今年，AI 技術(shù)的爆發(fā)式發(fā)展和腦機(jī)接口的新實(shí)驗(yàn)進(jìn)展，讓不少人對科幻走入現(xiàn)實(shí)有了新的期待：

我們是否能像《黑客帝國》里那樣，通過刺激大腦就讓自己置身于各種奇幻的虛擬世界？

我們能否通過腦機(jī)接口破譯殘障病人大腦中的電信號而幫他們重新走路或說話？

我們是否能讓機(jī)器像人類一樣“認(rèn)識”和“感受”世界？

這些命題的核心，其實(shí)是一個(gè)困擾了腦科學(xué)領(lǐng)域幾十年的問題：大腦是如何編碼外界信息的？

試想，你現(xiàn)在正盯著屏幕閱讀這篇文章，而此時(shí)你的大腦中正呈現(xiàn)著各種各樣的信息：眼前的屏幕、屏幕上的文字、房間中燈光的亮暗、遠(yuǎn)處的聲音、你讀文章產(chǎn)生的思考、你此時(shí)的心情……

我們無時(shí)無刻不生活在一個(gè)充滿各種信息的世界中，而大腦的一個(gè)關(guān)鍵任務(wù)就是將這些信息一一編碼并呈現(xiàn)在腦海中，這樣我們才能利用這些信息產(chǎn)生記憶、進(jìn)行思考、并做出行動(dòng)。

計(jì)算機(jī)將二進(jìn)制的 “0” 和 “1” 作為其編碼的基本單位，而大腦是由成千上萬的神經(jīng)元組成的，那么神經(jīng)元又是如何編碼抽象的信息的呢？這就是我們今天要討論的問題。

01、神經(jīng)元如何被激活？

動(dòng)作電位是神經(jīng)元激活并溝通的基本方式。研究大腦如何將信息轉(zhuǎn)化為神經(jīng)元的電信號，這就是“編碼”的問題；研究如何通過神經(jīng)元的活動(dòng)反推大腦的所見所想，這就是“解碼”。

如果我們有一天了解了大腦的編碼和解碼，就好比成為了出色的“大腦程序員”，能夠使用這些代碼，破譯代碼，甚至改寫代碼——這已經(jīng)無限接近于文章開頭的科幻故事了。

所以，研究大腦中的神經(jīng)編碼是當(dāng)今腦科學(xué)界毋庸置疑的核心問題之一。在神經(jīng)科學(xué)五大分支之一中，整個(gè)系統(tǒng)神經(jīng)科學(xué)領(lǐng)域基本都是在研究該問題。

那么，回到上文“你此時(shí)正在對著屏幕讀這篇文章”的例子中，現(xiàn)如今，我們對大腦如何編碼視覺、環(huán)境等信息已經(jīng)有了哪些具體了解呢？

當(dāng)今風(fēng)口浪尖上的腦機(jī)接口又是如何對腦電信號實(shí)現(xiàn)破譯解碼的呢？

下面，我們來簡要回顧腦科學(xué)對神經(jīng)編碼這一問題探究的 3 個(gè)階段:

02、第一階段 “超級細(xì)胞”

上世紀(jì) 60 年代，哈佛大學(xué)的大衛(wèi)·休伯爾（David Hubel）和托斯坦·維厄瑟爾（Torsten Wiesel）開啟了用精密電極記錄大腦中單個(gè)細(xì)胞活動(dòng)的先河，并因揭示視覺皮層中單個(gè)神經(jīng)元如何編碼視覺刺激獲得了諾貝爾生理學(xué)與醫(yī)學(xué)獎(jiǎng)。

大衛(wèi)·休伯爾（左）和托斯坦·維厄瑟爾（右），圖片來源：braintour.harvard.edu

彼時(shí)，一個(gè)重要的想法也隨之誕生了：各種各樣的信息或許是由大腦中的一個(gè)個(gè)“超級細(xì)胞”編碼的，例如有的神經(jīng)元編碼“花”，有的神經(jīng)元編碼“草”，有的編碼“紅燒肉”，甚至有的編碼“我的祖母”等抽象內(nèi)容。

