简单的任务并不能测试大脑的真正复杂性

人类大脑在做决定时自然会做出最好的猜测，研究这些猜测可以很好地揭示大脑的内部运作。但莱斯大学和贝勒医学院的神经科学家表示，要全面理解人脑的复杂性，需要新的研究策略，更好地模拟现实世界的情况。

贝勒大学神经科学系和莱斯大学电子与计算机工程系的教员Xaq Pitkow和Dora Angelaki说大脑人脑执行“近似概率推理”的能力不能通过简单的任务来真正研究，因为这些任务“不适合暴露让大脑变得特别的推理计算”。

研究人员的一篇新文章指出，大脑在连接的、冗余的神经元群之间使用非线性的信息传递，这些神经元群利用世界的概率模型。这个模型通过进化粗略地传承下来，并通过学习来完善，它简化了基于一般概念及其特定偏见的决策。

这篇文章列出了神经科学的广泛研究议程，本月在《神经科学》的特别版上发表神经元是Cell Press出版的杂志。这本书介绍了去年9月哥本哈根大学一个名为“大脑是如何工作的?”的研讨会上首次提出的一些观点。

“进化给了我们所谓的良好模型偏差，”Pitkow说。“几十年来，人们都知道非常简单的神经网络可以计算任何函数，但这些通用网络可能是巨大的，需要大量的时间和资源。

“相比之下，如果你有一个正确的模型——不是一个完全通用的模型，可以学习任何东西，而是一个更有限的模型，可以学习特定的东西，特别是在现实世界中经常发生的事情——那么你的模型是有偏见的。从这个意义上说，偏见可以是一种积极的特质。我们用它来对我们所居住的世界中正确的事情保持敏感。当然，另一方面，当我们大脑的偏见与现实不符时，就会导致严重的问题。”

研究人员说，对大脑活动的简单测试，比如让受试者在两个选项中进行选择，只能提供简单的结果。Pitkow说:“在我们获得大量数据之前，神经科学从使用简单的任务中取得了巨大的进步，它们仍然非常有用。”“但对于我们认为对大脑最重要的计算，有些事情是你无法在其中一些任务中揭示的。”Pitkow和Angelaki写道，任务应该包含更多的多样性——比如讨厌的变量和不确定性——以更好地模拟大脑进化来处理的现实世界条件。

他们认为，大脑根据冗余人口编码之间的统计串扰推断解决方案。群体编码是对特定输入敏感的神经元集合的反应，比如物体的形状或运动。Pitkow和Angelaki认为，为了更好地理解大脑，描述这些群体计算什么会更有用，而不是精确地描述每个神经元是如何计算的。Pitkow说，这意味着“在表征层面”而不是“机械层面”思考，正如有影响力的视觉科学家David Marr所描述的那样。

这项研究对人工智能也有影响，这是两位研究人员的另一个兴趣。

Pitkow说:“最近很多人工智能都做了令人印象深刻的工作，但它仍然在一些惊人的方面失败了。”他们可以玩古老的围棋游戏，打败世界上最好的人类棋手，就像DeepMind的AlphaGo最近所做的那样，比任何人预期的都早了大约10年。但AlphaGo不知道如何下围棋。即使是最好的算法也是非常专业的。他们的概括能力通常仍然很差。我们的大脑有更好的模型世界的;我们可以从更少的数据中学到更多。神经科学理论提出了一些方法，可以将实验转化为更智能的算法，从而更好地理解一般智力。”