公元前6世紀的古希臘先賢畢達哥拉斯（Pythagoras）提出“萬物皆數”，認為數是宇宙萬物的本原。

畢達哥拉斯

那麼是否跟物理規律類似，人類複雜的行為和認知背後，也存在某些基本的數學和計算原理？計算認知神經科學致力於回答這個問題。

今天，我們就給大家來介紹一下計算認知神經科學。

圖1 計算認知神經科學的目標是通過生物學上可信的計算模型來解釋動物和人類神經元活動和行為。從歷史上看，每個學科(圓圈)都解決了這些挑戰的一個子集(白色標籤)，計算認知神經科學力求同時應對所有挑戰。

計算認知神經科學是一個多學科交叉的領域，主要包括認知科學、計算神經科學和人工智能(圖1)。具體而言，認知科學發展出把複雜的認知過程分解成計算組件的計算模型；計算神經科學模擬了神經元之間的動態交互（實現各計算組件的功能）；人工智能展示瞭如何組合各組件功能來創建智能行為。

我們知道，要建立能夠執行認知任務且能解釋大腦信息加工過程的計算模型，最大的挑戰在於如何建立理論（實例化的計算模型）和實驗（提供腦和行為數據）之間穩固的“橋樑”。

因此，今天我們來從“自下而上”（From experiment toward theory）和“自上而下”（From theory to experiment）兩個角度看看該領域目前建立的橋樑（即模型）。

從實驗到理論

連接和動態模型（Models of connectivity and dynamic）

連接和動態模型指的是從計算層面理解大腦活動的一種途徑。它可以模擬大腦的連接和動態變化，測量到的響應時間序列的相關矩陣可以看作是大腦動態的第一近似，提示了腦區之間的“功能連接”。

解碼模型（Decoding Models）

從計算層面理解大腦活動的另外一種途徑是揭示每個腦區呈現了什麼信息。也就是說，解碼模型能夠檢測出兩種刺激中的哪一種產生了我們所測量到的激活模式。體現的內容可以是識別感覺刺激（從一組備選的刺激中識別）、感知刺激的屬性（如光柵的朝向）或者是認知操作和行為過程中所需要的抽象變量。

表徵模型（Representational Models）

相較於解碼模型，該模型希望更詳盡的描述腦區的表徵，解釋其對任意刺激的響應。當然，一個完整的解釋也依賴於可解碼的變量範圍，表徵模型試圖做關於表徵空間的綜合預測，因此該模型比解碼模型更多的受到計算理論的約束。

從理論到實驗

為了建立理論和實驗間更好的“橋樑”，我們首先需要一個明確的理論，這可以通過定義一個數學理論以及在計算模型中執行它們來實現。計算模型可以存在於不同的描述級別，在認知保真性和生物保真性間權衡（圖2）。為了連接認知和大腦，模型的建立必須同時考慮行為數據（反應認知過程）和神經動態兩個層面。

圖2 大腦信息加工過程的模型。自下而上建模方法(藍色箭頭)首先捕捉生物神經網絡的特徵，如動作電位和單個神經元之間的相互作用，但這種方法忽略了認知功能。自上而下方法(紅色箭頭)的目標首先是在算法級捕獲認知功能，這種方法不考慮生物實現，而是將信息處理底層任務性能分解為算法組件。這兩種方法形成了通往解釋大腦如何產生思維這一共同目標的兩個極端。該圖是概念圖，目前還沒有確定的方法來衡量這三個變量，但可以幫助我們理解模型之間的關係，並理解它們的互補貢獻。

執行任務模型一直是心理物理學和認知科學的核心，它們通常在行為數據上驗證，也開始用腦活動數據來驗證。這些模型能夠在表徵和算法上解釋人類認知功能。接下來，我們給大家介紹這兩大類模型：神經網絡模型和認知模型。

神經網絡模型(Neural network models)

和大腦一樣，神經網絡模型可以執行前饋和循環計算，包括多層的線性—非線性信號變換，一般有數百萬個參數（連接權重），通過調參不斷優化任務執行表現。

有研究將神經網絡模型作為腦信息處理模型來進行驗證。這些研究利用訓練有素的深度卷積神經網絡模型來識別圖像中物體，預測了靈長類動物的腹側視覺區在面對新異圖像時的大腦表徵，結果表明，深度神經網絡的內部表徵是當前符合人類和猴子顳下回視覺圖像表徵的最佳模型。