2005 年一篇《自然》（Nature）上轟動(dòng)一時(shí)的文章支持了這一想法，他們發(fā)現(xiàn)人類受試的大腦中有專門編碼《老友記》中演員詹妮弗·安妮斯頓的細(xì)胞：這個(gè)細(xì)胞對其他人和物體都沒反應(yīng)，但是一看安妮斯頓的照片就會(huì)被激活。

只在看到詹妮弗·安妮斯頓時(shí)才激活的細(xì)胞。圖片來源：《Invariant visual representation by single neurons in the human brain》

類似的，該文章還找到了“悉尼歌劇院細(xì)胞”：該細(xì)胞只在看到悉尼歌劇院的照片時(shí)才激活，對其他場景或人物都不感興趣。

只在看到悉尼歌劇院時(shí)才激活的細(xì)胞。圖片來源：《Invariant visual representation by single neurons in the human brain》

在“超級細(xì)胞”的理論中，每個(gè)細(xì)胞各司其職；就好比在一個(gè)班集體中，有專門的學(xué)習(xí)委員負(fù)責(zé)學(xué)習(xí)、體育委員負(fù)責(zé)運(yùn)動(dòng)會(huì)、勞動(dòng)委員負(fù)責(zé)值日，大家各有分工。

這樣的細(xì)胞在大腦中還有很多，譬如海馬體中的“位置細(xì)胞”：當(dāng)我們在一個(gè)房間中行走時(shí)，海馬體中的單個(gè)細(xì)胞會(huì)對應(yīng)編碼二維空間中的一個(gè)位置，每當(dāng)我們走到房間中某特定位置時(shí)，與其對應(yīng)的細(xì)胞會(huì)被激活。

位置細(xì)胞的發(fā)現(xiàn)也獲得了 2014 年的諾貝爾獎(jiǎng)——在“超級細(xì)胞”理論的黃金年代，似乎大家相信只要拿著電極去大腦里“淘金”，總能找到一些神奇的“超級細(xì)胞”。

但是，“超級細(xì)胞”的理論存在一個(gè)致命問題：大腦中的細(xì)胞一共就那么多，如果真是每一個(gè)細(xì)胞編碼一種信息，細(xì)胞用完了怎么辦？

要知道我們一生都在不斷學(xué)習(xí)新的信息。“超級細(xì)胞”確實(shí)不是一種高效的編碼方法，于是，“混合編碼”的想法也隨之誕生。

03、第二階段 混合編碼

混合編碼的想法也很自然：班里的學(xué)習(xí)委員、體育委員和勞動(dòng)委員不應(yīng)該只負(fù)責(zé)自己的那攤事。例如大掃除來了，體育委員可以幫著勞動(dòng)委員承擔(dān)一部分工作；通知要春游時(shí)，可以臨時(shí)由學(xué)習(xí)委員和文藝委員共同組織。

換言之，每個(gè)人雖然有主要負(fù)責(zé)的內(nèi)容，但這種特異性分工并不絕對，可根據(jù)任務(wù)情況混合處理，體現(xiàn)出一種“混合特異性”。

在斯坦福大學(xué) 2013 年的一項(xiàng)研究中，研究人員發(fā)現(xiàn)猴子前額葉的神經(jīng)元對刺激信號的顏色、運(yùn)動(dòng)、環(huán)境等多個(gè)實(shí)驗(yàn)因素體現(xiàn)出混合特異性，其激活程度取決于這些因素的排列組合：例如有的細(xì)胞對紅色、向左的刺激最敏感，有的細(xì)胞則對藍(lán)色、向右的刺激最敏感。

混合特異性很好地解決了“超級細(xì)胞”理論中一對一編碼信息低效的問題：細(xì)胞是“一專多能”的，同一細(xì)胞能同時(shí)編碼多種信息，每種信息也散布在多個(gè)細(xì)胞之中。

混合編碼的想法在近些年得到了越來越多的關(guān)注。已經(jīng)有計(jì)算機(jī)建模研究表明，混合編碼的方式相比超級細(xì)胞編碼更高效，其能編碼的信息也更復(fù)雜。

