戴琼海：脑科学融合人工智能，站上疾病防治新风口
文图/《中国医药科学》记者 费 菲
追求国际前沿与满足国家重大需求并不矛盾，研究者要么做别人想不到的事，要么做别人不能做的事，要么将一种研究做到极致。像外行一样思考，像专家一样实践。
——戴琼海
“人工智能已进入到包含脑科学在内的生物智能阶段。”日前，中国工程院院士、清华大学自动化系教授及清华大学生命科学学院兼职教授戴琼海以展示国际上第一个小鼠全脑的动态图为发端，介绍了脑科学的发展对脑工作原理、脑疾病的防治、人工智能产业的发展的巨大推动作用，以及高分辨实时显微成像在医学领域中的实践应用。
戴琼海院士介绍，在清华大学联合上海光技术共同开发的世界最大视场高速高分率显示器上，可以看到脑整个结构以及小鼠听到音乐神经环路的状态，是世界上第一个动态全脑的图，环路打通后将有能力解决人工智能环路的不确定性。
, 百拇医药
脑科学是什么？人类大脑重约3磅(1.4公斤)，大脑有1011个神经元，每个神经元又包含103个分支，构成庞大精细的神经网络，将全世界的计算机放在一起运行都无法逾越。人类的大脑一点都不比无穷宇宙简单，可以说人类大脑的神经科学(Neuroscience)是人类科学最后的前沿阵地。认识脑的奥秘是对人类的终极挑战，是开展脑疾病防治、脑认知、类人脑研究工作最重要的前提。
世界各国相继制订了各种不同的脑计划，总体可归纳为两个方面，一是探索脑科学的秘密，研制人类大脑成像技术的机制。利用功能核磁共振成像(fMRI)、近红外光学成像(fNIRS)、功能经颅多普勒超声(fTCD)等，统一展现大脑的结构和功能。主要任务是统计尚未掌握的大脑细胞类型，建立大脑的结构图，发现颠覆性原理和机制(目前仅为假设)。二是提出新一代人工智能的理论与方法，建立从机器感知、机器学习到机器思维和机器决策的颠覆性模型和工作模式，对脑疾病和脑保护方面的工作起到积极作用。2013年4月2日，美国时任总统奥巴马宣布启动“通过推动创新型神经技术开展大脑研究”计划。2013年10月，15个欧洲国家参与欧盟脑计划。2014年日本科学家发起神经科学研究计划。2016年2月澳大利亚脑联盟正式成立。将脑认知功能的解析和技术平台融为一体，认知障碍相关重大脑疾病诊治和类脑计算与脑机智能技术为两翼的“一体两翼”布局。
, 百拇医药
脑科学发展最早也推动了人工智能发展。1958年，David Hubel、Torsten Wiesel发现了人脑视觉机理——即视觉系统的信息处理在可视皮层是分级的，因此获得1981年诺贝尔医学奖。人脑视觉机理的发现，使计算机人工智能在40年后获得突破性发展。仿照人类大脑由低层到高层逐层迭代、抽象的视觉信息处理机理，计算机专家建立了深度网络模型。1999年脑科学和脑认知专家、美国麻省理工学院(MIT)人工智能实验室Tomaso Poggio教授提出了H-MAX模型(受HUBILE和WIESEL启发)，并指导学生Demis Hassabis创建DeepMind，开发了著名的阿尔法狗(AlphaGo)、阿尔法零(AlphaGo Zero)；他还指导另一位学生Amnon Shashua创建了Mobileye，开发“视觉优先”自动驾驶汽车。2014年Tomaso Poggio教授创建以研究脑科学、脑认知的麻省理工学院大脑、心智和机器中心(CBMM)，IBM 公司出资2.4亿美元，研究团队由信息科学家、生命科学家、脑科学病理科学家构成。2007年斯坦福大学Jay McClelland创建“心智、脑和计算中心”，研究脑科学领域的机理和机制。
, http://www.100md.com
□戴琼海：人工智能已进入到包含脑科学在内的生物智能阶段
人工智能的发展历程
人工智能最早是由数学家应用符号主义，以知识表达和逻辑符号系统来模拟人类的智能，试图对智能进行宏观研究(Knowledge-driven)。1950～1960年符号主义以专家系统和知识工程为主流。1960～1970年符号主义陷入低谷，日本第五代计算机失败。第二阶段是1970～1980年，联结主义得到蓬勃发展。1990～2015年联接主义占据主导，同时模糊逻辑取得重大进展。联接主义始于W.S.McCulloch和Pitts的先驱工作，直到目前的深度学习，是微观意义上的探索(Data driven)。第三阶段是2016年起始的生物智能，目标是探究脑科学的认知机理。人工智能或人类要进行决策和控制时，目前是从被动感知到决策与控制，首先是看得清，看得见，然后才能进行决策和部署。未来人类掌握脑科学机理后，可以发展为从主动认知到决策与控制。生物智能依赖于脑科学和心理学等学科的发现，将认知机理变为可计算的模型。
