2024年的诺贝尔物理学奖和化学奖被视为对人工智能（AI）工具的肯定，这些工具在构思之初受到了神经科学的启发。通过模仿人类脑细胞的行为，机器学习算法正在加速我们对基础生物学的理解，例如谷歌DeepMind的AlphaFold 3使得预测蛋白质结构或其与潜在药物的相互作用成为可能。
随着各个领域的科学家都在努力应对AI对其工作的影响，塔夫茨大学医学院的神经科学家Michael Halassa博士正专注于研究AI如何能够改变认知处理、精神疾病和精神病学的研究。Halassa的实验室在过去几年中一直在测量受试者解决复杂任务时脑细胞之间的交流方式。除了试图理解大脑如何推理世界外，他的工作的实际应用是创建“与疾病相关的、基于大脑的模型”，这些模型可以将脑病理转化为预测治疗反应的计算模型。
Halassa表示，如果适当构建和训练机器学习架构——即AI程序评估和处理信息的蓝图——这些工具可以模拟像精神分裂症这样的复杂疾病，并用于追踪患者对治疗的反应。他的目标是利用这些计算来激发下一代适用于精神病学的AI模型。
Tufts Now: 你的实验室的使命是连接神经回路和认知。你能谈谈这对你和你的团队意味着什么吗？
Michael Halassa：我们最初是一个小鼠实验室，试图更好地理解大脑的一部分——丘脑，它参与了门控感觉信息并帮助你决定注意力的焦点。例如，如果你在一个拥挤的派对上，是你的丘脑使你能够屏蔽周围的所有音乐或声音，偷听另一个房间的对话。
在我们的研究开始后，一个重大的惊喜是意识到丘脑的大部分输入不是来自感官，而是来自大脑皮层。后来我们了解到，丘脑的一个功能类似于大脑的投票系统，接收信息，寻找趋势，决定什么是可靠的，并帮助我们做出最佳决策。在进化过程中，人类大脑发展出了一种硬连线机制来识别错误信息，而我们的实验室一直在探索这种机制在精神分裂症中是如何失效的。我们的工作还提供了关于如何构建能够处理冲突信息的AI架构的见解，以便它们能够计算趋势并以最优化的方式结合输入。
“你可以用一杯糖水维持一个人的生命，同时他还可以开车和打电话。而要用AI做到同样的事情，则需要足够的电力来供应一个村庄一年。”
——Michael Halassa
分享到Twitter
有哪些研究项目可以帮助AI模型的开发？
通过记录动物在解决各种任务时丘脑和前额叶皮层（负责执行功能如做出复杂决策的大脑部分）的活动，我们生成了大脑工作模型，这些模型可以被复制或应用于AI。例如，2021年，我的实验室的一位博士后研究员Arghya Mukherjee在《自然》杂志上发表了一篇论文，显示小鼠的丘脑可以在做决策时跟踪冲突的感觉输入，减缓前额叶皮层的决策动态，这种减缓程度与传入信息的可靠性相一致。最近，博士后研究员Norman Lam领导了一项涉及树鼩的研究，发表在《自然》杂志上。这些动物可以区分由于自身感知错误和环境变化导致的错误，我们发现丘脑在这个过程中起着关键作用。通过跟踪不同的不确定性来源（感知与环境），主体可以适当地调整行为，以更好地匹配真正的环境变化。这就是神经科学家所说的分层决策。
作为人类，我们经常面临这种问题；在晴朗的日子里，我们可以迅速判断交通灯坏了，但在雾天可能需要更长时间才能得出这个结论。但这些推断有时会导致误判。例如，如果你注意到一位同事某天早上没有微笑，你可能会认为他们对你不满意，而实际上他们可能只是心事重重。这种“草率下结论”的现象在精神分裂症患者中更为严重，可能与上述电路的中断有关。我们正在通过设计特定的任务来继续测试这些假设。
你认为因为你们的研究，AI网络会如何发展？
神经网络通常只能很好地学习一件事，当它们尝试学习新任务时，先前的任务会被覆盖。这是一个需要克服的挑战，因为能够训练AI学习语言或解释视觉线索的架构通常是不互通的。人类大脑可以多任务处理，而且只需消耗AI所需能量的一小部分。你可以用一杯糖水维持一个人的生命，同时他还可以开车和打电话。而要用AI做到同样的事情，则需要足够的电力来供应一个村庄一年。我们认为，提高AI性能的部分解决方案在于理解人类这种常用的能力。
人类也更擅长做出分层性质的决策，部分原因是我们在将环境分割成感知或记忆片段（我们称之为“情境”）方面表现出色。做出适应性反应依赖于跟踪情境并知道何时情境发生了变化。AI程序在以这种适应性方式分割环境方面表现较差，这使得它们难以判断错误是由感知误判还是环境变化引起的。我们正在努力研究动物和人类大脑如何做到这一点，并希望教会AI如何相应地进行操作。
AI程序可以从“与疾病相关的模型”中获得什么，这些模型从哪里来？
我们的研究主要集中在精神分裂症上，这种疾病与丘脑和大脑皮层之间的通信中断有关。我们认为，大脑可能无法有效地审议和做出决策。在与该疾病相关的鼠标模型中，我们观察到感官噪声的增加使它们更难根据新的证据改变行为。
然而，传统的动物行为研究对人类行为的预测能力较差，因为行为控制不佳且难以解读。我们领域的一些研究人员所做的工作是尝试将大脑置于特定状态，从而可以暴露特定的计算过程。这意味着你知道生成特定行为输出所需的精确输入，这些输出可以转化为电路模型形式的计算假设。我们正处于利用AI工具进行转化研究的边缘，拥有合适的数据来进行这项研究。
你如何设想这些基于这些指标训练的AI模型在精神病学中的应用？
首先，受AI启发的疾病模型可以帮助我们更好地理解复杂的精神疾病（如精神分裂症）的潜在机制。通过模仿我们在患者中观察到的神经回路，我们可能能够确定哪些神经通路最失调，并因此可以用某些药物或非侵入性神经刺激技术进行治疗。
其次，如果我们能够训练标准的AI工具（就像数据分析工具一样）识别与不同精神疾病相关的微妙脑活动和行为模式，这可以帮助临床医生做出更准确和早期的诊断。例如，随着我们对精神分裂症了解的深入，我们可能会发现它并不是一种单一的疾病。我们需要计算描述来定义患者的具体情况和最佳治疗方案。
最后，这些AI预测模型可以用于预测和追踪治疗反应。通过监测患者脑活动随时间的变化，并基于预期模式，我们可能能够更有效地个性化治疗计划，并根据患者的反应实时调整治疗方案。
(全文结束)
