不少研究鳥類、老鼠和魚類的神經(jīng)科學家們從傳統(tǒng)學術機構(gòu)轉(zhuǎn)投蘋果、谷歌、Facebook等提供豐厚薪酬的科技公司，幫助它們提升人工智能、自動駕駛汽車等技術。

動物思維研究競賽

Jaguar是只老鼠。它住在哈佛大學羅蘭學院，在那里，它時不時地在一個裝備上玩電子游戲。金屬條讓它置于金屬桿前的一個小平臺內(nèi)；它的任務是通過感知能力找到虛擬盒子的邊緣。為了做到這一點，它用右爪抓住可以360度旋轉(zhuǎn)的操縱桿，操縱操縱桿，直至感覺到來自機器的反饋。當他觸達正確的目標區(qū)域，比如說盒子的邊緣，管子就會獎勵他一滴糖水。

為了追蹤Jaguar的大腦活動，研究人員對它進行了基因改造，使得它的神經(jīng)元在放電時發(fā)出熒光。這束光可通過一塊玻璃板看到，該玻璃板借助牙粘固粉與它的部分頭骨融合在一起。玻璃板上方的顯微鏡記錄下了它玩耍時大腦發(fā)光的圖像。“在一個過程中，你可以教它們新的規(guī)則，并觀察成千上萬的神經(jīng)元學習的整個過程，看看它們是如何變化的。”負責這項實驗的神經(jīng)學家麥肯齊·馬西斯(Mackenzie Mathis)說。

在過去的幾十年里，馬西斯的見解只會促進我們對老鼠和大腦功能的了解。然而，如今，越來越多的專業(yè)動物研究人員協(xié)助開發(fā)人工智能軟件和腦機接口，她只是其中的一員。她想要發(fā)現(xiàn)老鼠是如何學習的，部分原因是這可以告訴我們?nèi)绾谓逃嬎銠C學習。例如，觀察老鼠在視頻游戲中對意外情況的反應，或許有朝一日能讓她把類似的技能傳授給機器人。

哈佛大學羅蘭研究所的神經(jīng)科學家研究老鼠，訓練它們完成一些任務，包括玩視頻游戲和控制操縱桿

其他的神經(jīng)科學家正在研究斑胸草雀的鳴叫技巧。一些人正在成為羊頭骨導電性方面的專家。還有更多的人選擇了傳統(tǒng)的高中生物學研究對象：果蠅，它們的神經(jīng)結(jié)構(gòu)相對簡單；又或者蠕蟲，它們從自己為數(shù)不多的神經(jīng)元中榨取大量的汁液。

在過去的幾年里，各大科技公司一直在“突襲”各所高校，把這些專業(yè)人才挖走。她說，蘋果、Facebook、谷歌和Twitter都從Mathis最近的一個獎學金項目中聘用了博士生。“博士生在拿到學位之前就有工作了。”

當然，動物長期以來在推動企業(yè)科學方面發(fā)揮著重要作用，尤其是在醫(yī)療方面。但是，要想把對斑馬鳥的聲音處理機制的剖析應用于Siri語音識別軟件——或者把對老鼠玩游戲過程的洞察應用于亞馬遜倉庫完全依靠機器人運作的未來愿景——目前還是天方夜譚。正當各行各業(yè)都可能發(fā)生翻天覆地的變化，揭開動物思維秘密的競賽正變得越來越不可思議。

打造通用人工智能和腦機接口

1958年，康奈爾大學神經(jīng)生物學家弗蘭克·羅森布拉特(Frank Rosenblatt)推出了感知器，這是最早嘗試在計算機中模擬大腦結(jié)構(gòu)的設備之一。舉例來說，它的處理元素，也就是羅森布拉特所說的神經(jīng)元，會協(xié)調(diào)一致地找出，一張?zhí)囟ǖ恼掌枥L的是一個男人還是一個女人——這是對圖像識別的一種原始嘗試。圍繞感知器的研究陷入停滯，F(xiàn)acebook、谷歌和其他公司則繼續(xù)將他們龐大的人工智能計算系統(tǒng)描述為“神經(jīng)網(wǎng)絡”，該類網(wǎng)絡由數(shù)百萬個神經(jīng)元協(xié)同工作。

