意義非凡的腦科學

腦科學是一門極富魅力的生命科學，它充滿神秘，又和每個人的生活息息相關。意識是怎麼產生的？為什麼人各有志？為什麼有些人更聰明、記憶力好？為什麼有些兒童有自閉傾向？為什麼有些人患抑鬱症？機器人怎樣才能擁有人類的智慧和能力？人類社會未來如何與智能機器人共存？這些問題可以說與腦科學密切相關。腦科學研究不僅可以使我們理解認知、思維、意識和語言等腦功能原理，對人類認識自身有重大科學意義，還能夠對各種腦功能神經基礎進行解析，對有效診斷和治療腦疾病有重要臨床意義，腦科學所啟發的類腦研究也可以推動新一代人工智慧和新型信息產業的發展。

人腦是非常複雜的生物系統，擁有上千億個神經細胞（神經元）；神經元之間有複雜的神經纖維連接，通過百萬億個連接點（突觸），形成神經網路和主導各種腦功能的神經環路。過去一個多世紀以來，腦科學研究的主要進展是理解了神經信息在神經網路中傳遞和處理信息的基本原理。近年來，隨著分子生物學和生理學新技術的加入，我們也理解了腦發育過程中的基因表達、神經元分化、神經聯接形成過程的分子和細胞機制，解析了一些腦功能相關的神經環路和電活動的規律。由於大腦結構和動態的複雜性，未來仍需要有更多新的技術，能觀測不同腦區內的大群神經元，並調控它們的電活動；也需要有新的理論框架，來處理和解析大量神經元之間的網路結構和電活動數據。

要理解大腦為什麼能進行思考，就不只是要觀測到思考時有哪些神經元和環路有電活動出現，還需要知道為什麼它們有電活動，這些活動是造成思考的原因還是結果。要從相關性到因果性，就必須能調控（激活或抑制）它們的電活動，看看是否能影響思考現象。大腦電活動與認知行為之間的因果關係研究，是目前腦科學的主要前沿領域。

幫助理解認知與教育

大腦神經網路有一個極有利於適應環境的特性，那就是可塑性。來自環境的刺激，包括與其他人的大腦之間的互動，都不斷改變大腦的神經網路。從我們出生一刻起，大腦就開始探索周邊的世界和環境，信息也不斷地塑造大腦的結構和功能，使我們能適應環境的需求。發育期的神經網路具有高度可塑性。因此，環境引起的電活動可以主導神經網路的增生、鞏固和修剪——保存合適有用的連接，剪除冗餘無用的連接。所以，每個人不同的成長經歷，都儲存在神經網路的結構之中，造成因人而異的性格和認知能力。值得注意的是，大腦神經網路的形成和修剪過程都是在出生後幾年的關鍵期完成的，嬰幼兒期的教育對一個人的智力發育比入學后還重要。

所謂“基因重要還是環境重要？”是一個有誤導性的問題。遺傳的基因為大腦神經網路提供了必要的結構材料，基因異常確實會造成與智障、自閉症、精神分裂相關的異常網路，但沒有環境的塑造，神經網路結構是不能形成的。因此，基因和環境都非常重要。除了極少數人因為基因突變造成神經結構原件出現問題，絕大多數人的原件都是正常的，所以智力的差別來源於發育期的環境不同，從而塑造成不同的神經網路。理解大腦神經網路的發育規律和工作機理，可幫助我們理解思維、智力、創造力的神經基礎，啟發我們設計有助智力和創新能力發展的教育模式。

神經網路的可塑性不限於發育期，成年大腦網路仍保存了相當的可塑性，環境信息的輸入可以有限地改變網路結構和功能，這也是成年大腦進行各種認知功能的必要機制。有限的可塑性可以讓發育早期經驗和學習的烙印得以保存，同時使大腦仍具有進一步學習記憶和適應新環境的能力。雖然可塑性在成年後會逐漸下降，造成認知能力的逐漸下降，但是所謂“活到老、學到老”還是有道理的，因為有限的神經網路可塑性依然存在。

提高腦疾病診治水平

腦疾病和腦創傷是目前社會醫療和保健體系面臨的最嚴重問題之一。根據世界衛生組織的數據統計，腦疾病相關的社會醫療護養負擔是所有疾病中最高的，已超過心血管病和癌症。以阿爾茨海默症為例，90—94歲的人群超過1/3患此病。隨著社會中老年人群比例的不斷增長，如果缺少有效的預防手段和治療藥物，數十年後社會醫療和保健體系將很難承擔。

所有重大腦疾病，目前都缺乏有效的藥物。因此，對腦疾病的醫療，目前腦科學界和醫學界已有共識，就是應從早期診斷、早期干預著手。如何能早期診斷腦疾病？遺傳性和非遺傳性的基因變異與環境因素都會導致腦疾病。少數腦疾病如智障、自閉症、亨廷頓舞蹈症等的主要致病基因已被鑒定，但是大多數腦疾病的遺傳因素源於多種易感基因變異，這些基因變異在與環境因素的交互作用下產生了腦疾病。因此，目前的基因檢測在大多數腦疾病的診斷中的貢獻仍然有限。血液和腦脊液中的腦疾病相關分子、結構和功能腦影像數據、各種認知功能的定量檢測都有可能為早期診斷腦疾病提供指標，但仍需等待大量人群長期數據的採集和分析。

