基于脑科学的研究论文

前言：我想很多人在看前面的4篇文章的时候，已经被我搞晕了。那么多人名，那么多发现，都记糊涂了，而且题文不符，一点也不有趣。嗯，我同意，我道歉，我改正…… 在本章开始之前，我先想带大家回顾一下我之前的四篇文章里出现的人物们。 我们一直都说，心理学是一门科学也是一门哲学。所以心理学的发展一定是建立在哲学与科学两种基础之上的。但回顾一下我们过去的四篇文章，你会发现科学的部分写的非常少。在古希腊还有希波拉底和阿尔克麦翁撑着，然后就沉默了2000多年，到了18世纪，霍布斯才提出了关于“原子的”思想运动的假设，而这一假设，则是建立在天文学和物理学研究基础上的。到了笛卡尔关于松果体和脑脊液的假说也是建立在解剖学基础上的。 而现代心理学之所以被称作“现代”，也就是它使用了“科学的”研究方法来研究心理活动。因此，在心理学“现代化”的过程当中，科学的发展是起到了很大的推动作用的。以前谈哲学多些，也是因为科学，特别是与心理学相关的生物学的发展是比较有限的，所以没有特别多要谈的。进入19世纪以后，神经科学、脑科学、感觉生理学、心理物理学和进化论等学科的出现与发展，推动了心理学的现代化进程。所以心理学史的第四部分就来谈谈这些科学。 从阿尔克迈翁时代，我们就已经知道了，心理活动发生在脑部，那我们今天就先来谈谈脑科学的进展。 说到脑科学，我们不得不从一个伪科学开始谈起——颅相学。 魏延反骨的故事我们都听过了，我记得我小时候家里有本《麻衣看相书》（别问我为什么会有，也别问我为什么要看），也有关于头型的描述。可见所谓颅相学，在中国早在公元二、三世纪就有了，当然现在还是有很多人相信这个。但在欧洲，这个学说是在19世纪才出现的。 颅相学始于弗兰茨.高尔（1758-1828），他是一名德国的内科医生，以精湛的解剖技术和奢靡的生活方式著称。在他小时候，他就注意到，拥有良好记忆力的人，通常有一双大而突出的眼睛（我个人猜测这是是戴眼镜的人的通病，而为什么会戴眼镜，肯定是爱学习，看书多啊，那拥有良好记忆也就不足为奇。眼镜是17世纪之后就慢慢普及了的，如果你想知道的话），所以后来他就开始思考，人的其他特性是不是也会跟头部的特征有关呢？作为一个解剖学家，他充满热情的，系统的开始了这一领域的研究，弃婴堂、精神病院、监狱和停尸房都是他常去的地方。以至于当时去世的人都要在遗嘱里写上一条，特别要求“保护他们的头颅不受高尔博士的研究”。 不断测量之后，高尔形成了一套自己关于颅相学的假说，他将人的27种特性与27个头部位置联系起来，认为如果该特质发育的好，该部分就应该略微凸起，如果发育的不好，该部分就会微微凹陷。 高尔的《人的构造》被他的合作者施普兹海姆广泛宣传，在高尔1828年死后（顺便说一下，高尔认为，头盖骨厚的人，因为脑容量小，所以比较愚笨，嗯。他自己的头盖骨差不多有常人的两倍厚。）施普兹海姆与他的新搭档库姆继续推广，在施普兹海姆去世之后，库姆还坚持不懈的在欧洲和美国建立了45个颅相学的研究协会。据说当时《人的构造》一书成了家庭必备书，售出10万多本。 在当时的美国，颅相学也被福勒兄弟和他们的姐夫威尔斯推向了一个新高度。他们打着“认识自己”的旗号，出版了一本名为《颅相学自我指导》的畅销书。一些美国企业将颅相学检查作为一个雇用条件；竞选公职的政治家要经过颅相学的分析；打算结婚的年轻人去咨询颅相学家，应该跟谁结婚及婚后会遇到什么情况。等等等等。 在19世纪的文学作品中，正面人物通常拥有巨大的头颅，高额头和分的很开的眼睛，而坏人则有尖尖的脑袋，突出的眉毛和小眼睛。在《蓝宝石案》中，福尔摩斯也曾通过一个大号的帽子推论出它的主人有极高的智商。 既然颅相学曾这么受欢迎，那为什么后来还是失去了人们青睐呢？归根到底，颅相学不过是一种经验的组合，根本无法验证也无法证伪。当人们把注意力从验证颅相学的正确性，转移到验证颅相学的矛盾之处的时候，自然就会发现该学说的不合理之处。 