即便是在今天，這種簡單的概念也大大夸大了計算和認知領域的共通之處。復制你并不真正理解的東西是很困難的。大腦的真正工作原理——例如，一組神經(jīng)元如何儲存記憶——對神經(jīng)科學來說仍然是難以捉摸的，因此神經(jīng)元的數(shù)字對應物仍然只是帶有缺陷的仿制品。它們是經(jīng)過訓練的初級處理引擎，可以執(zhí)行大量的統(tǒng)計計算和識別模式，并獲得對應于生物學的名稱。

玩電子游戲的老鼠正在幫助研究人員解開神經(jīng)網(wǎng)絡的秘密

盡管如此，隨著科技行業(yè)大舉追逐所謂的通用人工智能(AGI)，計算和認知領域之間的壁壘已經(jīng)變疏松了。隱含的目標是打造一個具有感知功能的機器，它可以自己解決問題，而不是依靠人類來訓練它，它也有內(nèi)在的動力去學習。讓一些倫理學家感到寬慰的是，我們離實現(xiàn)通用人工智能還有很長一段路要走，但在許多的計算機科學家和神經(jīng)科學家看來，大腦將為我們指明方向。

另外，有幾家公司正在努力打造腦機接口，以促使假肢能夠像自然肢體一樣活動，或者讓人們能夠?qū)⒅R下載到大腦中。埃隆·馬斯克(Elon Musk)旗下的Neuralink就是這樣一家公司；另一家是由科技大亨布萊恩·約翰遜(Bryan Johnson)創(chuàng)立的Kernel。神經(jīng)科學家們正在為這些初創(chuàng)公司提供全方位的建議，包括如何通過頭骨傳輸信息，確保電極不會對測試對象產(chǎn)生不良影響。

在馬西斯的哈佛實驗室里，這兩種努力所共有的科學原理是顯而易見的。“這是我們的老鼠宮殿。”她說道，同時打開了一間屋子的門，里面有幾十只關在塑料籠子里的老鼠。這些動物四處蹦蹦跳跳，在大量訪客的時候，還翹起了頭，抖動著胡須。它們干凈的房間里并沒有多少嚙齒動物的氣味。一盞紅色的燈照亮著它們的整個棲息地，確保這種天生夜行的動物白天保持清醒，隨時能夠為科學做出貢獻。

這門科學包括虛擬盒子游戲和一個難度大得多的、類似于原版《馬里奧賽車》（Mario Kart）的游戲。在后一項游戲中，老鼠跨坐在兩個定制的電動圓盤上，它的爪子嵌在兩邊的凹槽里。屏幕顯示一個綠色道路，末端是一個藍色矩形。當老鼠開始就位試圖接近藍色矩形時，它必須小心操縱，以便保持在虛擬道路上。和人類一樣，這些老鼠在玩耍時眼睛也是呆滯的。它們持續(xù)玩了大約半個小時，就不想玩了。

透過顯微鏡觀察他們的大腦，可記錄下多到驚人的信息。馬西斯說道，“我們可以同時觀察它們大部分的感覺皮層、運動皮層和決策區(qū)域。”研究人員有時會改變游戲的規(guī)則和操控方式——例如，通過拉動操縱桿來產(chǎn)生之字形運動，而不是直線運動——然后觀察神經(jīng)元的發(fā)光有何不同。馬西斯還致力于切斷神經(jīng)元的子集，例如與學習相關的節(jié)點，以觀察其余神經(jīng)元的反應。一個早期的發(fā)現(xiàn)是：在運動時，除了運動皮層以外，感覺皮層也在發(fā)揮作用，而且這種作用似乎要大于她原來的設想。馬西斯指出，“這些神經(jīng)元不僅僅參與一件特定的事情。”

她的主要動機之一是，更多地了解動物如何快速適應物理環(huán)境的變化。例如，當你拿起一個未知重量的物體時，你的大腦和身體會迅速計算出需要用多大的力來拿起它。目前，機器人還不能做到這一點，但注入老鼠神經(jīng)元學習模式的機器人有可能做到。馬西斯說，老鼠是一個非常強大的候選者，可以幫助彌補這一鴻溝。它們的大腦足夠復雜，可以展示高級別的決策，但也足夠簡單，讓研究人員能夠在足夠的時間內(nèi)推斷出這些聯(lián)系。