, 百拇医药
深度学习
人工智能(AI)最新突破的领域是深度学习，在医疗成像领域和智慧城市中发挥着重要作用。深度神经网络主要包括深度卷积神经网络、深度信念网络、深度自动编码器(2006年的突破性进展)。谷歌大脑人工智能团队首席科学家Geoffrey Hinton、纽约大学AI研究者Y. LeCun、蒙特利尔大学计算机科学与运营研究部Y. Bengio，为深度学习领域的三大灵魂人物，其中最著名的是深度学习之父Geoffrey Hinton，他在2017年10月提出：“卷积神经网络(CNN)的时代已经过去”。人工智能目前存在的问题是认知智能突破尚不明朗：人类认知机制尚不清晰，认知算法仍未突破，仅依靠工程学算法得不到更好的结果，难以突破认知智能。
IBM类脑芯片
1997年5月IBM研制超级计算机“深蓝”战胜国际象棋世界冠军卡斯帕罗夫。研究“深蓝”引出的智能计算知识，可应用到药学工程等其他方面的挑战中。2014年8月，IBM公布类人脑芯片TrueNorth，模仿人类大脑神经元结构，只有邮票大小、仅重几克，却集成了4096个内核，100万个“神经元”、2.56亿个“突触”。TrueNerth相当于一台超级计算机，通信效率极高，能耗大大降低，只有65毫瓦(手机电池够用一个星期)，能实时识别出用每秒30帧速度摄自斯坦福大学胡佛塔十字路口视频中的人、自行车、公交车、卡车等，准确率达到80%。一台笔记本编程完成同样任务要慢100倍且能耗是TrueNorth芯片的1万倍。当进行到下一步研究时TrueNorth团队放弃了,他们发现，要设计实现人工神经网络技术，需要从脑科学研究开始，学习新的学习机制和拓扑结构，即从脑科学到类脑计算再到人工智能。
, 百拇医药
类脑人工智能
人工智能取得的进展只是对脑工作原理的初步借鉴，未来机器智能研究需要和脑与神经科学、认知科学、心理学深度交叉融合。脑科学研究有助于在人工神经网络技术中设计实现新的学习机制与拓扑结构，这将强有力地推动人工智能的进一步发展，并为人工智能的发展指明全新的方向。
2016年，美国先进研究计划署(IARPA)启动了皮质网络机器智能(MICrONS计划)，被称为阿波罗脑计划。阿波罗脑计划拿出一亿美元经费，旨在反向设计1立方毫米大脑皮层中的所有神经回路，测量记录10万个神经元的活动和连接，分析其行为和工作模式，研究大脑计算方式，探索发现新的机理和现象，并用研究去找到大脑神经元的模型和机器神经元算法的相通之处。IARPA招募了3个研究团队在开展工作，他们分别提出各自的5年研究规划。哈佛大学生物学家及计算科学家David Cox(脑成像和脑机制探索)、卡耐基梅隆大学计算科学家Tai Sing Lee(人工智能机器学习)和贝勒医学院Andreas Tolias(脑科学的生理病理)各自带领一个团队。皮层网络机器智能计划由神经科学与信息科学结合，通过介观尺度皮层网络功能观测来推动人工智能发展。
, http://www.100md.com
2017年美国国立卫生研究院(NIH)发布BRAIN Initiative计划，通过推动创新型神经技术开展大脑研究。哈佛大学6位科学家在1.5亿美元的资助下将在5年内推动 BRAIN Initiative 研究计划。研究目标是理解神经环路与行为的关系，解释神经环路如何生成行为，大脑如何处理冲突的刺激，神经环路如何受到压力、饥饿、孤独的影响。项目采用斑马鱼脑荧光成像，用5年时间研究斑马鱼的神经动态结构。Florian Engert的研究方向是斑马鱼行为学研究，钙体成像和神经环路重建。Jeff Lichtman的研究方向是神经元连接与突触分析及神经编码。Haim Sompolinsky的研究方向是大脑组织、动态、功能研究和大脑多尺度观测。Sam Kunes的研究方向是神经系统发育与功能。同期我国也有一批科学家在进行斑马鱼的神经动态结构研究。
世界各国脑计划中仪器先行
美国脑计划是通过推动创新型神经技术开展大脑研究，其中有两个方面的工作与影像学有关：一是仪器开发。开发操作神经回路的工具和大规模神经网络记录技术。二是通过分析探索，描述人类大脑成像技术的机制。这是脑科学“卡脖子”问题，脑科学发展慢主要是因为无法观测大脑，其中仪器的局限是关键原因。只有在这两方面工作的基础上，才能了解神经细胞与个体行为之间的联系，把神经科学实验与理论、模型、统计学等进行整合；随后通过数据处理，统计大脑细胞类型，建立大脑结构图；同时为科学研究建立收集人类数据的机制，进行知识传播与培训。
