来源：凹非寺

“单个神经元不可靠！”

一项关于神经元的研究，让众人看嗨了。

这项研究通过在小鼠身上做实验，先展示了神经元“不靠谱”的一面：

单个神经元两次对相同视觉刺激的反应，竟然是不一样的。

对于神经元的“不靠谱”性，此前的解释一直集中在噪音这个点。

而这项研究却实实在在推翻了此前观点，作者通过实验证明了：即使有噪音，神经元还是有能力获取高精度的视觉编码。

主导这项研究的小姐姐认为，小鼠感知能力的限制不由视觉皮层的神经噪音决定，而是受神经解码过程的限制。

在这项推特转发超过600，点赞超过2000的研究下，神经科学家和AI科学家一起兴奋，“Pretty Cool”“Awesome”“Great story”等赞美声此起彼伏。

虽然不是AI界日常讨论的人工神经网络，而是自然界中动物们身上存在的生物神经网络，两者并不完全一样，但动物们自身的特征，却往往是启发科学家们的关键。

高通深度学习研究工程师Jakub Tomczak想到，它和AI中的Dropout十分类似，像是近似贝叶斯平均。

Dropout，正是指的Geoffrey Hinton等人在2014年提出的防止人工神经网络过拟合的正则化技术，现在已经成为了谷歌手中的专利。

AI工程师@AIexLaurence表示，就像AI一样，单个神经元（或者节点）并不表示特定的概念，是由神经网络中特定的激活模式决定的。

AIexLaurence还认为，这项生物学研究可能会对神经网络权重的研究有启发。

还有人认为，在神经元自带不确定性的前提下，大脑依赖投票/阈值机制产生的反馈信号来判定输入的感知信息。另外，除了神经的原因之外，也可能是动物眼睛的微观结构决定。

能让搞生物的和搞计算机的有同样的high点，这具体是项怎样的研究？

“不靠谱”的神经元

事情，还要从神经元说起。

对，就是中学生物里构成神经网络的那个长长的细胞。

可能不少AI领域的同学还不知道，在神经科学领域，神经元和AI界的拥有不确定性的神经网络一样，都是不靠谱的存在。

神经元，就像一个脑洞清奇的少年，即使是同样的信息呈现在他面前，他每次都会给出不一样的反应。

究其原因，在于噪声频发，影响神经编码。

神经编码，跟计算机的编码不是一回事。由于感觉信息与其它信息，都是由脑中的生物神经网络来承载与呈现的，所以人们认为，神经元有某种编码能力，处理你身体感知到的光线、声音、味道等信息。

也就是说，神经编码过程是试图建立从刺激到反应的映射，着眼于理解神经元如何对不同的刺激作出反应，建立模型来预测神经元对特定刺激的反应。

而与之对应的神经解码过程，研究的是相反方向的映射，也就是从已知的反应来推算外界刺激重建特征。

在这个过程中，是一个“多变”的过程，但总是被冠以“不靠谱”的评价。举个例子：

假如你问一个神经元这个直角屏幕的角度是多少，它一开始说是75度，五分钟后说是10度，每一次你再问的时候都是一个接近90度的随机数。

再举个例子，你在计算器上输入3+7，它每次都给出的是不同的答案……

是不是有种熟悉的感觉？

没错，什么人工不人工的智能都差不多。

可是，正经的计算设备不应该是这样的。

这就是让神经科学家很为难的地方，单个神经元得出的结论是不可靠的（灰色的点），需要多次测量来平均噪声（图中黑线）。

那么，一个神经元都这么不靠谱了，一群不靠谱的神经元竟然能把动物们的神经系统构建的这么精准，真是个奇迹。

那么，神经元们是怎么做到的呢？

这涉及到信噪比的问题。信号强度和叠加次数成正比，噪声强度和叠加次数的平方根成正比，因此叠加次数越多，信噪比越高。

有人猜测，也许在我们的大脑中，它的运算机制就是数百万个嘈杂神经元结论的平均值，通过这种方法来判断看到的是什么。

可以从几何的角度解释这个问题，当噪声与刺激驱动的相同神经子空间对齐时，噪声只能影响受到刺激部分的编码。至少，一些神经噪声与刺激子空间正交，所以不会有什么坏的影响。