04、第三階段 群體編碼

上文中我們關(guān)注了像安妮斯頓細(xì)胞、位置細(xì)胞、甚至混合特異性細(xì)胞等有較明確編碼信息的細(xì)胞。

但其實(shí)這類細(xì)胞只占大腦全部細(xì)胞的一小部分——還有大量的細(xì)胞也在放電，但我們卻很難清晰界定他們具體在編碼什么。即便如此，這些細(xì)胞身上是否也攜帶著信息呢？

基于這個(gè)疑問，科學(xué)家提出了“群體編碼”的想法:與其關(guān)注個(gè)別的編碼細(xì)胞，或許我們可以用機(jī)器學(xué)習(xí)等數(shù)據(jù)分析方法將神經(jīng)元群體作為一個(gè)整體來考慮，以求從更多的神經(jīng)元中讀取出多更多的信息。

這也不難理解，100 個(gè)神經(jīng)元儲(chǔ)存的信息總是可以比 10 個(gè)神經(jīng)元儲(chǔ)存的信息更多。

如果對應(yīng)之前舉的班干部的例子的話，與其把班里的工作全都交給班干部，何不由全班同學(xué)共同合作完成呢?所以我們可以將整個(gè)班級看作一個(gè)整體，研究這個(gè)班集體是如何開展大掃除，如何組織春游，以及在運(yùn)動(dòng)會(huì)上團(tuán)體表現(xiàn)如何的。

目前最前沿的腦機(jī)接口正是基于群體編碼的想法來實(shí)現(xiàn)的：科研人員記錄受試腦內(nèi)全部神經(jīng)元的電信號，然后用這些電信號來訓(xùn)練一個(gè)機(jī)器學(xué)習(xí)的解碼器，這個(gè)解碼器會(huì)實(shí)時(shí)讀取神經(jīng)元群體的電信號，并以此來預(yù)測受試想要移動(dòng)的方向并操作機(jī)械手。

這一革新技術(shù)正在開始給一些殘障病人的生活帶來新的希望。

利用腦機(jī)接口幫助殘障病人實(shí)現(xiàn)實(shí)時(shí)書寫。圖片來源：《High-performance brain-to-text communication via handwriting》

例如，2021 年斯坦福大學(xué) Shenoy 組就利用群體神經(jīng)元的電信號訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)，幫助脊椎癱瘓病人以接近 95% 的準(zhǔn)確率完成書寫。

近十幾年來，隨著活體光學(xué)成像技術(shù)的發(fā)展，我們已經(jīng)能夠同時(shí)記錄成百甚至上千個(gè)神經(jīng)元的群體活動(dòng)。

隨著這一技術(shù)進(jìn)步，人們又開始思考一種理解群體編碼的新思路：將每個(gè)神經(jīng)元的電活性作為一個(gè)維度，那么每個(gè)時(shí)刻 N 個(gè)神經(jīng)元的激活就對應(yīng)了 N 維空間的一個(gè)點(diǎn)——我們的感知、思考和意識過程也就對應(yīng)了這個(gè) N 維空間中的一條線，這條線就叫做神經(jīng)軌跡。

你可以這樣想象：

有這樣一個(gè)抽象的 N 維空間對應(yīng)了我們所有可能的思想活動(dòng)，而我們的思想就像這個(gè) N 維空間中一條游來游去的小魚。

這條小魚會(huì)響應(yīng)外部的刺激，也被我們自己的思考和情緒所驅(qū)使。它無時(shí)無刻都在我們的腦海世界中暢游。

這是理解大腦編碼的一種全新思路，研究神經(jīng)軌跡能進(jìn)一步理解神經(jīng)元群體的活動(dòng)，也能預(yù)測了我們的行為。

在 2012 年的《自然》雜志一篇文章中，對群體神經(jīng)元的光學(xué)成像技術(shù)讓研究人員不僅能記錄小鼠腦內(nèi)實(shí)時(shí)的神經(jīng)軌跡，還可以預(yù)測小鼠在幾秒后會(huì)向左轉(zhuǎn)還是向右轉(zhuǎn)的決策——小鼠已經(jīng)通過神經(jīng)軌跡在腦海中做好了決定，神經(jīng)軌跡的方向就決定了小鼠要行動(dòng)的方向。