, http://www.100md.com
目前迫切需要研发的领域是在体大视场高分辨动态成像，其对系统生物学研究至关重要，美国BRAIN、MICrONS、欧盟HBP等脑计划均给予新型显微成像仪器研制重点支持。例如，实时记录大尺度神经网络活动正是美国脑计划BRAIN Initiative主要目标之一。
对比全球现有针对神经环路的成像仪器及技术指标发现，传统显微镜低数据通量，难以同时实现宽视场和高分辨率的要求，比如光学显微成像可观测静态细胞级结构网络，一点点地移动着看，主要是观测结构；功能核磁成像虽然可观测动态脑区级功能活动，但分辨率较低，细胞级结构与功能成像无法统一。
大脑皮层神经元超过100亿个，每个神经元又与约100～10000个其他神经元相连接。小鼠大脑直径为1厘米，神经元胞体直径仅10微米，迫切需要宽视场、多尺度、高分辨率连续观测技术和仪器，而当前显微在体神经影像成像的核心难题是——高分辨率和宽视场之间存在着固有矛盾。
, http://www.100md.com 如何实现细胞级结构与功能成像统一到一个框架下观测全脑高分辨率的动态功能活动？前提是研制出具有高分辨率特征的光学成像，并能观测动态宽场脑成像。神经科学中心目标之一是揭示神经环路图谱。综合2013年至2016年生命科学成像仪器进展发现，美国加州理工大学、麻省理工大学等机构在《自然》(Nature)系列杂志报道了介观尺度成像技术，在视场和分辨率上有了一定的突破，揭示其所研制的亚厘米级视场显微仪器可观测小鼠等实验动物的脑神经结构，但显微技术仍受到低数据通量这一难以逾越的限制，无法获得观测对象的活体全脑高分辨率动态成像数据，从而无法了解小鼠全脑神经活动和神经环路整合机制。比如2013年加州理工学院研制出傅里叶域拼接视场：视场10×10mm2，分辨率0.78μm，成像速率180秒/帧，速度慢；2014年麻省理工学院建立动态光场显微成像，视场0.7×0.7×0.2mm3,分辨率1.4μm，成像速率0.03秒/帧，视场小；2015年霍华德休斯医学研究所建立Light Sheet成像，视场0.8×0.8×0.8mm3，分辨率 1.1μm，成像速率 0.5秒 /帧，视场小、速度慢；2016年7月北卡医学院建立双光子脑部成像，视场3.5mm×3.5mm,分辨率1.1μm，成像速率10秒/帧，速度慢。
, http://www.100md.com
通过分析指标需求和以上4所研究机构的新型成像仪器技术指标发现，新型成像仪器仍无法兼顾“宽视场、多尺度、高分辨率连续观测”在体神经影像需求，无法进行介观尺度下高分辨率信息的高速获取。这一需求在光学上其实是个矛盾的问题。因为视场大，则分辨率低。如果观测在体，则速度通量要下降。“看得大了，就看不清10微米尺度的神经元；看得细了，就看不全厘米尺度的小鼠全脑；看得慢了，就无法捕获神经元间的动态信息收发过程。即使看得大了、细了，还需要把海量信息采集、记录下来。”戴琼海解释。
如何解决这些相互矛盾的问题，是研发宽视场、多尺度、高分辨率连续观测新型成像仪器的前提和关键。戴琼海教授用4年半的时间接受了这项挑战并一举解决了这一难题。2012年他动议国家自然科学基金重大仪器专项“脑科学机理与脑疾病”，2013年领衔正式申请这一重大仪器专项并获得支持，开始研发以超宽、超分、超快和超深为目标的多维多尺度高分辨率计算摄像仪器。研制单位有清华大学、浙江大学和中国科学院上海光学精密机械研究所。验证单位为解放军第三军医大学、华中科技大学同济医学院和中国科学院上海生命科学研究院。后期加入的北京大学、北京师范大学和解放军总医院开展仪器分析和方法处理。
, 百拇医药
新型超宽视场高分辨率实时显微成像仪器研制历时4年，包含4000个零部件，辗转15个光机工厂，2个电子工厂，研究出拥有完全自主产权的新型超宽视场高分辨率实时显微成像仪器(Real-time Ultralarge-Scale imaging at High-resolution，RUSH)，是目前全球视场最大、数据通量最高的光学显微仪器。RUSH研制过程历时一年半：2015年4月进行设计验证，2015年11月构建平台，2016年3月完成元件加工，2016年6月进行模块匹配，2016年8月完成系统集成。技术指标：视场大小1cm×1.2cm(可观测小鼠全脑)，分辨率0.8μm，每帧图像1.69亿像素，成像帧率30 frames/s(首个达到动态实时特征)，数据通量达到11.55GB/s，是目前世界上最大视场的高速高分辨光学显微镜，实现了兼顾“全局形态”和“细节特征”的多尺度观测。