但是，这些只是理论猜想，如果真的想靠实践算出噪声对神经编码的影响，这很难，毕竟只有少量信息限制的噪声也会对神经编码有很大影响。

所以，基于以上推测，我们就大致为这种“明明个体不靠谱，群体却很靠谱”的行为归纳出原因：

把每个神经元得出的结论“神奇组合”一下，得出的平均值，就是最终那个靠谱的结果。

现在，做个实验，解个码证明一下吧！

小鼠视力实验

此前有人做过对猴子的解码，证明拿一小撮神经元做实验和用上所有神经元差不多。

在这个背景下，我们的主角出场了。

一位神经科学家小姐姐Carsen Stringer用小鼠做实验，探究小鼠的感知与单个神经元的关系。

在这次实验里，小姐姐和她的团队没有对猴子下手，而是换了一种动物，盯上了小鼠。

研究人员的目标是，通过记录小鼠20000个神经元的数量，测量视觉刺激定向解码误差的下限。

这项实验的大前提是：如果限制信息噪声的确有影响，解码错误必须渐近于某个非零值。

具体的给小鼠设定的挑战是：

让小鼠看角度。

基于我们前面已知的“不靠谱”这个特性，可以预知，给予小鼠相同的视觉刺激，神经元的每次反应完全不同。

研究人员用显微镜同时记录了约20000个神经元的活动。这是一个部分的随机颜色：

然后，使用线性回归找到每个神经元的权重，将它们的活动组合成“超级神经元”，对它们的判断进行平均。

这些超级神经元比单个神经元的噪声要小很多。其实，在95%的实验中，超级神经元能够分辨45度和46度之间的微小差异。

一度之差，人类都判断不出来吧。想象一下，让一只老鼠分辨出这么微小的差异……另一位研究人员@BenucciLa真的尝试了，老鼠只能分辨出超过29度的差异，比神经元差100倍。

最终，虽然研究人员们把解码的误差做到很低了，但是并没有出现期待中渐近的状况。

也就是说，视觉皮层对老鼠的视觉特征进行了高精确度的编码，但老鼠依然在辨别方向任务中完成得很差。

锅在解码过程

于是，研究人员得出结论，老鼠能接受到的信息，比人类大脑能接受的差1000倍。

虽然老鼠不能将这些信息传递给人类，但他们也是可以利用这些信息的。比如，这些信息可以作为一种计算的第一步。

这也进一步说明，神经信号和行为之间的差异不能用刺激的类型来解释，无论是通过行为状态还是反复试验感知直觉测试。

因此，小姐姐得出结论，小鼠感官知觉的局限性不是由感觉皮层的神经噪声决定的，而是由神经元下游的解码过程限制。

作者简介

这项研究的一作Carsen Stringer小姐姐，是伦敦大学学院（UCL）计算神经学博士、美国Janelia研究院的神经网络科学家。

神经元、视觉皮层和小鼠是小姐姐的日常，此外，她还发过各种Nature、Science等顶级期刊。

传送门

论文：High precision coding in mouse visual cortex

地址：https://www.biorxiv.org/content/10.1101/679324v1

代码：
https://github.com/MouseLand/stringer-et-al-2019

— 完 —

未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能，互联网和脑科学交叉研究机构。

未来智能实验室的主要工作包括：建立AI智能系统智商评测体系，开展世界人工智能智商评测；开展互联网（城市）云脑研究计划，构建互联网（城市）云脑技术和企业图谱，为提升企业，行业与城市的智能水平服务。

  如果您对实验室的研究感兴趣，欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”