Jaguar是一只老鼠，他住在哈佛大学罗兰研究所（Harvard’s Rowland Institute）。在那里，他时常在一个看起来来自《发条橙》（Clockwork Orange）的操控设备上玩电子游戏。几根金属杆让他只能置身于金属杆前的一个小平台内。　　

他的任务是通过脚接触，找到虚拟盒子的边缘。为了做到这一点，它用右爪抓住那个可以360度旋转的操纵杆，并且挪动操纵杆，直到它能够感觉到机器的反馈。当他触碰到正确的目标区域时，比如说盒子的边缘，一根管子就会流出一滴糖水作为奖励。　　

为了追踪Jaguar的大脑活动，研究人员对它进行了基因改造，使它的神经元在发生交互时发出荧光。这束光通过一块玻璃板可以看到。玻璃板与他的部分头骨通过使用牙科水泥固定在一起。平板上方的显微镜记录下了他玩耍时大脑发光的图像。　

负责这项实验的神经学家麦肯齐·马西斯（Mackenzie Mathis）说：“在一个实验中，你可以教他们新的规则，然后你就可以亲眼看见，成千上万的神经元学习新规则的过程，以及看到老鼠在学习后的变化。”　　

在过去的几十年里，马西斯的见解只会促进我们对老鼠和大脑功能的了解。如今，越来越多的专业动物研究人员协助开发人工智能软件和脑机接口，她也是其中一员。　

她想要发现老鼠是如何学习的，部分原因是它可以告诉我们如何教电脑学习。例如，根据观察老鼠在视频游戏中应对意外情况的反应，或许，有一天她能够把类似的技能应用在机器人身上。

其他神经科学家正在研究斑胸草雀的歌唱技巧。一部分人正在成为羊头骨导电性方面的专家。此外还有更多的人选择了经典的高中生物课本上的对象：果蝇或者蠕虫。　　

果蝇的神经结构相对简单，从蠕虫为数不多的神经元中可榨取大量的汁液。在过去的几年里，科技公司一直在挖大学的人才。　

苹果、Facebook、谷歌和Twitter都从马西斯最近的一个奖学金项目中挖走了博士生。她说：“博士生在拿到学位之前就有工作了。”　

当然，动物长期以来在推动科学的商业应用方面，尤其是在医疗方面的发展，发挥着重要作用。　

但是，要想把斑马翅雀的声音进行处理、解析并应用在Siri的语音识别软件中，或者把鼠标游戏应用在未来亚马逊公司（Amazon）运营的全部配备安卓系统的仓库中。　

这是一个全新的飞跃。整个新产业岌岌可危，企业间揭开动物思维秘密的比赛变得越来越奇怪。　

1958年，康奈尔神经生物学家弗兰克·罗森布拉特（FrankRosenblatt）推出了Perceptron，这是最早尝试在计算机中模拟大脑结构的设备之一。它的处理单元，也就是他所说的神经元，协作找出，比如说，一张特定的照片描绘的是一个男人还是一个女人。

这是对图像识别的初次尝试。Facebook、谷歌和其他公司沿用了用于描述Perceptron的词语，将他们庞大的人工智能计算系统描述为有着数百万个神经元协同工作的“神经网络（neural nets）”。即使在今天，这种简写也极大地夸大了计算和认知领域的重叠。　

学习你并不真正理解的东西是很困难的。大脑真正的工作原理——例如，一组神经元如何储存记忆——对神经科学来说仍然是难以捉摸的。因此神经元的数字化应用，对现实帮助不大，目前只是有缺陷的仿品。　

它们其实是经过训练的，可以执行大量的统计计算和识别图案的初级处理引擎，只是有一个受认可的生物学名称。

尽管如此，随着科技行业追逐所谓的通用人工智能（Artificial General Intelligence ，AGI），这两个领域之间的壁垒变得更加疏松。　　

这项技术隐含的目标，是建成一个具有感知功能的机器，让它可以自己解决问题，而不需要人为训练，并且会有自身独立的欲求。　

让一些伦理学家感到宽慰的是，虽然我们离通用人工智能还有很长一段路要走，但许多计算机科学家和神经科学家都认为，大脑相关的实验将会为我们指明道路。　

另外，几家公司正在争先恐后地打造脑机接口，使接入的假肢能像自然肢体一样活动，或让人们将知识直接下载到大脑中。　

埃隆·马斯克（Elon Musk）建立的Neuralink就是这样一家公司，另一家是由科技富豪布莱恩·约翰逊（Bryan Johnson）运营的Kernel。　

神经科学家正在为这些初创公司提供各种建议，包括如何用BLAST算法在头骨上进行生物信息搜索（howto blast information through skulls），以及确保电极不会在测试对象身上引起感染。　