最终，法国外科医生 马里-让.弗卢龙 （1794-1867）这个19世纪最重要的脑机能研究者，在1843年发表了《评颅相学》一书，终结了颅相学的狂热。在该书中，弗卢龙通过许多对动物脑的精确实验，发现了许多脑功能区，且与颅相学说有很大差异。 弗卢龙通过对动物脑精确的手术，证明了大脑各个部分的主要功能。 1）大脑的两个半球（四对脑叶）支配所有的自发动作。切除了脑叶的动物，只会表现出反射动作，而失去主动行为。你不将食物放进嘴里就不会主动寻找食物，你不将鸟儿抛向空中，他就不会主动飞翔。基于这些实验，弗卢龙认为脑叶是知觉、记忆、意志力等高级心理活动的基础。 2）小脑的切除带来的是运动神经的损伤，鸟儿飞行能力下降，小狗无法协调四肢行走。 3）脑叶与小脑切除后，动物仍能存活，但延髓——生命中枢——受到破坏时，动物将立刻死亡。因此，延髓是控制呼吸、心脏等自主活动的核心区域。 虽然发现了不同脑区的功能，弗卢龙也强调，脑是一个相互连接的完整器官，不同脑区需要共同作用才能运转。弗卢龙还发现，如果脑受损的区域不大，受到的影响也会较小，而且有时候，还会逐渐恢复一些已经丧失的功能，这可能是脑的某些区域接管了受损区域的功能。这与人类中风患者遇到的情况类似。中风可能导致某些功能的丧失，但随着时间的推移，许多患者会在一定程度上恢复部分功能。 但动物脑的实验结果可以直接运用在人身上吗？一些特殊意外事件肯定了这个答案，比如菲尼亚斯. 盖奇额叶受伤的故事等（顺便插播一句，我在写完心理学史之后，第二个系列准备写有趣的心理学实验，其中会涵盖这个故事，不过估计还要等很久，有兴趣的朋友自己去百度吧）。 1861年，同样也是一位法国外科医生和神经学家皮埃尔-保罗.布洛卡通过对失语病人的解剖发现，人的语言中枢位于左额叶，而且布洛卡认为语言是人类的最高成就，那么左半脑应该是比右半脑更加发达，也就是优势半脑。左右半脑分工不同的观点，至今还在被沿用。应该说，对脑功能的研究，在19世纪取得了巨大的进步。 同样在19世纪还发明了一种脑研究的方法——脑的直接刺激。最精准有效的方法是电刺激。通过电刺激获得最显著成果的两个人是古斯塔夫.费里奇（1839-1927）和爱德华.希齐格（1838-1907）。费里奇是一个富裕的人，他主要是对这项研究提供经济上的支持。希齐格是一名解剖学家，战时曾担任过军医。两人合作了许多实验，成功定位了5种不同的肌肉群的脑区，并在1870年共同发表了一篇《关于脑的电刺激》的论文。 其他各国实验室也很快复制了这个实验（这是科学的一个重要因素，可验证，所以你知道之前有学者因无法重复自己的实验结果，而被迫撤销论文的原因了吧）。其中英国学者戴维.费里尔（1843-1928）运用刺激法和切除法做了一系列经典实验，成功定位了十五种运动技能（详见《脑的机能》一书）。并由于他定位的精准性，他直接将猴脑的定位图直接转换到人脑中，成功的定位了一次脑瘤切除手术。 后来，费里尔还发现，身体的不同部分在脑中的运动反射区，与这部分的功能有关，而不是与面积有关。举例来说，人手虽然面积并不大，但在脑中反射区却非常大，详见下图。（前方高能，小心！） 关于感觉机能，费里尔发现把视觉定位与枕叶皮层，把听觉定位与颞叶，躯体感觉定位于后中枢神经区域。 虽然19世纪，关于脑的研究取得了很大的成绩。但同时也引发了一些问题。尤其是对于人脑的实验，引起了关于伦理道德方面的强烈的社会议论。这迫使外科医生们无法再通过人体实验获得更准确的实验结果。 这里插一句我对这个问题的一些引申的思考。其实我觉得仔细想想这事还挺有意思的。因为其实所谓科学精神倡导的是一种“唯事实论”。但由于人有“自我”意识的存在，所以会认为“我”与“其他人”不同，“人类”与“动物”不同，“生物”与“非生物”不同，而实际上，这种不同是意识层面，而非事实层面的。所以我觉得，科学对于人类来说，可能快要走到头了，因为人类不可能放下“我”的意识存在。 好啦，关于十九世纪脑的研究，我就先先说到这，下周会跟大家分享在十九世纪神经学、感觉生理学、心理物理学和进化论方面的进展。（我不确定一章能写完，这一部分可能会有上中下，捂脸捂脸）