我們只是在近年才開發(fā)出功能足夠強大的計算機，它們能夠捕捉、處理和分析普通老鼠大腦中大約7500萬個神經(jīng)元中的一小部分所產(chǎn)生的數(shù)據(jù)量。直到最近幾年，人工智能軟件才有了足夠的進步，讓很多的研究工作能夠自動化。馬西斯和她的丈夫亞歷克斯·馬西斯(Alex Mathis)開發(fā)了一款名為DeepLabCut的開源軟件，利用它來追蹤受試者的運動。該應用程序使用圖像識別技術，跟蹤老鼠在玩游戲時的大腦活動，并跟蹤它在獲得糖水獎勵時的反應。

科學家們過去常常手動完成這類工作，在筆記本上一筆一筆進行記錄。現(xiàn)在，該軟件只需幾分鐘就能完成過去需要幾周或幾個月的人工才能完成的任務。“2015年有一篇關于靈長類動物的論文，他們追蹤了相當多的身體部位，比如指關節(jié)、四肢和一只手臂，猴子有不同的任務，比如伸手去拿東西并抓住它們。”亞歷克斯稱，“這篇論文的第一作者寫信給我，說他本可以早兩年拿到博士學位。”現(xiàn)在有200多個研究中心使用DeepLabCut來跟蹤各種動物。

這類軟件開發(fā)和分析引起了科技公司對神經(jīng)科學家的興趣，而且這種興趣跟它們對他們在動物認知上的洞察一樣強烈。現(xiàn)代大腦研究人員必須知道如何編碼和處理大量的信息，就像谷歌的人工智能工作人員必須要懂得如何改進廣告算法或者自動駕駛汽車的合并車道能力一樣。專注于動物的神經(jīng)科學家也習慣于研究非傳統(tǒng)的想法。麥肯齊說道，“你往往會遇到有創(chuàng)意的人，雖然他們有點莽撞，但他們都是愿意將自己的職業(yè)生涯押注于研究黑匣子的人。”

鳥類研究

蒂姆·奧奇（Tim Otchy）不做老鼠實驗，而是致力于研究鳥類。奧奇是波士頓大學的研究助理教授，他的右臂上紋著一只斑胸草雀。在他的紋身上，一只矮矮胖胖的小鳥站在樹枝上，憂郁地凝視著天空。“我真的很喜歡鳥類。”他坐在堆滿書的辦公室里說道。

上世紀90年代末，奧奇在喬治亞理工學院攻讀機械工程專業(yè)時，也曾在一家專門從事工廠系統(tǒng)自動化的公司工作。他的職責是，教機器人識別東西，不管是小玩意還是汽車零件，并在它們從傳送帶上下來以后對其進行分類。他說：“這項工作太困難了，真是出乎我的意料。畢竟這些都是連小孩都會做的任務。”這種挫敗感讓他下定決心要解開感知、決策和學習的內(nèi)在機制奧秘。他離開了該工廠，最終投身于神經(jīng)科學和斑胸草雀。

像斑胸草雀這樣的鳴禽擁有一種不同尋常的技能。大多數(shù)動物都本能地知道如何發(fā)出聲音，而鳴禽則懂得學習模仿它們聽到的聲音，然后改變聲調(diào)，表現(xiàn)出其對它們的鳴叫的某種語義理解。幾十年的研究已經(jīng)指向了雀類大腦中負責這種行為的結(jié)構(gòu)，也就是眾所周知的鳴聲核。對這一領域的研究使我們對神經(jīng)回路的功能有了更深入的了解，同時也為其他有關人類運動、感覺和情感的研究帶來了啟發(fā)。弄清楚鳥類是如何互相模仿的，可以幫助解釋我們是如何做同樣的事情的，這一點在向機器教授語言技能等方面可能至關重要。

奧奇在波士頓大學的一個鳥舍研究大約300只鳥。在其中一項實驗中，研究人員將為一只斑胸草雀配備一個背包，背包里的電池可以為其頭骨上各種電子元件提供能量。然后，這只鳥被放置在一個微波爐大小的隔聲間里，在那里它會連續(xù)幾天唱歌，與此同時奧奇和他的團隊通過類似于馬西斯用在老鼠身上的機制觀察它的大腦。隨著研究人員對斑胸草雀的聲音處理中心了解得越來越多，他們尋求解答越來越精確的關于斑胸草雀大腦的問題。“我們不知道如何騎自行車、駕駛直升機或說日語的信息是如何存儲于大腦的，”奧奇說，“總有一天，我們會獲得這方面的知識。”

