背景：今年，人工智能领域的重大发现让人瞩目：在短短两天内，相关研究获得了两项诺贝尔奖。这两项奖项分别是物理学奖和化学奖，获奖者包括杰弗里·辛顿（Geoffrey Hinton）教授、约翰·霍普菲尔德（John Hopfield）教授和德米斯·哈萨比斯（Demis Hassabis）爵士等，他们的研究正在深刻影响神经科学。位于Sainsbury Wellcome Centre（SWC）的研究也因此受益匪浅。
“人工神经网络最初的灵感来自于对生物大脑的研究。如今，我们利用这些网络来帮助理解人类和动物的智能行为，这一过程的回归之美令人赞叹。这种深入的理解不仅对神经科学产生了深远影响，也在日常生活的许多方面影响着我们的社会。”SWC神经科学教授兼主任汤姆·穆里西-弗洛戈尔（Tom Mrsic-Flogel）如是说。
1. 霍普菲尔德网络的变革性影响
约翰·霍普菲尔德教授是Gatsby Unit的创始顾问之一，他因在人工神经网络领域的基础性发现和发明获得了2024年诺贝尔物理学奖的一半。霍普菲尔德在20世纪80年代的开创性工作为现代神经网络奠定了基础。他的霍普菲尔德网络以稳定状态或吸引子为特点，系统可以稳定在特定的活动模式中。这一概念最初来源于物理学，现已被用来探讨大脑中的神经元如何学习和存储信息。
在SWC，霍普菲尔德模型在推动我们理解大脑如何驱动行为方面发挥了重要作用。SWC的研究组长阿西娜·阿克拉米（Athena Akrami）强调，霍普菲尔德网络为我们提供了关于大脑记忆巩固和提取的许多直觉：“霍普菲尔德的工作提供了一个数学框架，使我们能够从宏观层面思考复杂系统。这个框架在塑造我们对大脑如何做出决策以及形成短期和长期记忆的理解中至关重要。”
传统上，神经科学家将大脑视为一系列反射性的输入-输出机制，受到神经生理学家的影响。然而，霍普菲尔德网络改变了这一观点，强调了大脑的内部动态。“与其把大脑看作一个输入-输出机器，不如把它想象成一片不断流动的水域。每当有刺激出现时，它就会改变产生的波动，从而修改正在进行的系统。在没有任何输入的情况下，它不会衰减到零，因为它有自己的内部动态。”SWC的研究组长杰弗里·厄尔里奇（Jeffrey Erlich）解释道。
这种内部动态的概念将研究重点从反应模型转向了理解大脑的持续活动和稳定性。例如，这些网络能够进行模式完成，识别并完成基于已学习模式的部分或噪声输入。
2.辛顿：人工智能之父
识别模式的能力也是诺贝尔发现对神经科学影响的关键之一。Gatsby Unit的创始主任杰弗里·辛顿教授，被称为“人工智能之父”，获得了2024年诺贝尔物理学奖的另一半。他因在深度学习领域的开创性工作而受到广泛尊敬。
“深度学习改变了许多科学和社会领域，从MRI扫描中的癌症检测到在视频通话中使用虚拟背景。我们在SWC进行的数据分析中，很多都依赖于深度学习，特别是在图像和视频分析方面。我的团队还开发了使用深度学习的工具，例如cellfinder，它是一种用于在大型3D图像中自动检测细胞的软件。”SWC的首席研究工程师亚当·泰森（Adam Tyson）解释道。
深度学习还对神经科学领域产生了更广泛的影响。由于深度学习需要大量计算，制造商开始调整和生产图形处理单元（GPU），使人们能够在计算机上运行机器学习工作流程。这使得硬件变得更加可用，科学家们可以利用这些GPU加速数据分析。
这种加速数据分析的能力使SWC的科学家们能够追求更大胆的研究问题。例如，仅仅几年前，实验中的视频数据需要手动评分。现在我们有了可以自动化这一过程的工具，准确性非常高，允许研究人员在更长时间内研究更自然的行为。
除了积极的影响，辛顿还因关注人工智能潜在的危险而闻名，SWC对此非常重视。“虽然我们的工作在相对安全的领域，但我们非常重视确保一切经过验证。深度学习网络可能会产生幻觉输出，往往会生成看似合理但不一定正确的结果。因此，我们确保一切都经过客观测试和验证，因为我们的目标是构建值得信赖的工具，使其在全球实验室中有效。”泰森补充道。
3.哈萨比斯：利用人工智能解决复杂问题
AlphaFold2是一个出色的人工智能工具，已经帮助了许多人。这个工具由Gatsby Unit的校友德米斯·哈萨比斯爵士和Google DeepMind团队开发，因其在蛋白质结构预测方面的贡献，哈萨比斯和同事约翰·贾姆珀（John Jumper）获得了2024年诺贝尔化学奖的一半。
使用AlphaFold2确定的蛋白质结构展示了其强大的能力。Gatsby Unit的博士生克莱芒丁·多米奈（Clémentine Dominé）在她的研究中使用了AlphaFold2的预测，她强调了这个工具的变革性：
“AlphaFold让我们能够根据蛋白质的序列预测其三维结构，这在以前是一个非常昂贵且耗时的过程，需要使用晶体学。这对理解蛋白质之间的相互作用以及开发新疗法具有重要意义。我的研究集中在这种三维信息是否可以改善抗体和抗原结合的预测模型，从而帮助开发更好的疫苗。”
AlphaFold2基于一种叫做深度Q学习的算法，使其能够在复杂问题上进行学习。SWC的科学家们也在研究中使用深度Q网络（DQN）模型，比如Erlich和Duan教授的实验室正在研究多智能体决策。
5.SWC与Gatsby Unit的合作精神
人工智能的这些进步使我们能够探索以前无法实现的大胆问题。理论神经科学与机器学习教授、Gatsby计算神经科学中心主任马尼什·萨哈尼（Maneesh Sahani）表示：
“人工智能对科学和社会产生了不可否认的影响。机器学习正在革命化各个领域，推动学术学科的发展。在Gatsby Unit，我们不仅继续推进机器学习的基础数学，还与SWC合作，汇聚理论家和实验者的力量，共同解决复杂问题。”
SWC和Gatsby Unit的跨学科文化，加上来自Gatsby慈善基金会和Wellcome的核心资金支持，持续推动我们对大脑和机器智能的理解，为未来带来了激动人心的可能性。
编译| Jim
声明：以上仅做内容分享，欢迎点赞支持，转载请注明出处！
分享
收藏
点赞
在看