深度神经网络（DNNs）是 AI 领域的重要成果，但它的 “存在感” 已经不仅仅限于该领域。 一些前沿生物医学研究，也正被这一特别的概念所吸引。特别是计算神经科学家。 在以前所未有的任务性能彻底改变计算机视觉之后，相应的 DNNs 网络很快就被用以试着解释大脑信息处理的能力，并日益被用作灵长类动物大脑神经计算的建模框架。经过任务优化的深度神经网络，已经成为预测灵长类动物视觉皮层多个区域活动的最佳模型类型之一。 用神经网络模拟大脑或者试图让神经网络更像大脑正成为主流方向的当下，有研究小组却选择用神经生物学的方法重新审视计算机学界发明的DNNs。 而他们发现，诸如改变初始权重等情况就能改变网络的最终训练结果。这对使用单个网络来窥得生物神经信息处理机制的普遍做法提出了新的要求：如果没有将具有相同功能的深度神经网络具有的差异性纳入考虑的话，借助这类网络进行生物大脑运行机制建模将有可能出现一些随机的影响。要想尽量避免这种现象，从事 DNNs 研究的计算神经科学家，可能需要将他们的推论建立在多个网络实例组的基础上，即尝试去研究多个相同功能的神经网络的质心，以此克服随机影响。 而对于 AI 领域的研究者，团队也希望这种表征一致性的概念能帮助机器学习研究人员了解在不同任务性能水平下运行的深度神经网络之间的差异。 人工神经网络由被称为 “感知器”、相互连接的单元所建立，感知器则是生物神经元的简化数字模型。人工神经网络至少有两层感知器，一层用于输入层，另一层用于输出层。在输入和输出之间夹上一个或多个 “隐藏” 层，就得到了一个 “深层” 神经网络，这些层越多，网络越深。 深度神经网络可以通过训练来识别数据中的特征，就比如代表猫或狗图像的特征。训练包括使用一种算法来迭代地调整感知器之间的连接强度（权重系数），以便网络学会将给定的输入（图像的像素）与正确的标签（猫或狗）相关联。理想状况是，一旦经过训练，深度神经网络应该能够对它以前没有见过的同类型输入进行分类。 但在总体结构和功能上，深度神经网络还不能说是严格地模仿人类大脑，其中对神经元之间连接强度的调整反映了学习过程中的关联。 一些神经科学家常常指出深度神经网络与人脑相比存在的局限性：单个神经元处理信息的范围可能比 “失效” 的感知器更广，例如，深度神经网络经常依赖感知器之间被称为反向传播的通信方式，而这种通信方式似乎并不存在于人脑神经系统。 然而，计算神经科学家会持不同想法。有的时候，深度神经网络似乎是建模大脑的最佳选择。 例如，现有的计算机视觉系统已经受到我们所知的灵长类视觉系统的影响，尤其是在负责识别人、位置和事物的路径上，借鉴了一种被称为腹侧视觉流的机制。 对人类来说，腹侧神经通路从眼睛开始，然后进入丘脑的外侧膝状体，这是一种感觉信息的中继站。外侧膝状体连接到初级视觉皮层中称为 V1 的区域，在 V1 和 V4 的下游是区域 V2 和 V4，它们最终通向下颞叶皮层。非人类灵长类动物的大脑也有类似的结构（与之相应的背部视觉流是一条很大程度上独立的通道，用于处理看到运动和物体位置的信息）。 这里所体现的神经科学见解是，视觉信息处理的分层、分阶段推进的：早期阶段先处理视野中的低级特征（如边缘、轮廓、颜色和形状），而复杂的表征，如整个对象和面孔，将在之后由颞叶皮层接管。 如同人的大脑，每个 DNN 都有独特的连通性和表征特征，既然人的大脑会因为内部构造上的差异而导致有的人可能记忆力或者数学能力更强，那训练前初始设定不同的神经网络是否也会在训练过程中展现出性能上的不同呢？ 换句话说，功能相同，但起始条件不同的神经网络间究竟有没有差异呢？ 这个问题之所以关键，是因为它决定着科学家们应该在研究中怎样使用深度神经网络。 