這就解釋了為什麼腦疾病診治和藥物研發領域多年來遲遲沒有重大進展的原因。首先，目前腦疾病的診斷，尤其是精神類疾病的診斷標準有嚴重的缺陷。例如，大多數精神科醫師使用的是歐美醫師編製的診斷與統計手冊，依據病人癥狀和問卷模式來診斷疾病。但是多種腦疾病的癥狀有重疊，癥狀指標和疾病分類仍有爭議，診斷時主觀成分較大。如果醫師對疾病類型都不能準確診斷，怎麼可能研製出準確的治療手段？其次，腦功能失常的原因經常是主管該功能的特殊神經環路出了問題，但一般藥物的靶點缺乏環路特異性，會產生各種副作用。另外，腦疾病患者通常都是在有明顯癥狀時才進行治療，如帕金森病和阿爾茨海默症，如果到神經元已死亡、突觸連接已喪失，治癒的可能性就很小。所以需要早期診斷和早期干預腦疾病。未來腦疾病的診斷標準和治療，都應針對特定神經環路的異常。因此，腦科學對腦功能的神經環路解析，對腦疾病診治也將越來越重要。數十年後，目前使用的神經性或精神性疾病分類可能都將消失，取而代之的是依據神經環路功能異常的診斷和處方。

神經系統在受到創傷（如腦卒中、脊髓損傷）后，創傷區附近的腦區可塑性會大幅度上升，這也是演化篩選出的有利於生物體修復網路的機制。通過有靶向的生理、物理、心理刺激神經系統，可以幫助損傷的環路再生或建立新的環路，恢復網路的正常功能。這是腦疾病和腦創傷康復醫療的主要目標。因此，腦科學解析各種腦功能相關的神經環路，可以幫助我們確定康復醫療應該針對的神經環路。例如，在設計“閉環”康復器件的腦機介面時，我們不但要用大腦產生的信息來操作器件，而且需要把反映器件工作狀態的信息回饋給大腦，進一步修正大腦的輸出信息。這個領域目前的難點是在於如何有效解析大腦的信息，並能有明確靶向性地輸入回饋信息到大腦。腦機介面領域是未來人腦與機器緊密融合的關鍵領域，將為人腦控制器件和器件調控人腦狀態，提供廣泛應用場景。

助力人工智慧發展

人工智慧是當前最受社會關注的科技領域，它出現的目的就是要以機器智能實現人腦智能，而人腦最重要的特性是能學習，學過後能記憶。所以機器學習成為人工智慧的核心。人工智慧包括高效處理信息的機器學習演算法和利用這些演算法的軟體和硬體計算系統。因為有了大量已知（可以標記）的數據樣本和強大的計算機能力，近年來機器學習的效率大為上升。各種深度學習演算法，就是利用已標記的數據標本讓人工網路去學習；學的過程是將標記好的數據輸入網路，然後依據網路的輸出是否符合標記，來對網路內的神經聯接強度進行不斷修正。在多層深度神經網路中有大量的聯接點（突觸）可以被修飾，又有大量已標記的數據可以用來修飾，使得學好的網路擁有強大的識別未知數據能力。已學好的人工網路可以在計算機的硬體架構中體現，用於信息處理。

在上世紀80年代引進新的學習演算法，有效地修飾多層人工網路中突觸節點，使人工神經網路成為機器學習的主要載體。但是相對於人腦的神經網路，人工網路的結構還是太簡單，它的多層神經單元的數目可以超過人腦，但學習和處理多樣化信息的能力遠不如人腦，更不用說各種複雜的認知功能。腦科學目前對許多認知功能的神經環路和工作機理的理解雖十分有限，但是我們已經知道一些大腦神經網的結構和功能原理，已可應用在機器學習的演算法和計算器件的架構之中，這就是腦科學啟發的類腦人工智慧。類腦研究不是在模擬人腦，而是將腦科學的原理應用在人工智慧的軟硬體中。

目前的人工智慧技術缺乏通用性。語音識別、圖像處理、自然語言處理、機器翻譯等採用不同的模型和不同的學習數據，兩種不同的任務無法採用同一套系統進行學習。而人腦卻採用同一個信息處理系統進行自動多模態感知信息整合、問題分析與求解、決策和行為控制等。目前人工智慧是否能夠可持續發展，關鍵在於機器學習的演算法是否有突破，從依賴有標記的大數據和高計算能力提升為可以學習不需標記的少量和多模態數據，並可以高效節能。這是從專用人工智慧轉變為通用人工智慧的關鍵。誰能首先研發出這些新一代機器學習的演算法，並能在計算器件中實現演算法，誰就能在未來人工智慧領域執牛耳。

（作者為中國科學院院士、中國科學院腦科學與智能技術卓越創新中心學術主任）