这两种尝试背后共有的科学原理在马西斯的实验室里是随处可见的。“这是我们老鼠的宫殿。”她说着打开了一间屋子的门，屋子里有几十只老鼠被关在塑料笼子里。　

老鼠们四处蹦蹦跳跳，还翘起了头，抖动着胡须，就像在观察来访者一样。他们干净的房间里只有一丝若有若无的啮齿动物的气味。一束红光照射在他们的笼子上，以确保这种夜行性动物，在白天保持清醒，随时准备为科学做出贡献。　

这门科学实验包括虚拟游戏和一种难度较大的，看起来像原始马里奥赛车（Mario Kart）的游戏。对于后者，一只老鼠跨坐在两个定制的电动圆盘上，它的爪子嵌在两边的凹槽里。

屏幕上会显示一个绿色通道，通道末端是一个蓝色矩形。当老鼠开始游戏，并尝试的去接近蓝色矩形时，它必须小心驾驶，以保持在虚拟路径上。　

和人类一样，这些老鼠在玩耍时眼睛也是呆滞的。一个实验大约能持续半个小时，然后他们就会失去玩游戏的兴趣。　

显微镜观察他们的大脑，记录了惊人数量的信息。马西斯说：“我们（显微镜的观察区域）可以同时覆盖他们大脑大部分的感官、运动皮层和决策区域。”研究人员有时会改变游戏的规则和控制。

例如，让操纵杆在拉动时形成之字形运动，而不是直线运动，然后寻找神经元间信号传递（发光）的差异。马西斯还致力于关闭神经元的子集的研究，例如关闭与学习相关的神经元，以检查其余神经元的反应。　

一个早期的发现是：当涉及到解码运动时，感觉皮层似乎和运动皮层一起发挥着比之前认为的更大的作用。她说：“这些神经元比起参与一件特定的事情的时候更活跃。”　

她的主要动机之一是了解更多关于动物如何快速适应物理环境变化的知识。例如，当你拿起一个未知重量的物体时，你的大脑和身体会迅速计算出需要多大的力来拿起它。　

目前，机器人还不能做到这一点，但或许注入老鼠神经元学习模式的机器人可能做到。马西斯说，老鼠是可以帮助弥补这一差距的异常强大的选手。　

他们的大脑足够复杂，以至于可以展示高层次的决策行为，但也足够简单，让研究人员能够在足够的时间内推断出这些联系。　

我们只是在最近才开发出功能足够强大的计算机，能够捕捉、处理和分析小鼠大脑中约7,500万个神经元中产生的一小部分数据。直到最近几年，人工智能软件才有了长足的进步，使大部分研究工作自动化。　

马西斯和她的丈夫亚历克斯（一名神经科学研究员），开发了一款名为DeepLabCut的开源软件，用于实验体运动追踪。该应用程序使用图像识别技术，追踪老鼠在玩游戏时的微小的脚趾动作变化，并跟踪它对糖水奖励的反应。

科学家们过去常常手动做这类工作，在笔记本上记下老鼠喝糖水的每一口水的记录。现在，该软件只需几分钟就能完成过去需要几周或几个月的人力劳动才能完成的任务。　

亚历克斯说：“2015年有一篇关于灵长类动物的论文，作为实验对象的猴子有不同的任务，比如伸手去拿东西并抓住它们，而学者相应的追踪了相当多的身体部位，比如猴子的指关节、四肢和一只手臂。”　

这篇论文的第一作者写信给我，说如果当时有这个开源软件，他攻读博士学位的时间本可以再短两年。现在有200多个研究中心在用DeepLabCut跟踪各种动物的行为举动。　

这类软件开发和分析吸引了科技公司对神经科学家的兴趣，就像他们渴求洞察动物认知一样强烈。现代大脑研究人员必须知道如何编程并处理大量信息，就像谷歌的人工智能员工要能够改进广告算法或将自动驾驶汽车有并道的能力。　

以动物为中心的神经科学家也习惯于研究非传统的想法。麦肯齐（Mackenzie）说：“你往往会遇到有创意的人，他们有点牛仔的味道。这群人愿意把自己的职业生涯押在研究黑匣子上。”　

蒂姆·奥奇（Tim Otchy）是波士顿大学的研究助理教授。他是热衷研究鸟类的人，不做老鼠实验，他右臂上纹着一只斑胸草雀。照片中，这只矮矮胖胖的小鸟坐在树枝上，忧郁地凝视着天空。　　

他坐在一个堆着类似《细胞性黏菌》（The Cellular Slime Molds）、《非线性动力学和混沌理论》（Nonlinear Dynamics and Chaos）以及《大脑进化原理》（Principles of Brain Evolution）等书的办公室里，说道“我真的很喜欢鸟类。”

