“打開腦洞” ，一直以來的科學難題

“愛死機”的創意在現實中大都有跡可循——《吉巴羅》基于了歐洲人對南美洲原住民殖民掠奪的真實歷史，《蟲群》源自對現實文明秩序更迭的深刻思考。這么看，“腦洞”很多時候是大腦學習能力基于現實在想象力層面的遷移。

那么，大腦是如何做到復雜的創意輸出的？

互相配合的不同腦區

“自然之手”打造的人腦可以說是當今最精密的儀器，它就像是一個黑箱，可以自動將碎片化的記憶自動整合實現1+1 > 2甚至>10的創意表達，創作、研究出各種經典的作品、理論。那么回到開頭的問題，已經發展今天的科學，是不是可以讓AI來“工業化”生產想象力，帶來更多的優秀產出呢？

要想更好地模擬大腦的思考過程，需要我們更加充分地了解大腦，將大腦這個“黑箱”的內在結構，也就是大腦圖譜完整地繪制出來，腦成像分析起到了至關重要的作用。研究大腦的過程就像是摸黑探索一個浩瀚的宇宙，如果我們能破解人腦的密碼，那或許自然法則的參考答案就在眼前。

腦圖譜繪制的進展

也正是因為如此，腦科學的研究也已經成為許多國家的科研重點，我國也在2021年9月，推出了“中國腦計劃”——“腦科學與類腦科學研究”，其中涉及59個研究領域和方向。

就像是藝術家和科學家們科研創作時，大腦不同功能區域自動利用片段記憶整合出全新的創意表達，我們是不是可以用小樣本數據，搭建AI模型訓練出更有普適性的大樣本預測呢？新加坡國立大學和字節跳動在神經生物學領域頂級刊物Nature Neuroscience的研究發現，通過元學習（meta-learning）和元匹配（meta-matching）方法訓練AI模型，能很大程度上解決這個問題

在這個研究中，科學家們利用元學習這個AI領域的前沿方法，能將在大數據集上訓練出來的機器學習模型遷移到小數據集上，并訓練出同樣可靠的AI預測模型。

看起來有點復雜對吧？但你可以將這個過程理解為人腦聰明的舉一反三——在元學習過程中需要不斷向學習器展示成百上千種任務，最終學習器就會學得眾多任務的知識。學習后，會經過兩個階段：第一個階段關注從每個任務中快速獲取知識；在第二階段（學習器）緩慢將信息從所有任務中取出并消化。通過解決數據少的問題，機器也像人類一樣可以從少量的數據中更快地學習，人工智能，也更像人了！

當我們站上未來的跳板，前路又在何方？

你可能會好奇，怎么字節跳動跟AI和醫療也有關系？

其實，參與到研究中的智能創作基礎研究團隊的主要工作就是探索前沿機器學習以及計算機視覺、自然語言處理技術，解決人工智能領域里的挑戰性問題。抖音上很多火爆的濾鏡和特效玩法，就是由這個團隊利用AI技術實現的。他們的技術能力，也正在通過字節跳動旗下的云服務平臺——火山引擎，向外部企業提供服務。

腦圖譜、知識建模與機器學習結合等原創性技術方向，曾一度是計算機視覺和醫學影像分析領域的“冷板凳”：難度大、周期長、研究者寥寥?，F在，伴隨科技公司的參與，這一局面將得到改變。

此外，從理論上說，這一技術成果也有望讓基于腦成像的“讀心術”成為現實，前提是有大規模數據集作為預訓練模型，就可以訓練出能預測人意圖的AI模型。這也與埃隆·馬斯克 “神經連接”（Neuralink）的“腦機接口”的有著異曲同工之妙：都是希望借助技術方式“讀懂”大腦。

而AI本身在神經科學研究領域就擁有十分廣闊的前景。當我們已經對小數據場景有了更好地掌握，對于部分腦區已經可以預測，那么那么全腦的其他功能區域的完全預測是不是也將觸手可及？看起來，后續認識和開發人腦已經有了新的思路和切入點，在未來AI結合腦神經科學的領域有了更好的實踐案例?？苹米髌分械摹按鎯吞崛∮洃洝薄俺壢祟悺暗脑O想也不再遙不可及。

人類的大腦是自然最寶貴的饋贈，溫潤的細胞和交織的神經，組成了這一片距離每個人最近、但又最遙遠的宇宙，神秘感拉滿。

好在，當像包括元學習在內的AI技術變得更加成熟、可靠，雖然工業化復刻大腦還有點遙遠，但我們去探索、拓展、駕馭大腦的腳步也可以得到飛躍，我們在認識腦海中日月星辰光的過程中，也終于能更好地認識自己。