“人腦是世界上最復雜的物體之一，雖然我們對於大腦的研究已經持續了上千年，但人腦仍然有許多未解之謎。”
如何用人工智能技術幫助科學家更好的理解人腦，促進人腦健康，從而探索腦部疾病的肌理？3月15日下午，MK体育二號科研樓CB3-030會議室內座無虛席，微軟亞洲研究院（上海）首席研究員李東勝在MK体育平台AI4S腦科學交叉與轉化系列講座、MK体育平台科學智能系列講座上，帶來了精彩的主題報告《當AI遇見大腦》。
機器學習和腦科學-AI交互計算是李東勝博士的主要研究方向。“世界上最復雜的東西是什麽？”報告以此開篇，從認識大腦到腦電信號，再到數據建模以及醫學臨床運用等，打開了AI與大腦交匯的奇妙大門。講座由腦功能與腦疾病全國重點實驗室、教育部腦科學前沿科學中心、上海科學智能研究院和MK体育平台腦科學研究院共同主辦。
理解大腦的工作方式至關重要。“我們希望用AI來幫助我們更好地理解大腦，然後把這些新的理解用來改善大腦健康，進而提升 AI本身，設計出更好的腦啟發的人工智能。”李東勝介紹了自己的研究思路。”
AI建模加速理解大腦
理解大腦有多種不同的技術，在臨床上比較常用的叫做腦電，它是記錄大腦神經活動的電信號，是研究大腦最重要的生理信號，也是研究腦部變化最便捷的一種方式。腦電信號是通過神經元之間的活動所產生的電信號，這些電信號在神經元之間傳遞形成電場。如果在頭皮上貼一個電極去記錄電場信息，就會得到一個電信號，“腦電信號是醫學閱讀能力的一種方式，我們更關註怎樣用機器去閱讀腦電信號”。
李東勝從最早記錄腦電信號的阿爾法波講起，分析了人在睡眠過程中產生的腦電波。他還以帕金森病人為例，通過解析研究範式提出了兩個問題：如何面臨數據上的挑戰和建模問題的挑戰？
人的大腦有很多功能分區，每個功能區各司其職，負責執行不同的任務。在功能區內部，腦電產生的信號具有很強的關聯性。如果不在每個導聯上去建模，從而從功能區的角度去建模，就可以把不同的導聯用同樣的功能去定性。“這個時代證明了這件事情確實是可以做到的。”李東勝笑言。
人工智能技術顯著提高了腦部疾病檢測的準確性。李東勝介紹了通過新的訪問建模，開發出的一種能更好檢測腦部疾病的工具——人工智能機器人（AI neurologist）。這是一個腦電監控的窗口，大量實驗證明，通過對它的使用，檢測準確率得到大幅提升，有助於醫生進行臨床診斷。在此基礎上，為提升腦電信號的分析效果，李東勝團隊構建了第一個跨數據集的腦電預訓練大模型，解決了現實世界中人類腦電波（EEG）數據的異質問題，並顯著提升檢測腦部疾病、解碼大腦信號等任務的準確性。
神經科學發現啟發AI神經網絡
在李東勝看來，人工智能的設計和優化目標雖與大腦並不完全相同，也無需完全復製大腦的功能，但大腦有很多值得借鑒的機製可以用來提升人工智能技術。
如何通過復雜的神經網絡結構做一些正常啟發的短時間網絡設計？李東勝介紹了通過模擬大腦的計算和通信方式，解決人工智能行業能耗問題的探索。
人體神經元是通過各種連接模式相互作用來處理信息的，其中，前饋激勵和抑製、反饋抑製、側抑製和相互抑製四種類型最為常見。很多現有的人工智能神經網絡僅包含其中的一兩種類型，例如多層感知器只包含前饋激勵，並不能把其他模式都集成到一種神經網絡中。
在這種情況下，基於神經元連接模式的啟發，團隊提出了一種新型神經網絡——CircuitNet。這種網絡模型能夠統一實現大腦中的前向、後向、抑製、促進等各種信號傳輸機製，相比於傳統的多層感知機（MLP）、卷積神經網絡（CNN）、循環神經網絡（RNN）和Transformer等神經網絡，CircuitNet以更少的參數實現更好的效果，更趨同於腦部神經元處理信息的模式，有望在多種任務上取得突破性進展。
“在未來我們非常希望繼續做腦科學和AI的交叉的研究，一方面，我們通過大的啟發讓我們設計出更強的人工智能，反過來，希望用API來幫助科學家們更好地去分析大腦數據，理解大腦功能，理解中國的疾病。”李東勝說。
MK体育平台AI4S腦科學交叉與轉化系列講座是腦功能與腦疾病全國重點實驗室、教育部腦科學前沿科學中心、MK体育平台腦科學研究院聯合上海科學智能研究院啟動的以AI for Science為主題的系列講座，將邀請國內外AI和轉化領域的專家，介紹AI領域的前沿進展，AI工具在腦相關領域中的應用，支撐腦科學和腦疾病的交叉創新和轉化應用。李東勝博士的報告是該系列講座的首場報告，下一期精彩報告敬請期待！