05、總結(jié)：向未來提問

大腦曾經(jīng)像一個(gè)黑箱，神秘而不可知。

如今，我們開始走進(jìn)這個(gè)黑箱，試圖理解大腦的密碼，這是非常令人激動(dòng)的。最后，作為日常研究神經(jīng)編碼的科研人員，談?wù)勎覀€(gè)人對這個(gè)問題未來的展望。

我們離開篇提到的腦機(jī)接口等科幻場景到底有多遠(yuǎn)？很遠(yuǎn)。

一個(gè)科研中常見的現(xiàn)象時(shí)，即便我們收集到了成百上千神經(jīng)元的激活“代碼”，這份代碼依舊像一本無字天書，基本搞不懂它在說什么。

這就好比編程的初學(xué)者，面對著滿眼的“for loop”和“end”全然摸不著頭腦。

例如，我自己在做數(shù)據(jù)分析時(shí)，面對著成百上千神經(jīng)元幾個(gè) TB 的數(shù)據(jù)，經(jīng)常第一步要做的就是把所有能想到的數(shù)據(jù)分析方法諸如 ANOVA、PCA、SVM 等通通都先盲試一遍，然后看看有沒有什么發(fā)現(xiàn)。

這個(gè)現(xiàn)象背后的原因就是，我們對大腦的編碼還缺乏一些根本性、原理性的認(rèn)識，于是只能從表層的數(shù)據(jù)中做文章。

一個(gè)腦科學(xué)乃至整個(gè)生物學(xué)界被大家詬病許久的問題是，我們對生物系統(tǒng)缺乏像“牛頓三定律”一樣的根本規(guī)律性的認(rèn)識。

這一問題依舊存在，也似乎還會(huì)存在不短的時(shí)間，但它卻是我們想要更深入了解大腦繞不過去的。

當(dāng)然，我們還是可以期待新技術(shù)的發(fā)展能不斷為這一領(lǐng)域持續(xù)輸入新鮮血液。

從單細(xì)胞電極記錄到光學(xué)成像，我們能同時(shí)記錄的神經(jīng)元由 10 個(gè)變成了 100 個(gè)，現(xiàn)在又變成了 1000 個(gè)，不斷成指數(shù)增長。

最新的光學(xué)成像技術(shù)更是能讓我們同時(shí)記錄多個(gè)腦區(qū)、甚至小鼠整個(gè)大腦皮層的神經(jīng)元——神經(jīng)元數(shù)量已經(jīng)距離突破 10000 這個(gè)數(shù)量級非常接近了。

這要多虧了許多物理學(xué)、光學(xué)、機(jī)械工程背景的科學(xué)家近些年來涌入神經(jīng)科學(xué)領(lǐng)域，使得這些先進(jìn)的電記錄和光學(xué)成像技術(shù)成為可能。

所以在最后，我更樂意去幻想，或許在幾十年后《黑客帝國》中的橋段不再是天方夜譚。

參考文獻(xiàn)：

[1] Quiroga, R. Q., Reddy, L., Kreiman, G., Koch, C., & Fried, I. (2005). Invariant visual representation by single neurons in the human brain. Nature, 435(7045), 1102-1107.

[2] Mante, V., Sussillo, D., Shenoy, K. V., & Newsome, W. T. (2013). Context-dependent computation by recurrent dynamics in prefrontal cortex. nature, 503(7474), 78-84.

[3] Willett, F. R., Avansino, D. T., Hochberg, L. R., Henderson, J. M., & Shenoy, K. V. (2021). High-performance brain-to-text communication via handwriting. Nature, 593(7858), 249-254.

[4] Kim, T. H., & Schnitzer, M. J. (2022). Fluorescence imaging of large-scale neural ensemble dynamics. Cell, 185(1), 9-41;

[5] Harvey, C. D., Coen, P., & Tank, D. W. (2012). Choice-specific sequences in parietal cortex during a virtual-navigation decision task. Nature, 484(7392), 62-68.

[6]https://braintour.harvard.edu/archives/portfolio-items/hubel-and-wiesel