dangers，strategies. London: Oxford University Press; 2014.
[2] Kurzweil R. The singularity is near. New York City: Viking Press; 2005.
[3] Quindazzi M. ，bit.ly/2oyHqEw.
[4] Personal communication with Dr. Michael Abramoff，2018.
[5] Hassabis D，Kumaran D，Summerfield C，et al. Neuroscience-inspired artificial intelligence. Neuron Rev 2017;95（2）:24558.