RUSH(Ⅱ)的目标视场为1cm×1.2cm(突破衍射极限限制)，光学分辨率达到400纳米(提升一倍)，能实时观测到神经元的轴突与树突的信息传递；轴向分辨率5～7μm(提高近一倍)；单帧像素数6.7亿像素(提高4倍)；每秒数据量50GB(超出万兆网带宽4倍)；存储数据量10～100PB。这对研发团队的挑战主要有三方面：一是探索、研制多种高轴向分辨率的显微成像系统；二是提升采集、存储、计算系统能力；三是发现脑的原理与机制，揭示认知规律和生理性能。
, 百拇医药
多学科联手，力促突破性的实验进展
为实际探索RUSH仪器的应用情况，2017年1月起，戴琼海教授团队与生物科学家和临床医师合作，应用RUSH开展了一系列生物科学实验,迄今已逾一年。神经血管耦合(NVC)功能复杂，影响因素较多，目前尚无公认的评价方法，缺乏大视场的高速高分辨高通量光学显微成像数据。RUSH(Ⅱ)对大脑神经-血管耦合机制下结构信息与功能信息进行了统一观测，实现清醒小鼠在气流刺激胡须下的全脑结构-功能成像，通过功能信号和血管舒张的同时成像，帮助研究者探索脑区血管每个节点与周围神经元的关系。
借用RUSH成像+深度学习技术，通过定位癌细胞、统计癌细胞、进行转移灶和原发灶分类，完成肿瘤细胞的自动检测与统计，有助于探索疾病机理。比如如果人脑肿瘤活检出结果需较长时间，通过RUSH以人脑胶质瘤切片做三维成像，用时30毫秒就可以定位癌细胞，辨别是转移灶还是原发灶。
, http://www.100md.com
开展CX3CR1-GFP小鼠全脑尺度的免疫细胞保护机理研究，免疫细胞迁移是癌症细胞转移的逆过程，RUSH可以观测到迁徙免疫细胞的轨迹。研究中风引入前后小鼠全脑不同血管位置免疫细胞流量变化，揭示免疫病理反应，可以实现核磁共振无法做到的高分辨率观测。另外，借助RUSH开展了癫痫病理研究，通过对鲜活人脑切片+钙指示剂染色，进行癫痫患者病变组织癫痫波的研究，研究电极诱导下癫痫波的产生过程，揭示癫痫病理发生机制，从而为疾病防治找到新的手段提供帮助。
RUSH还对推动心脏生理、病理研究起到一定作用。实时观测心肌钙成像>104心肌细胞，基于高通量成像的药物筛选平台，可加速药物研制，开拓新领域。开发全自动数据处理算法，用于分析>104个心肌细胞随时间变化的规律，对筛选高通量心肌药物起到重要作用。通过高通量脑药物筛选>104个神经元细胞实时钙成像，探索神经信号传递规律。目标是推动人工智能跨越发展，建立大脑动态连接图：研究结构网络——静态、基础通信设施和功能网络——动态、分级概率网络。通过让小鼠听音乐、吃巧克力、喝不同的饮料来观测其全脑反应。戴琼海教授展示了一段小鼠全脑皮层、亚细胞级、结构功能的统一成像视频，记录了清醒小鼠在听音乐时的全脑神经网络活动：闪烁的钙成像信号反映了单神经元活动和跨脑区的信息传递、变换信息。这是国际首次获得音乐刺激下清醒小鼠全脑皮层神经网络活动的高速成像。
, 百拇医药
这项已开展一年余的实验研究也得到了很多国际同行和科学家的关注。2017年7月16日，诺贝尔物理学奖获得者、美国第12任能源部长朱棣文教授在薛其坤校长陪同下参观清华大学自动化系宽带网实验室(BBNC)，对RUSH仪器项目产生了浓厚兴趣，肯定了仪器的先进性，并对实验结果表示震撼。
戴琼海教授目前正在开展的工作是基于RUSH的神经环路观测，揭示颠覆性机理。通过获取清醒动物全脑结构功能实时成像数据，开展宽场高分辨实现情绪环路、思维环路协同神经网络研究；借助高数据通量，推进神经网络记忆、决策机制研究，从而推进人工智能的发展。2015年《科学》杂志(Science)一篇文献报道，人类只需要极少的样本就可以学习到新的概念，而机器学习算法通常需要数百个样本才能达到同样的性能。而同年《自然》杂志报道，随着学习的过程，多个神经序列可从一个共同的前体序列的生长和分解中形成。记忆分为三个阶段:长期记忆的形成与学习过程有关；人类采用注意力、重复、与过去的学习过程来对信息进行编码；从神经学来看，大脑的海马体中一直在重复进行编码的工作。目前戴琼海教授团队正在就这些研究方向开展小鼠实验，下一步将进入灵长类动物实验阶段，研究者们将通过建立5只猕猴动物模型，更好的揭示关于这些研究的方向性认识。
院士小传
戴琼海，中国工程院院士，清华大学自动化系教授，清华大学生命科学学院兼职教授。1999年至今在清华大学自动化系工作，研究领域为视频处理及通信，光场与计算摄像学，多视图三维重建与立体视频，IPTV与无线视频传输，合成视觉及其导航应用，压缩感知与稀疏表示理论及应用，图像(视频)检索及其挖掘。, 百拇医药(文图 中国医药科学)
