神经信息学的重要性研究成果

诺贝尔奖获得者弗朗西斯·克里克（Francis Crick）曾指出，没有哪一种研究对于人类的重要性超过了对人脑的研究，因为人类对于宇宙的全部认识都有赖于这种研究。更具体地可从以下几方面看出。

1.信息科学需要突破

随着经济和科学技术的发展，信息科学和信息技术得到迅猛的发展，我们对信息科学的理论要求也越来越高。以人工智能为代表的信息处理理论取得了辉煌的成果，计算机在语音识别或手写字识别等方面也有了长足的进步。

信息技术高速发展到现在已有几十年了，但信息处理的方法还只有非常有限的几种，信息处理技术一直比不上人的神经系统，与人脑的能力相比还相差甚远。几个典型例子如下。

（1）计算机下棋。IBM 的国际象棋机器人“深蓝”战胜了国际象棋世界冠军加里·卡斯帕罗夫（Gary Kasparov），曾经轰动一时。但是这种胜利对神经信息研究而言是无意义的。正像霍金斯所说，这种比赛根本不能说明任何问题。“深蓝”的取胜不是因为它比人聪明，而仅在于它的运算速度是人脑的几百万倍［2］。计算机在国际象棋上战胜了人，并没有引起很大反响，人们反而把20世纪70年代至2005年这段时间称为“人工智能冬天”——梦想幻灭的日子。2016年3月，计算机又在围棋上战胜人类（其实也没有完全战胜，棋手至少是1∶4 输给计算机，还是赢一盘），后来又有人想挑战计算机，这些都是后话，暂不提它。有人提出了“深度学习”的口号，使人感到人工智能有了希望，人工智能由此再度崛起。我们不太了解什么是深度学习，但是从报道中看出，它无非是把学习分为很多层次，解决科学家认为神经网络最难的“局部最小点”难题。基本算法还是原来的“最优化”“演化选择”等理论，基本的网络还是原来的人工神经网络，只是多几层神经网络。加上“深度学习”确实可以改善一些算法，但是本质上还是没有变。后面我们会再讨论到，神经回路与现在的人工神经网络有着本质差异。也就是说，“深度学习”并没有跳出现有的理论框框，人们对“深度学习”期望过高了。

（2）计算机美术和计算机音乐。美术和音乐都饱含情感，这是目前计算机完全无法做到的。按理说，音乐的乐谱（简谱）只有1、2、3、4、5、6、7 这七个音符，再加音高以及节拍，总共的音符非常有限，所有的乐曲皆是如此。计算机处理这些符号的排列组合本是很容易的，但是没有哪台计算机能创作出好乐曲。

（3）计算机证题。四色问题的计算机证明给人以很深的印象。这属于逻辑推理，是计算机最强的地方，但是在证题过程中还需要有人帮助。

（4）机器翻译。乍看之下，机器翻译似乎是很容易的事，只要把大字典放在计算机数据库内即可。这正是计算机的强项，容量越大，越能发挥它的优越性。可惜多年来，流畅的机器翻译一直是人类的一个梦，年轻人要想出国，还必须老老实实地学外语。

信息学家都知道，现代信息技术水平远低于人和动物的神经系统。例如，蝙蝠和海豚的声呐系统远比现代声呐技术好，在人脸识别、语音识别、图像识别、文字识别等方面计算机远远比不上人。于是，有人怀疑计算机处理信息的能力究竟有多大，计算机究竟能走多远。可以说，现代信息处理理论发展已经进入了一个平台期，现代信息处理手段有限，如果没有新突破，很难有新发展。因此，很多信息学家把注意力集中到了神经系统。霍金斯明确指出，真正认识人类大脑是开发智能机器的必由之路［2］，只有从神经系统得到启发才能促进信息科学的发展。

2.脑的工作原理正好与现代信息科学技术原理相反

从现有的理论与技术观点看，用不稳定的仪器高灵敏地检测小信号，是不可想象的。在狗的鼻子中，所有嗅感受细胞差不多25～35 天要全部更换一次［3］，且其嗅觉神经系统还要受到新陈代谢的影响。这是一个极端不稳定系统，可是有的狗却能闻到几千米以外的气味。实验证明，猫头鹰能辨别出两耳间信号的5μs 时间差。一个神经脉冲的宽度约为1ms，5μs 相当于5／1000的脉冲宽度。对如此微小的时间差猫头鹰的神经系统是如何区分的？Konishi 等人称之为“谜”［3-4］，这个谜至今尚未揭开。如果说狗的嗅觉是靠高灵敏度的嗅感受细胞，那么5μs 的分辨率已与感受细胞的灵敏度无关了，要提高时间的分辨率只能靠系统本身了。问题是，系统是如何提高灵敏度的呢？