他負責管理該名為加德納實驗室的研究中心。在此之前，與之同名的蒂姆·加德納(Tim Gardner)離任，轉(zhuǎn)而到馬斯克的Neuralink工作。Neuralink尋求通過超級快速的計算機處理器來強化人類的大腦。

加德納的離開在為馬斯克的愿景感到興奮的神經(jīng)科學家和學生圈子中引起了不小的轟動。“目前那還處于幻想階段，但我相信，在遙遠的將來，有一天我們真的可以把信息直接寫進大腦……太神奇了。”奧奇說，“我非常希望能夠為解決這個問題做出貢獻，哪怕是很小的貢獻。”

鳥鳴聲研究人員是人工智能領域最吃香的人才之一。在加州大學伯克利分校完成學位論文以及在蘋果公司工作一段時間后，錢寧·摩爾(Channing Moore)加入了谷歌的聲音理解團隊。在那里他創(chuàng)建了與該公司的圖像識別軟件一樣復雜的聲音識別系統(tǒng)，它能夠區(qū)分警報器和嬰兒的哭聲。

在英特爾公司，來自加州大學伯克利分校的另一位博士泰勒·李（Tyler Lee）正在利用他的斑紋雀研究來改進語音處理技術——這種技術最終應用于Siri等語音控制軟件。“我們正試圖提出非常相似的問題，”他說道，“我怎樣才能接收到聽覺輸入，理解一個人在說什么，他們周圍的噪音是什么，他們處于什么樣的環(huán)境，然后做出處理？”

加州大學伯克利分校大學教授弗雷德里克·休尼森(Frederic Theunissen)是摩爾和泰勒·李當初展開研究的實驗室的負責人。他說，他領導展開的研究有著巨大的應用潛力。“如果你對自動語音識別、語音識別等感興趣，你就會獲得一套特殊的技能。”。

用于手機和其它設備的基于聲波紋的安全系統(tǒng)就是一個例子。另一個是減少電話和視頻的噪音。這種應用來自于摩爾對抗噪音鳥類的研究。斑胸草雀的神經(jīng)元能夠從周圍的雜音中分辨出另一只斑胸草雀的叫聲。

自里根時代以來，學者們一直試圖宣告這是神經(jīng)科學的時代，但在本世紀初，年輕的神經(jīng)科學畢業(yè)生職業(yè)前景并不好，他們的人數(shù)也很低。根據(jù)美國教育部的數(shù)據(jù)，15年前，美國大學的神經(jīng)科學本科畢業(yè)生不足1500人，獲得博士學位的更是不足400人。即使這部分畢業(yè)生如此之少，學校也沒有為他們提供足夠多的全職工作崗位和研究資金。

2005年德魯·羅布森(DrewRobson)從普林斯頓大學數(shù)學學位畢業(yè)時，他的本科導師給了他一條令人難忘的建議：無論你做什么，都不要從事神經(jīng)科學。羅布森沒有理會這一勸告，反而和同樣來自普林斯頓大學的合作伙伴兼愛人珍妮弗·李(Jennifer Li)一起成立了羅蘭研究所的羅利實驗室。他們見證了這個領域的發(fā)展，如今美國高校已經(jīng)每年授予大約5000個神經(jīng)科學學士學位和600個博士學位。羅布森表示：“過去10年，從業(yè)人員取得了爆炸式的增長。

魚類研究

羅利實驗室團隊致力于研究斑馬魚。斑馬魚是一種鰷魚，年幼時它們的身體是透明的，這使得研究人員可以直接觀察它們的神經(jīng)元，而無需用牙粘固粉將玻璃面板和它們的部分頭骨融合在一起。羅布森和珍妮弗·李發(fā)明的一種特殊的移動顯微鏡可以幫助他們記錄斑馬魚游泳時哪些神經(jīng)元是活躍的。為了捕捉斑馬魚行為的不同方面，它們可能會改變電流——導致動物轉(zhuǎn)身或更用力地朝著同一個方向游。