上世纪90年代末，奥奇在乔治亚理工学院（Georgia Institute of Technology）攻读机械工程专业时，也曾在一家专门从事工厂系统自动化的公司工作。　　

他的工作是教机器人识别东西，不管是小配件还是汽车零件，并在各类零件配件从传送带上下来时，进行分类。　　

他说：“这项看似简单的任务的难度令我震惊。”这些都是小孩都能做好的事情。他的挫败感让他下定决心要探索感知、决策和学习的内在机制。他离开了工厂，最终去研究神经科学和斑胸草雀。　　

像斑胸草雀这样的鸣禽有一种不寻常的技能。尽管大多数动物本能地知道如何发出声音，但鸣禽需要通过模仿其听到的声音，然后改变曲调，以它们理解到的意思来发声。　　

几十年的研究已经确定了雀类大脑中负责这种行为的结构，也就是众所周知的鸣声核（song nucleus）。　

对这一领域的研究使我们对神经回路的功能有了更深入的了解，同时也为其他有关人类运动、感觉和情感的研究提供了信息。　

弄清楚鸟类是如何互相模仿的，可以帮助解释我们人类是如何做到同样的事情的，这也证明了，向机器教授语言等技能的重要性。

奥奇在波士顿大学对大约300只鸟进行研究。在其中一项实验中，研究人员为一只斑胸草雀配备一个背包，背包里的电池可以为其头骨上的大量电子设备提供电力。　

然后，这只鸟被放置在一个微波炉大小的音箱里，在那里它会连续唱几天歌，而奥奇和他的团队通过类似于马西斯用在老鼠身上的机制观察它的大脑。　　

随着研究人员对斑胸草雀的声音处理核心的了解得越来越多，他们能够越来越准确地回答关于斑胸草雀大脑的问题。“我们现在还不知道如何在大脑中储存诸如怎样骑自行车、如何驾驶直升机或者说日语的信息，”奥奇说，“但总有一天我们会知道的。”

蒂姆·奥奇来这里主要是为了经营这个研究中心——加德纳实验室（Gardner Lab）。在此之前，与之同名的蒂姆·加德纳（Tim Gardner）请假去了Neuralink工作，在那致力于用超高速计算机处理器来改进人脑的研究。　　

因为学生们对马斯克的愿景感到兴奋，所以他的离开在神经科学家和学生中引起了不小的轰动。　　

加德纳对自己这个决定没有任何评价，他正在把实验室搬到俄勒冈大学（University of Oregon），但仍将在Neuralink兼职。　

奥奇说：“现在，这只是一个幻想。但我觉得，终有一天我们可以真的把信息直接写进大脑，听起来很酷吧。我很高兴能够为解决这个问题做出哪怕是一点微小的贡献。”　

鸟鸣研究员是人工智能领域最抢手的员工之一。在加州大学伯克利分校（University of California at Berkeley）完成学位论文并在苹果公司工作一段时间后，钱宁·摩尔（Channing Moore）加入了谷歌的声音理解小组。在那里他创建了与该公司的图像识别软件一样复杂的声音识别系统。这个系统能够区分警报器和哭泣的婴儿。　　

在英特尔公司，伯克利大学的另一位博士泰勒·李（Tyler Lee）正在利用他对斑胸草雀的研究来改进语音处理——这种技术最终会被应用于语音指令软件，如Siri。“我们正试图提出非常相似的问题，”他说，“我怎样才能获得声源，并以一种我能理解一个人在说什么的方式来处理它，他们录音中的噪音是什么，他们所处的环境是什么。”　　

伯克利大学的弗雷德里克·休尼森（Frederic Theunissen）教授是摩尔和李所在的实验室的负责人。　

他说：“许多潜在的应用来自他所监管的典型研究。如果你对自动语言识别和语音识别等感兴趣，你就会获得一套特殊的技能。”　

基于语纹的手机和其他设备的安全系统就是一个例子。另一个是减少电话和视频的噪音，这个应用来自于摩尔对抗噪音鸟类的研究。斑胸草雀的神经元能够从周围的杂音中分辨出另一只雀的叫声。　　

自里根时代以来，学者们一直试图宣布神经科学的时代的到来。但在本世纪初，年轻的神经科学毕业生的数量较少，且未来发展前景灰暗。　　

根据美国教育部（U.S. Department of Education）的数据，15年前，美国大学统计的神经科学本科毕业生不足1,500人，授予的博士学位不足400人。即使学生这么少，学校也没有足够的全职员工和资金支持。　　

2005年，德鲁·罗布森（Drew Robson）从普林斯顿大学（Princeton）拿到数学学位时，他的本科导师给了他一条让他难忘的建议：无论你做什么，都不要从事神经科学。　　