根据非线性动力学分析，现有的工程技术观点属于线性观点，强调稳定、平衡、确定性和一致性。而生物神经系统却是很强的非线性系统，以不稳定、非平衡、不确定性和非一致性为特征。线性观点和非线性观点是截然相反的两种观点。对于持线性观点的人来说，很多非线性现象是不可理解的；而在持有非线性观点的人看来，非线性现象是常态。譬如，神经系统就是靠不稳定性来实现高灵敏度检测的。因此，要重新认识生物系统，应该向生物神经系统学习，必须放弃强调确定性的线性观点，学会在不确定的条件下来处理问题和思考问题。

3.脑是利用混沌的最好专家(www.xing528.com)

混沌理论自20世纪60年代开始高速发展以来，到现在已经半个多世纪了，可是混沌系统的应用，特别是混沌在信息科学中的应用却很少。20世纪90年代初，混沌同步和混沌控制被发现后［5-6］，混沌用于通信的呼声很高，召开了多次国际专业会议，可是直到现在“混沌”仍未得到很好的应用。混沌电路中著名的蔡氏电路（Chua’s circuit）发表之后，引起了人们极大的兴趣，各种研究文章层出不穷，十年后，发明者还为此写了专门的评论性文章［7］；可是又过去了二十多年，后续研究报道就不多了。文献［8］是2005年在这方面的研究文章，在其中也可看出一些动向，但这些研究与应用还相距甚远。原因何在？

混沌系统的特点集中表现在混沌轨道上，混沌系统要应用于信息科学，关键是混沌轨道能够表征信息。可是混沌轨道是不可预测的，而信息是确定的，这两者的矛盾如何解决？由于这一关键问题长期没有得到解决，所以混沌迟迟没有很好地用于信息科学。

我们从研究混沌电路测量技术［9-11］转向神经回路研究，从两者的对比研究中可以得出，“脑是利用混沌的最好专家”。

混沌系统的最大特点是不稳定性，只有有了不稳定性，才具有初值敏感性和参数敏感性。系统越不稳定，敏感性就越强。脑就是依靠初值敏感性来测量小信号的。神经元是一个典型的累积—释放（生物研究者常把integrate-and-fire 翻译为整合—发放）系统［12］，它存在初值敏感性［13］。系统稳定性越差，初值敏感性就越强，对测量小信号也就越有利。可是，系统轨道的稳定性越差，其不确定性也越大。这就出现了矛盾。脑本身却能很好地解决这一矛盾。所以说，脑是利用混沌的最好专家。

4.脑是目前理论研究最活跃的领域，是交叉学科最集中的地方

无论从杂志的数量、研究人员的人数、国际会议的次数还是参加人员的学科门类，都可看出科学家对脑的关注程度，特别是信息科学家。现代诺贝尔奖获得者对脑的关注也十分明显。有不少诺贝尔奖获得者转向脑的研究，如免疫系统专家杰拉尔德·埃德尔曼（Gerald Edelman）［14］、DNA 发现者克里克［15］等都成为神经科学专家。

脑的研究需要多学科交叉，同样也能促进各学科的发展。脑的研究将集合从量子生物学到细胞科学，从生物组织学、系统学直到复杂系统科学的内容，其中包含流体动力学、传热传质、电子电磁学、光学、声学、生物化学、信息科学、数学等。除了相对论、天文学等之外，绝大部分现代科学理论都与脑研究存在关系。

信息技术的发展推动了整个科学和经济的发展，现代已被称为信息时代，几乎所有科学领域的发展都与信息科学有关。“信息化”这一口号已成为一切经济领域的行动方向，信息技术的发展水平也可以用来评价一个国家技术发展的水平。

5.发达国家投入巨资于人脑研究领域

欧盟在2013年通过了“人类大脑计划”（Human Brain Project，HBP），预计耗时10年，将耗资10 亿欧元。同年4月，美国政府宣布启动“尖端创新神经技术脑研究计划”（Brain Research through Advancing Innovative Neurotechnologies，BRAIN）。尽管有人对这两个项目的研究方法和技术路线产生很多疑问，但这两个项目至少已说明，脑科学——更确切地说是神经信息学——已经成为21世纪科学的核心挑战之一。

绝大部分信息科学家有这样的看法：信息科学几乎渗透到所有的学科领域。但是信息科学很难从其他领域中得到新的概念，只有从脑的分析研究中才能得到大量新的概念和启发。有人说，21世纪是信息时代；也有人说，21世纪是生物时代。不管21世纪被称为什么时代，作为信息和生物交叉的神经信息学将成为21世纪创新的泉源，是科技领域的理论的一个制高点。