追求国际前沿与满足国家重大需求并不矛盾，研究者要么做别人想不到的事，要么做别人不能做的事，要么将一种研究做到极致。像外行一样思考，像专家一样实践。
——戴琼海
“人工智能已进入到包含脑科学在内的生物智能阶段。”日前，中国工程院院士、清华大学自动化系教授及清华大学生命科学学院兼职教授戴琼海以展示国际上第一个小鼠全脑的动态图为发端，介绍了脑科学的发展对脑工作原理、脑疾病的防治、人工智能产业的发展的巨大推动作用，以及高分辨实时显微成像在医学领域中的实践应用。
戴琼海院士介绍，在清华大学联合上海光技术共同开发的世界最大视场高速高分率显示器上，可以看到脑整个结构以及小鼠听到音乐神经环路的状态，是世界上第一个动态全脑的图，环路打通后将有能力解决人工智能环路的不确定性。
, 百拇医药
脑科学是什么？人类大脑重约3磅(1.4公斤)，大脑有1011个神经元，每个神经元又包含103个分支，构成庞大精细的神经网络，将全世界的计算机放在一起运行都无法逾越。人类的大脑一点都不比无穷宇宙简单，可以说人类大脑的神经科学(Neuroscience)是人类科学最后的前沿阵地。认识脑的奥秘是对人类的终极挑战，是开展脑疾病防治、脑认知、类人脑研究工作最重要的前提。
世界各国相继制订了各种不同的脑计划，总体可归纳为两个方面，一是探索脑科学的秘密，研制人类大脑成像技术的机制。利用功能核磁共振成像(fMRI)、近红外光学成像(fNIRS)、功能经颅多普勒超声(fTCD)等，统一展现大脑的结构和功能。主要任务是统计尚未掌握的大脑细胞类型，建立大脑的结构图，发现颠覆性原理和机制(目前仅为假设)。二是提出新一代人工智能的理论与方法，建立从机器感知、机器学习到机器思维和机器决策的颠覆性模型和工作模式，对脑疾病和脑保护方面的工作起到积极作用。2013年4月2日，美国时任总统奥巴马宣布启动“通过推动创新型神经技术开展大脑研究”计划。2013年10月，15个欧洲国家参与欧盟脑计划。2014年日本科学家发起神经科学研究计划。2016年2月澳大利亚脑联盟正式成立。将脑认知功能的解析和技术平台融为一体，认知障碍相关重大脑疾病诊治和类脑计算与脑机智能技术为两翼的“一体两翼”布局。
, 百拇医药
脑科学发展最早也推动了人工智能发展。1958年，David Hubel、Torsten Wiesel发现了人脑视觉机理——即视觉系统的信息处理在可视皮层是分级的，因此获得1981年诺贝尔医学奖。人脑视觉机理的发现，使计算机人工智能在40年后获得突破性发展。仿照人类大脑由低层到高层逐层迭代、抽象的视觉信息处理机理，计算机专家建立了深度网络模型。1999年脑科学和脑认知专家、美国麻省理工学院(MIT)人工智能实验室Tomaso Poggio教授提出了H-MAX模型(受HUBILE和WIESEL启发)，并指导学生Demis Hassabis创建DeepMind，开发了著名的阿尔法狗(AlphaGo)、阿尔法零(AlphaGo Zero)；他还指导另一位学生Amnon Shashua创建了Mobileye，开发“视觉优先”自动驾驶汽车。2014年Tomaso Poggio教授创建以研究脑科学、脑认知的麻省理工学院大脑、心智和机器中心(CBMM)，IBM 公司出资2.4亿美元，研究团队由信息科学家、生命科学家、脑科学病理科学家构成。2007年斯坦福大学Jay McClelland创建“心智、脑和计算中心”，研究脑科学领域的机理和机制。
, http://www.100md.com
□戴琼海：人工智能已进入到包含脑科学在内的生物智能阶段
人工智能的发展历程
人工智能最早是由数学家应用符号主义，以知识表达和逻辑符号系统来模拟人类的智能，试图对智能进行宏观研究(Knowledge-driven)。1950～1960年符号主义以专家系统和知识工程为主流。1960～1970年符号主义陷入低谷，日本第五代计算机失败。第二阶段是1970～1980年，联结主义得到蓬勃发展。1990～2015年联接主义占据主导，同时模糊逻辑取得重大进展。联接主义始于W.S.McCulloch和Pitts的先驱工作，直到目前的深度学习，是微观意义上的探索(Data driven)。第三阶段是2016年起始的生物智能，目标是探究脑科学的认知机理。人工智能或人类要进行决策和控制时，目前是从被动感知到决策与控制，首先是看得清，看得见，然后才能进行决策和部署。未来人类掌握脑科学机理后，可以发展为从主动认知到决策与控制。生物智能依赖于脑科学和心理学等学科的发现，将认知机理变为可计算的模型。