認知模型（Cognitive Models）

目前有三類認知模型：產生式系統，強化學習模型和貝葉斯認知模型。

產生式系統（production systems）提供了用於解釋推理和問題解決的早期模型。特定的條件涉及當前的目標及記憶中知識，對應的動作能夠修改目標和知識的內部狀態。

強化學習模型（Reinforcement learning models）捕獲agent如何通過與環境互動來學習最大化累積獎勵，選擇某種行動，觀察環境的結果狀態，在這個過程中獲得獎勵進而學習如何提高該行為的發生率，該agent可能學習了每種狀態與其期待的累積獎勵相關聯的“價值函數”。強化學習理論根源於心理學和神經科學，目前已經是機器學習和人工智能的重要理論，包括動態規劃（DP），蒙特卡羅學習（Monte-Carlo learning）和窮舉搜索（Exhaustive Search）等算法。

貝葉斯模型（Bayesian models），指的是根據概率規則將當前數據與先前經驗相結合的推理模型，它有助於我們理解基本的感知覺和運動加工過程，也提供了對判斷和決策等更高的認知過程的見解，將經典認知偏差解釋為先前假設的產物。

從貝葉斯認知的視角來看，人類思維從嬰兒時期開始構建關於世界的心智模型。這些模型不僅可以是概率意義上的生成模型，而且可能是有因果性和組合性的，能夠通過重新組合元素來將這種模擬推廣到新的假設的場景，這種建模方法已經應用於我們對物理乃至社會世界的推理。

展望未來

Marr等提出理解複雜生物系統需要經過三層分析：計算水平；表徵和算法水平；神經生物學水平。

認知科學開始於計算水平，將認知功能分解各個成分，進而從自上而下的角度發展算法和表徵。計算神經科學從自下而上的角度出發，將神經元構建塊組合成表徵和算法。人工智能通過建立表徵和算法來將簡單的成分組合成複雜的智能。這三個學科匯聚在大腦和認知的算法和表徵上，進而產生了互補約束。在20瓦的電力預算下，大腦的算法將統計和計算效率結合起來，其方式超出了當前的人工智能，無論是貝葉斯算法還是神經網絡算法。

對心智和大腦的研究正進入一個特別令人興奮的階段，如果認知科學、計算神經科學和人工智能能夠結合起來，我們或許能夠用神經生物學上可信的計算模型來解釋人類的認知，這不僅有助於我們更深刻的理解人腦信息加工的具體過程，也能在一定程度上為人工智能算法的發展提供有益啟示。

認知科學、計算神經科學和人工智能結合起來

參考文獻：

1. Biswal B, Zerrin Yetkin F, Haughton VM, Hyde JS. Functional connectivity in the motor cortex of resting human brain using echo‐planar MRI. Magn Reson Med. 1995;34(4):537-541.

2. Friston K. Dynamic causal modeling and Granger causality Comments on: The identification of interacting networks in the brain using fMRI: Model selection, causality and deconvolution. Neuroimage. 2011;58(2-2):303.

3. Dayan P, Abbott LF, Abbott L. Theoretical neuroscience: computational and mathematical modeling of neural systems. 2001.

4. Jin X, Costa RM. Shaping action sequences in basal ganglia circuits. Curr Opin Neurobiol. 2015;33:188-196.

5. Norman KA, Polyn SM, Detre GJ, Haxby J V. Beyond mind-reading: multi-voxel pattern analysis of fMRI data. Trends Cogn Sci. 2006;10(9):424-430.

6. Tong F, Pratte MS. Decoding patterns of human brain activity. Annu Rev Psychol. 2012;63:483-509.

7. Haxby J V, Connolly AC, Guntupalli JS. Decoding neural representational spaces using multivariate pattern analysis. Annu Rev Neurosci. 2014;37:435-456.

8. Haynes J-D. A primer on pattern-based approaches to fMRI: principles, pitfalls, and perspectives. Neuron. 2015;87(2):257-270.

9. Naselaris T, Kay KN. Resolving ambiguities of MVPA using explicit models of representation. Trends Cogn Sci. 2015;19(10):551-554.

10. Nikolaus Kriegeskorte & Pamela K. Douglas. Cognitive computational neuroscience.Nature Neuroscience volume 21, pages1148–1160 (2018)

作者信息

作者：湯晴（brainnews創作團隊）

校對：Simon（brainnews編輯部）