罗布森没有理会，而是和他的伴侣、在普林斯顿就学时的心上人珍妮弗·李（Jennifer Li）一起，成立了罗兰研究所的罗利实验室（RoLi Lab）。　

他们见证了这个领域的发展，现在美国学校每年授予大约5,000个神经科学学士学位和600个博士学位。罗布森表示：“过去10年，我们经历了研究工具的爆炸式增长。”　　

罗利实验室团队研究斑马鱼。它们年轻时候的身体是透明的。这使得研究人员无需头骨板手术和牙科水泥就可以观察它们的神经元。　

罗布森和李发明的一种特殊的移动显微镜可以帮助他们记录鱼在游泳时哪些神经元是活跃的。为了捕捉斑马鱼行为的不同方面，他们可能会改变水流方向，让它们转身或更努力地朝着同一个方向游。

和许多同行一样，罗布森和李非常了解脑科学和人工智能技术之间的关系。去年，这对夫妇买了一辆特斯拉（Tesla），从专业角度而言，他们很乐于看到车的自动驾驶系统不断发展。　

当特斯拉躲避其他车辆时，它回忆起斑马鱼用来实现目标的策略，比如当它们发现捕食者时，就会从捕猎模式快速切换到快速游泳模式。　

随着特斯拉公司逐渐将自动驾驶系统技术深入，从基本的物体识别上升到类人类的决策，他们对此类行为的深入了解有朝一日可能会启发特斯拉对神经网络的学习。　

“这是更多数量级的数据，”李说。“如果你想利用生物学，你基本上可以直接作弊，看看解决方案应该是什么，而不必重复造轮子。”罗布森表示他不介意有朝一日去帮助特斯拉解决这类问题。

在神经科学领域，公共企业和私营企业之间模糊的边界，引发了一个问题：谁将控制人类和机器在未来的合并。长期以来，进行最有野心研究的大学，如今正跟拥有强大计算能力和数据集的科技公司竞争。　

一个刚获得博士学位的人在一所普通大学的年薪有望达到5万美元左右，而私营企业提供的年薪远高于6位数，甚至更高。　　

克里斯·弗莱（Chris Fry），另一个斑马翅雀研究者，在离开休尼斯实验室的15年内，以推特（Twitter）高级工程副总裁的职位每年赚取1,030万美元。“目前学术界有大批人才外流，”老鼠研究人员马西斯表示，“留在学术界只是一种选择吧。”　　

除了工资的因素，许多神经科学家被吸引到私营部门是因为这往往给他们一个机会做更令人兴奋甚至奇怪的工作——更不用说科学家们可以不用再写拨款申请了。　

然而，离开硅谷也可能意味着切断自己有前途的研究路线，或让同事们孤军奋战（leaving colleagues adrift）。当加德纳去Neuralink工作时，他的一个博士生转学了，他只能眼睁睁看着下一个杰出的导师请假去创业。

李和罗布森将于今年9月开始，前往政府资助的在德国图宾根（Tübingen）的马克斯·普朗克生物控制论研究所（Max Planck Institute for Biological Cybernetics）学习。　

这对“鱼夫妇”继续留在公共研究领域，因为他们喜欢罗布森所说的“游乐场设定”，自由且灵活。“是的，动物实验可以对无害、无助的动物做出非自然的事情。他们也可以鼓励以人性化的视角进行实验和应用——这是我们想在人工智中能看到的。”　

四年前，在他们完成他们的可追踪显微镜之前，李和罗布森正在使用一种粘性凝胶来固定年轻的斑马鱼，让他们在原地游动几个小时，以测量它们的神经元是如何发光的。　

一天早上，这两个人来到实验室，发现了一个大惊喜：他们离开的18个小时后，小鱼仍在游动，远远超出了他们的预期。“这个小家伙是冠军。”罗布森说。“完美，”李补充道，“他的表现很完美。”　　

由于实验的严谨性，研究人员没能把他们的英雄基因留存下来，作为弥补，李和罗布森把那位冠军的母亲安置在一个特殊的水族馆里，作为他们的宠物。他们，以艾米·阿克在电视剧《天使》中饰演的聪明绝顶的角色，给她取名为弗雷德（Fred）。　　

罗布森和李表示，人工智能和脑机接口的发展将迫使人类变得更加人道。毕竟，如果我们的目标之一是将我们自己的道德观念灌输给机械，我们将不得不比以往更多地纠结道德的定义。　　

比如，谁应该拥有一个被强化的头脑？自动驾驶汽车应该选择拯救乘客而不是行人吗？机器要有多聪明，才可以被纳入道德考量？“这从根本上来说是一个非常道德的问题——你如何评价生命？”，本科主修哲学的李说。　

“它迫使我们对自己的道德底线提出更严格要求，”罗布森说，“你必须承担相应的责任。”

来源：栈外