, 百拇医药
深度学习
人工智能(AI)最新突破的领域是深度学习，在医疗成像领域和智慧城市中发挥着重要作用。深度神经网络主要包括深度卷积神经网络、深度信念网络、深度自动编码器(2006年的突破性进展)。谷歌大脑人工智能团队首席科学家Geoffrey Hinton、纽约大学AI研究者Y. LeCun、蒙特利尔大学计算机科学与运营研究部Y. Bengio，为深度学习领域的三大灵魂人物，其中最著名的是深度学习之父Geoffrey Hinton，他在2017年10月提出：“卷积神经网络(CNN)的时代已经过去”。人工智能目前存在的问题是认知智能突破尚不明朗：人类认知机制尚不清晰，认知算法仍未突破，仅依靠工程学算法得不到更好的结果，难以突破认知智能。
IBM类脑芯片
1997年5月IBM研制超级计算机“深蓝”战胜国际象棋世界冠军卡斯帕罗夫。研究“深蓝”引出的智能计算知识，可应用到药学工程等其他方面的挑战中。2014年8月，IBM公布类人脑芯片TrueNorth，模仿人类大脑神经元结构，只有邮票大小、仅重几克，却集成了4096个内核，100万个“神经元”、2.56亿个“突触”。TrueNerth相当于一台超级计算机，通信效率极高，能耗大大降低，只有65毫瓦(手机电池够用一个星期)，能实时识别出用每秒30帧速度摄自斯坦福大学胡佛塔十字路口视频中的人、自行车、公交车、卡车等，准确率达到80%。一台笔记本编程完成同样任务要慢100倍且能耗是TrueNorth芯片的1万倍。当进行到下一步研究时TrueNorth团队放弃了,他们发现，要设计实现人工神经网络技术，需要从脑科学研究开始，学习新的学习机制和拓扑结构，即从脑科学到类脑计算再到人工智能。
, 百拇医药
类脑人工智能
人工智能取得的进展只是对脑工作原理的初步借鉴，未来机器智能研究需要和脑与神经科学、认知科学、心理学深度交叉融合。脑科学研究有助于在人工神经网络技术中设计实现新的学习机制与拓扑结构，这将强有力地推动人工智能的进一步发展，并为人工智能的发展指明全新的方向。
2016年，美国先进研究计划署(IARPA)启动了皮质网络机器智能(MICrONS计划)，被称为阿波罗脑计划。阿波罗脑计划拿出一亿美元经费，旨在反向设计1立方毫米大脑皮层中的所有神经回路，测量记录10万个神经元的活动和连接，分析其行为和工作模式，研究大脑计算方式，探索发现新的机理和现象，并用研究去找到大脑神经元的模型和机器神经元算法的相通之处。IARPA招募了3个研究团队在开展工作，他们分别提出各自的5年研究规划。哈佛大学生物学家及计算科学家David Cox(脑成像和脑机制探索)、卡耐基梅隆大学计算科学家Tai Sing Lee(人工智能机器学习)和贝勒医学院Andreas Tolias(脑科学的生理病理)各自带领一个团队。皮层网络机器智能计划由神经科学与信息科学结合，通过介观尺度皮层网络功能观测来推动人工智能发展。
, http://www.100md.com
2017年美国国立卫生研究院(NIH)发布BRAIN Initiative计划，通过推动创新型神经技术开展大脑研究。哈佛大学6位科学家在1.5亿美元的资助下将在5年内推动 BRAIN Initiative 研究计划。研究目标是理解神经环路与行为的关系，解释神经环路如何生成行为，大脑如何处理冲突的刺激，神经环路如何受到压力、饥饿、孤独的影响。项目采用斑马鱼脑荧光成像，用5年时间研究斑马鱼的神经动态结构。Florian Engert的研究方向是斑马鱼行为学研究，钙体成像和神经环路重建。Jeff Lichtman的研究方向是神经元连接与突触分析及神经编码。Haim Sompolinsky的研究方向是大脑组织、动态、功能研究和大脑多尺度观测。Sam Kunes的研究方向是神经系统发育与功能。同期我国也有一批科学家在进行斑马鱼的神经动态结构研究。
世界各国脑计划中仪器先行
美国脑计划是通过推动创新型神经技术开展大脑研究，其中有两个方面的工作与影像学有关：一是仪器开发。开发操作神经回路的工具和大规模神经网络记录技术。二是通过分析探索，描述人类大脑成像技术的机制。这是脑科学“卡脖子”问题，脑科学发展慢主要是因为无法观测大脑，其中仪器的局限是关键原因。只有在这两方面工作的基础上，才能了解神经细胞与个体行为之间的联系，把神经科学实验与理论、模型、统计学等进行整合；随后通过数据处理，统计大脑细胞类型，建立大脑结构图；同时为科学研究建立收集人类数据的机制，进行知识传播与培训。
, http://www.100md.com