在之前 Nature 通讯发布的一篇论文中，由英国剑桥大学 MRC 认知及脑科学研究组、美国哥伦比亚大学 Zuckerman Institute 和荷兰拉德堡大学的 Donders 脑科学及认知与行为学研究中心的科学家组成的一支科研团队，正试图回答这个问题。论文题目为《Individual differences among deep neural network models》。 根据这篇论文，初始条件不同的深度神经网络，确实会随着训练进行而在表征上表现出越来越大的个体差异。 此前的研究主要是采用线性典范相关性分析（CCA，linear canonical correlation analysis）和 centered-kernel alignment（CKA）来比较神经网络间的内部网络表征差异。 这一次，该团队的研究采用的也是领域内常见的分析手法 —— 表征相似性分析（RSA，representational similarity analysis）。 该分析法源于神经科学的多变量分析方法，常被用于将计算模型生产的数据与真实的大脑数据进行比较，在原理上基于通过用 “双（或‘对’）” 反馈差异表示系统的内部刺激表征（Inner stimulus representation）的表征差异矩阵（RDMs，representational dissimilarity matrices），而所有双反馈组所组成的几何则能被用于表示高维刺激空间的几何排布。 两个系统如果在刺激表征上的特点相同（即表征差异矩阵的相似度高达一定数值），就被认为是拥有相似的系统表征。 表征差异矩阵的相似度计算在有不同维度和来源的源空间（source spaces）中进行，以避开定义 “系统间的映射网络”。本研究的在这方面上的一个特色就是，使用神经科学研究中常用的网络实例比较分析方法对网络间的表征相似度进行比较，这使得研究结果可被直接用于神经科学研究常用的模型。 最终，对比的结果显示，仅在起始随机种子上存在不同的神经网络间存在明显个体差异。 该结果在采用不同网络架构，不同训练集和距离测量的情况下都成立。团队分析认为，这种差异的程度与 “用不同输入训练神经网络” 所产生的差异相当。 如上图所示，研究团队通过计算对应 RDM 之间的所有成对距离，比较 all-CNN-C 在所有网络实例和层、上的表示几何。 再通过 MDS 将 a 中的数据点（每个点对应一个层和实例）投影到二维。各个网络实例的层通过灰色线连接。虽然早期的代表性几何图形高度相似，但随着网络深度的增加，个体差异逐渐显现。 在证明了深度神经网络存在的显著个体差异之后，团队继续探索了这些差异存在的解释。 随后，研究者再通过在训练和测试阶段使用 Bernoulli dropout 方法调查了网络正则化（network regularization）对结果能造成的影响，但发现正则化虽然能在一定程度上提升 “采用不同起始随机种子的网络之表征” 的一致性，但并不能修正这些网络间的个体差异。 最后，通过分析网络的训练轨迹与个体差异出现的过程并将这一过程可视化，团队在论文中表示，神经网络的性能与表征一致性间存在强负相关性，即网络间的个体差异会在训练过程中被加剧。 总而言之，这项研究主要调查了多个神经网络在最少的实验干预条件下是否存在个体差异，即在训练开始前为网络设置不同权重的随机种子，但保持其他条件一致，并以此拓展了此前与 “神经网络间相关性” 有关的研究。 除了这篇 这篇 研究以外，“深度学习三巨头” 之一、著名 AI 学者 Hinton 也有过与之相关的研究，论文名为《Similarity of Neural Network Representations Revisited》，文章探讨了测量深度神经网络表示相似性的问题，感兴趣的读者可以一并进行阅读。 Refrence： [1] [2]