《Current Opinion in Neurobiology》:Toward a foundational brain model of intelligence
编辑推荐:
本篇综述探讨了构建基于生物学的智能基础性脑模型的框架,其核心是前额叶皮层。作者提出,整合连接组与细胞类型、利用人工智能工具训练循环神经网络,并结合组合性与泛化性,是理解智能机制并推动类人通用人工智能发展的关键路径。
引言
新技术工具及其产生的大量数据为神经科学带来了前所未有的机遇。当前,利用人工智能(AI)进行数据分析和计算建模已成为趋势。例如,Wang等人(2025年)使用机器学习为小鼠视觉皮层构建了神经网络模型;Binz等人(2025年)报告了一个大型语言模型,能够执行包含100多项实验的行为数据集Psych-101中的认知任务。这类模型在AI中被称为基础模型,它们首先通过多模态数据集进行预训练,然后作为核心,经过微调以完成各种特定任务。
这些近期工作代表了一种创新方法,有望处理不同模态的数据分析。然而,这种视角在神经科学中能否成功,关键在于此类模型能否超越预测,达到机制性理解。本文将重点阐述为实现该目标需要克服的主要挑战。
基于连接组的建模:对齐及更多
AI建模的一个显著问题是,将人工神经网络模型的各部分与大脑的各个部分进行“对齐”。在由一系列层组成的用于人类视觉的深度神经网络(DNN)中,模型某个区域的对齐是由其活动与功能性磁共振成像的血氧水平依赖性(BOLD)信号在某个皮层视觉区域的最佳拟合决定的。结果发现,这种对齐与解剖学定义的皮层层次结构呈正相关。然而,这种相关性是有限的(R ~ 0.6),并且此方法最多只是描述性的。相比之下,在基于连接组的模型中,分区化的脑区(如初级视觉皮层V1等)是明确定义的;因此,模型中的脑区与大脑中的脑区存在一一对应关系,完全避免了对齐问题。此外,目前的DNN没有捕捉脑区间的神经相互作用,这不仅因为缺乏解剖学约束,也由于普遍使用的前馈架构与拥有丰富局部循环连接和脑区间反馈连接的皮层形成鲜明对比。基于这些原因,基于连接组的计算框架将是实现神经环路机制性理解的重要一步。
近年来,已为人类、小鼠、猕猴和狨猴开发了大规模多脑区皮层的基于连接组的模型。这一研究方向已经开始产生令人惊讶的模型预测,例如时间常数层级,这得到了来自猴类和小鼠的单神经元数据的支持。基于连接组的计算框架的兴起,恰逢超越局部脑区考虑的全脑实验研究。行为小鼠的神经记录发现,感觉刺激、决策和运动反应的神经表征广泛分布于全脑。乍看之下,这些观察似乎与“不同脑区专门负责认知的不同方面”的概念相矛盾。相反,新的实验证据促成了一个与选择性分布式处理相兼容的功能专门化的更严格定义,其中由多个脑区(而非单个局部脑区)组成的功能模块专门负责一项功能,例如工作记忆或决策。
Klatzmann等人(2025年)的工作代表了意识全局神经元工作空间理论的第一个现实灵长类皮层模型,支持了前额叶皮层(PFC)的核心作用。PFC是广泛认知功能的关键脑结构,其异常是主要精神疾病的根源。事实上,功能性磁共振成像研究发现,执行智力评估测试会持续激活PFC。因此,理解PFC是理解智能基础的关键。
利用人工智能工具构建神经环路模型
通过机器学习训练神经网络已成为神经人工智能领域的核心主题,它处于计算神经科学与AI的交叉点。通常,像物体识别这样的输入驱动信息处理由前馈深度神经网络建模,而主观决策、工作记忆和规划等内部驱动的心理过程则需要循环神经网络(RNN)。已经开发了多种循环神经网络:一些使用类似于生物神经元的传统“普通”单元,另一些则结合了门控单元;循环神经网络可以使用不同的学习算法进行训练,包括监督学习、强化学习或非标准的克隆结构因果图。利用AI,已经为依赖于PFC的认知核心构建模块开发了模型,从支持多任务处理的任务集表征,到支持“学会学习”的图式形成。
这项工作的值得注意之处有两点。首先,这是一个通过机器学习训练的、包含细胞类型和锥体树突的循环神经网络,证明了在AI类型框架中整合生物学细节的可行性。其次,近年来,动力学系统方法常被用于在状态空间中描述群体活动,使用降维、子空间或流形发现。Liu和Wang(2024年)表明,根据两种行为规则,神经表征对应于近乎正交的低维子空间。当SST阳性细胞失活时,两个子空间之间的角度急剧减小,行为表现处于随机水平。这是第一篇将描述性的子空间/流形方法与细胞类型特定的神经环路机制联系起来的论文。
组合性与泛化性
一个计算模型除非能够泛化到新的刺激和任务,否则不能被称为基础模型。一种假设认为,无限多的问题可以通过有限数量的认知构建块,根据某种句法规则按需组合来解决,这可以在人类研究和非人类动物实验中进行测试。一个循环神经网络展示了专门用于不同功能的神经元功能簇如何根据行为规则灵活组合,以执行20项涉及工作记忆、决策、分类和动作抑制控制的认知任务。类似地,有报道称,一个通过强化学习训练的循环神经网络可以执行多种依赖于奖励的经济决策。
这些近期工作为具有组合性和泛化能力的内部驱动认知功能计算模型提供了原理性证明。
结论性评述
迄今为止,两条研究路线独立取得了进展:基于连接组的多脑区大脑建模和训练循环神经网络。现在需要的是将这两种方法结合起来。朝着这个方向迈出的一小步展示了一个初步成果,其中,一个需要工作记忆和决策的认知任务通过一个连接组学约束的多脑区循环神经网络进行了模拟,脑区间的信息流得到了量化。这些初步结果证明了构建一个能够执行认知任务的、基于连接组的大规模基础性脑模型的可行性。可以说,这一研究方向值得投入与构建可实现于自动化机器人的真实物理世界计算预测模型同样多的努力。鉴于PFC异常会导致有害行为,从学习PFC如何实现对思想和行动执行控制的计算算法中汲取的经验,将启发人工智能安全的创新。一个以PFC为核心的计算程序,很可能将变革神经科学,并为实现安全的通用人工智能铺平道路。