目前迫切需要研发的领域是在体大视场高分辨动态成像，其对系统生物学研究至关重要，美国BRAIN、MICrONS、欧盟HBP等脑计划均给予新型显微成像仪器研制重点支持。例如，实时记录大尺度神经网络活动正是美国脑计划BRAIN Initiative主要目标之一。
对比全球现有针对神经环路的成像仪器及技术指标发现，传统显微镜低数据通量，难以同时实现宽视场和高分辨率的要求，比如光学显微成像可观测静态细胞级结构网络，一点点地移动着看，主要是观测结构；功能核磁成像虽然可观测动态脑区级功能活动，但分辨率较低，细胞级结构与功能成像无法统一。
大脑皮层神经元超过100亿个，每个神经元又与约100～10000个其他神经元相连接。小鼠大脑直径为1厘米，神经元胞体直径仅10微米，迫切需要宽视场、多尺度、高分辨率连续观测技术和仪器，而当前显微在体神经影像成像的核心难题是——高分辨率和宽视场之间存在着固有矛盾。
, http://www.100md.com 如何实现细胞级结构与功能成像统一到一个框架下观测全脑高分辨率的动态功能活动？前提是研制出具有高分辨率特征的光学成像，并能观测动态宽场脑成像。神经科学中心目标之一是揭示神经环路图谱。综合2013年至2016年生命科学成像仪器进展发现，美国加州理工大学、麻省理工大学等机构在《自然》(Nature)系列杂志报道了介观尺度成像技术，在视场和分辨率上有了一定的突破，揭示其所研制的亚厘米级视场显微仪器可观测小鼠等实验动物的脑神经结构，但显微技术仍受到低数据通量这一难以逾越的限制，无法获得观测对象的活体全脑高分辨率动态成像数据，从而无法了解小鼠全脑神经活动和神经环路整合机制。比如2013年加州理工学院研制出傅里叶域拼接视场：视场10×10mm2，分辨率0.78μm，成像速率180秒/帧，速度慢；2014年麻省理工学院建立动态光场显微成像，视场0.7×0.7×0.2mm3,分辨率1.4μm，成像速率0.03秒/帧，视场小；2015年霍华德休斯医学研究所建立Light Sheet成像，视场0.8×0.8×0.8mm3，分辨率 1.1μm，成像速率 0.5秒 /帧，视场小、速度慢；2016年7月北卡医学院建立双光子脑部成像，视场3.5mm×3.5mm,分辨率1.1μm，成像速率10秒/帧，速度慢。
, http://www.100md.com
通过分析指标需求和以上4所研究机构的新型成像仪器技术指标发现，新型成像仪器仍无法兼顾“宽视场、多尺度、高分辨率连续观测”在体神经影像需求，无法进行介观尺度下高分辨率信息的高速获取。这一需求在光学上其实是个矛盾的问题。因为视场大，则分辨率低。如果观测在体，则速度通量要下降。“看得大了，就看不清10微米尺度的神经元；看得细了，就看不全厘米尺度的小鼠全脑；看得慢了，就无法捕获神经元间的动态信息收发过程。即使看得大了、细了，还需要把海量信息采集、记录下来。”戴琼海解释。
如何解决这些相互矛盾的问题，是研发宽视场、多尺度、高分辨率连续观测新型成像仪器的前提和关键。戴琼海教授用4年半的时间接受了这项挑战并一举解决了这一难题。2012年他动议国家自然科学基金重大仪器专项“脑科学机理与脑疾病”，2013年领衔正式申请这一重大仪器专项并获得支持，开始研发以超宽、超分、超快和超深为目标的多维多尺度高分辨率计算摄像仪器。研制单位有清华大学、浙江大学和中国科学院上海光学精密机械研究所。验证单位为解放军第三军医大学、华中科技大学同济医学院和中国科学院上海生命科学研究院。后期加入的北京大学、北京师范大学和解放军总医院开展仪器分析和方法处理。
, 百拇医药
新型超宽视场高分辨率实时显微成像仪器研制历时4年，包含4000个零部件，辗转15个光机工厂，2个电子工厂，研究出拥有完全自主产权的新型超宽视场高分辨率实时显微成像仪器(Real-time Ultralarge-Scale imaging at High-resolution，RUSH)，是目前全球视场最大、数据通量最高的光学显微仪器。RUSH研制过程历时一年半：2015年4月进行设计验证，2015年11月构建平台，2016年3月完成元件加工，2016年6月进行模块匹配，2016年8月完成系统集成。技术指标：视场大小1cm×1.2cm(可观测小鼠全脑)，分辨率0.8μm，每帧图像1.69亿像素，成像帧率30 frames/s(首个达到动态实时特征)，数据通量达到11.55GB/s，是目前世界上最大视场的高速高分辨光学显微镜，实现了兼顾“全局形态”和“细节特征”的多尺度观测。