和許多同行一樣，羅布森和珍妮弗·李也非常了解腦部科學和人工智能技術之間的關系。去年，兩人買了一輛特斯拉汽車，身為專業(yè)研究人員的他們非常樂于看到該汽車的自動駕駛系統(tǒng)不斷進化。當它自動避開其他的車輛時，他們聯(lián)想到了斑馬魚用來實現(xiàn)其目標的策略，比如當發(fā)現(xiàn)捕食者時，它們會迅速從捕獵模式切換到快速游泳模式。特斯拉正試圖將自動駕駛技術從基本的物體識別提升到類似人類的決策能力，兩人對此類行為的深入了解有朝一日可能會有助于特斯拉打造它的神經(jīng)網(wǎng)絡。

“那涉及多得多的數(shù)據(jù)。”珍妮弗·李說，“借助生物學，則能走捷徑，看看解決方案應該是什么，而不必進行重新發(fā)明。”羅布森指出，他愿意未來幫助特斯拉解決這類問題。

斑馬魚的神經(jīng)模式可以通過幼魚透明的頭骨看到，這可能為繪制更復雜的決策過程以及為機器復制這些過程提供了路徑。

學術機構(gòu)和科技公司之爭

在神經(jīng)科學領域，公共機構(gòu)和私營企業(yè)之間的流動邊界開啟了一個問題：誰將主導人類和機器之間潛在的融合。長期以來展開該最雄心勃勃的研究的高校，如今正面臨擁有更龐大的計算機和數(shù)據(jù)集的科技公司的挑戰(zhàn)。一個剛獲得博士學位的人在一所普通大學的預期年薪達到5萬美元左右，而私營企業(yè)提供的年薪則是數(shù)十萬美元，上升空間也高得多。在離開休尼森實驗室不到15年以后，另一位斑胸草雀研究者、Twitter高級工程副總裁克里斯·弗萊（Chris Fry）年薪達到1030萬美元。“如今有大量的人才從學術機構(gòu)流出。”麥肯齊·馬西斯稱，“留在學術機構(gòu)已經(jīng)成了一種選擇。”

除了薪資待遇以外，許多神經(jīng)科學家之所以被吸引到私營企業(yè)，還因為這往往給他們帶來一個從事更令人興奮甚至更奇怪的工作的機會——更不用說不需要寫經(jīng)費申請了。然而，他們前往硅谷也可能意味著切斷富有前景的研究路線，也可能促使同行們紛紛隨波逐流。在加德納做出投奔Neuralink的決定以后，他的一個博士生轉(zhuǎn)學了，結(jié)果他的下一個杰出的導師也離職去創(chuàng)業(yè)了。

今年9月，珍妮弗·李和羅布森將前往由德國政府資助的馬克斯·普朗克生物控制論研究所學習。兩人選擇留在學術機構(gòu)，是因為他們喜歡羅布森所說的“操場環(huán)境”的自由和靈活性。是的，動物實驗可對無害、無助的動物做出不近人情的事情。它們也有通人情的一面——這是我們可能希望人工智能能夠展示的一點。

四年前，在制造出可追蹤顯微鏡之前，珍妮弗·李和羅布森使用一種粘性凝膠來使得年幼的斑馬魚在原地游動幾個小時，目的是測量它們的神經(jīng)元是如何發(fā)光的。一天早上，兩人來到實驗室，發(fā)現(xiàn)了一大驚喜：一條幼魚在他們離開18個小時后仍在游動，遠遠超出了他們的預期。

“這種動物太厲害了。”羅布森說。“簡直完美，”李補充道。“它的行為很完美。”出于實驗的嚴謹性，研究人員不能讓他們的英雄去繁殖后代，但他們做了件好事：把它的母親安置于一個特殊的水族館里，把它當寵物來養(yǎng)。他們給她取名為弗雷德，以艾米·阿克（Amy Acker）在電視劇《天使》中飾演的聰明絕頂?shù)慕巧?/p>

羅布森和珍妮弗·李表示，人工智能和腦機接口的發(fā)展將迫使人類變得更加人性化。畢竟，如果我們的目標之一是將我們自己的道德灌輸給有思想的機器，我們將不得不比以往更多地思考道德問題。例如，誰應該獲得更強的思維能力？自動駕駛汽車應該優(yōu)先選擇拯救乘客而非行人嗎？機器得達到什么樣的智能程度，才能給它灌輸我們的道德？“那本質(zhì)上明顯是一個道德問題——你如何衡量生命？”本科時學哲學的珍妮弗·李說道。

“這意味著在道德問題上我們必須要非常嚴謹，”羅布森說，“你必須得投身于此。”