RUSH(Ⅱ)的目标视场为1cm×1.2cm(突破衍射极限限制)，光学分辨率达到400纳米(提升一倍)，能实时观测到神经元的轴突与树突的信息传递；轴向分辨率5～7μm(提高近一倍)；单帧像素数6.7亿像素(提高4倍)；每秒数据量50GB(超出万兆网带宽4倍)；存储数据量10～100PB。这对研发团队的挑战主要有三方面：一是探索、研制多种高轴向分辨率的显微成像系统；二是提升采集、存储、计算系统能力；三是发现脑的原理与机制，揭示认知规律和生理性能。
, 百拇医药
多学科联手，力促突破性的实验进展
为实际探索RUSH仪器的应用情况，2017年1月起，戴琼海教授团队与生物科学家和临床医师合作，应用RUSH开展了一系列生物科学实验,迄今已逾一年。神经血管耦合(NVC)功能复杂，影响因素较多，目前尚无公认的评价方法，缺乏大视场的高速高分辨高通量光学显微成像数据。RUSH(Ⅱ)对大脑神经-血管耦合机制下结构信息与功能信息进行了统一观测，实现清醒小鼠在气流刺激胡须下的全脑结构-功能成像，通过功能信号和血管舒张的同时成像，帮助研究者探索脑区血管每个节点与周围神经元的关系。
借用RUSH成像+深度学习技术，通过定位癌细胞、统计癌细胞、进行转移灶和原发灶分类，完成肿瘤细胞的自动检测与统计，有助于探索疾病机理。比如如果人脑肿瘤活检出结果需较长时间，通过RUSH以人脑胶质瘤切片做三维成像，用时30毫秒就可以定位癌细胞，辨别是转移灶还是原发灶。
, http://www.100md.com
开展CX3CR1-GFP小鼠全脑尺度的免疫细胞保护机理研究，免疫细胞迁移是癌症细胞转移的逆过程，RUSH可以观测到迁徙免疫细胞的轨迹。研究中风引入前后小鼠全脑不同血管位置免疫细胞流量变化，揭示免疫病理反应，可以实现核磁共振无法做到的高分辨率观测。另外，借助RUSH开展了癫痫病理研究，通过对鲜活人脑切片+钙指示剂染色，进行癫痫患者病变组织癫痫波的研究，研究电极诱导下癫痫波的产生过程，揭示癫痫病理发生机制，从而为疾病防治找到新的手段提供帮助。
RUSH还对推动心脏生理、病理研究起到一定作用。实时观测心肌钙成像>104心肌细胞，基于高通量成像的药物筛选平台，可加速药物研制，开拓新领域。开发全自动数据处理算法，用于分析>104个心肌细胞随时间变化的规律，对筛选高通量心肌药物起到重要作用。通过高通量脑药物筛选>104个神经元细胞实时钙成像，探索神经信号传递规律。目标是推动人工智能跨越发展，建立大脑动态连接图：研究结构网络——静态、基础通信设施和功能网络——动态、分级概率网络。通过让小鼠听音乐、吃巧克力、喝不同的饮料来观测其全脑反应。戴琼海教授展示了一段小鼠全脑皮层、亚细胞级、结构功能的统一成像视频，记录了清醒小鼠在听音乐时的全脑神经网络活动：闪烁的钙成像信号反映了单神经元活动和跨脑区的信息传递、变换信息。这是国际首次获得音乐刺激下清醒小鼠全脑皮层神经网络活动的高速成像。
, 百拇医药
这项已开展一年余的实验研究也得到了很多国际同行和科学家的关注。2017年7月16日，诺贝尔物理学奖获得者、美国第12任能源部长朱棣文教授在薛其坤校长陪同下参观清华大学自动化系宽带网实验室(BBNC)，对RUSH仪器项目产生了浓厚兴趣，肯定了仪器的先进性，并对实验结果表示震撼。
戴琼海教授目前正在开展的工作是基于RUSH的神经环路观测，揭示颠覆性机理。通过获取清醒动物全脑结构功能实时成像数据，开展宽场高分辨实现情绪环路、思维环路协同神经网络研究；借助高数据通量，推进神经网络记忆、决策机制研究，从而推进人工智能的发展。2015年《科学》杂志(Science)一篇文献报道，人类只需要极少的样本就可以学习到新的概念，而机器学习算法通常需要数百个样本才能达到同样的性能。而同年《自然》杂志报道，随着学习的过程，多个神经序列可从一个共同的前体序列的生长和分解中形成。记忆分为三个阶段:长期记忆的形成与学习过程有关；人类采用注意力、重复、与过去的学习过程来对信息进行编码；从神经学来看，大脑的海马体中一直在重复进行编码的工作。目前戴琼海教授团队正在就这些研究方向开展小鼠实验，下一步将进入灵长类动物实验阶段，研究者们将通过建立5只猕猴动物模型，更好的揭示关于这些研究的方向性认识。
院士小传
戴琼海，中国工程院院士，清华大学自动化系教授，清华大学生命科学学院兼职教授。1999年至今在清华大学自动化系工作，研究领域为视频处理及通信，光场与计算摄像学，多视图三维重建与立体视频，IPTV与无线视频传输，合成视觉及其导航应用，压缩感知与稀疏表示理论及应用，图像(视频)检索及其挖掘。, 百拇医药(文图 中国医药科学)