「个人的一小步，却是人类的一大步。」
1969年7月20日，尼尔·阿姆斯特朗代表人类踏上了布满尘埃的月球表面，这是NASA（美国国家航空航天局）的胜利，也是科学的胜利。
数十亿美元的支持加上NASA领头，阿波罗计划并不是唯一一个由政府组织的改变世界的科学行动。20年前，曼哈顿计划让第一颗原子弹诞生并重塑了现代战争；30年后，人类基因组计划公布了我们的DNA蓝图，成为了人口基因组学和个性化医疗的开端。
近年来，重大科学对大脑的关注度越来越高。而现在，政府又在推进一个可能是我们这个时代风险最高、回报也最高的项目：类脑人工智能（brain-like artificial intelligence）。
为此他们拿出了1亿美元赌自己能在未来十年内取得成功。 由IARPA（美国情报先进研究计划署：Intelligence Advanced Research Projects Activity）和脑计划（BRAIN Initiative）部分项目牵头，MICrONS（大脑皮层网络的机器智能：Machine Intelligence from Cortical Networks）项目试图通过对哺乳动物的大脑皮层进行逆向工程以找到革新机器学习的方法。
这是一个沉重的目标，但听起来似乎很熟悉。欧盟领导的人类脑计划（HBP：Human Brain Project）获得了近20亿美元的投资，瞄准的目标也是大脑分布、计算神经科学和机器学习之间的交叉区域。
但MICrONS和HBP有根本上的不同，不管是技术还是后勤保障方面。
和HBP不一样，MICrONS的目标并不是打造人类大脑的模型，而是正好相反。该项目希望通过绘制神经元在视觉学习期间的形成过程并观察它们如何随时间变化，将感官计算提取到机器可以使用的数学“神经代码”中，从而让机器获得识别、区分和归纳视觉刺激的能力。
最终目标：图像和视频处理能力达到人类水平的更智能的机器。额外收获：让我们更好地理解人类大脑，并收获能让我们更进一步的新技术。
这是一个可靠的策略。而且该项目已经拥有了能帮它实现目标的「全明星队」。对于这个「大脑的阿波罗计划」，我们可以期待什么呢？数十亿美元的问题当今许多人工智能都是由人脑启发的。
以深度强化学习（deep reinforcement learning）为例，这是近几年重塑了人工智能的基于人工神经网络（artificial neural network）的一种方法。这一类算法极大地促进了当今技术的发展，简单举几个例子：无人驾驶汽车、下围棋的计算机、自动语音和面部识别。
大自然也是新计算机硬件的灵感来源，如IBM神经形态的SyNAPSE芯片。这种芯片模拟了大脑的计算架构，并有望以最少的能源消耗带来快如闪电的计算能力。
尽管这些技术已经这样复杂了，但今天的算法仍然脆弱得让人尴尬，在泛化上也很失败。例如，在接受过识别人脸特征的训练后，如果对人脸进行部分遮挡或换一个角度或改变光照条件，机器就无法识别。
而对比鲜明的是，人类却掌握了人脸识别的诀窍。而且，我们能在潜意识里快速建造人脸组成结构的模型，并能很轻松辨认一张新面孔是否是人类——这区别于一些照片标签系统。
即使是对大脑工作方式的粗略想法都能给我们带来强大的人工智能系统。MICrONS进一步推进了这个逻辑：不再猜测，让我们搞清楚大脑究竟是如何工作的，找出人工智能现在所缺少的东西，然后将其加上。显微镜下看世界要了解计算机的工作方式，你首先需要将其分解，看一看组件，查一下线路。然后打开电源，看这些组件是如何进行协同工作的。
这样的逻辑对一块脑组织来说也是一样。 MICrONS计划在纳米级的分辨率上解剖小鼠的大脑皮质。该项目招募了哈佛大学的David Cox和Jeff Lichtman博士这两位神经生物学家来负责这一任务。
去年七月份，Lichtman发表论文阐述了第一次对小鼠大脑皮质一小个立方块的三维结构的完整重建。该项工作只覆盖了1500立方微米，比MICrONS的目标小600,000倍。
这是一个非常困难的多步骤的操作。首先，该团队将使用金刚石到将大脑皮质切割成数千块。然后，研究人员以每天1000块的速度把这些切片贴到一种特殊的条形塑料胶带上。然后再使用扫描电子显微镜对这些超薄切片进行重建，这种显微镜能非常精细的捕捉突触的结构，甚至能看见突触中包含神经递质的微小囊泡。
将大脑组织描绘到这样的详细程度就相当于「测量每一寸土地来描绘美国全国的道路地图」，MICrON项目经理Jacob Volgestein对《科学美国人》这样说。 Lichtman最初的重建工作用去了六年时间。尽管如此，该团队仍然很乐观。据艾伦脑科学研究所主席Christof Koch博士称，多亏了「脑计划」下所开发出的多种新工具，这一过程所涉及到的多种技术的发展速度将会大大加快。 Lichtman和Cox希望能在未来五年内取得重大进展。大脑功能遵循的方式光是绘制大脑的静态线路图是不够的。
并非所有神经元和它们的连接都被用来学习新技能或新信息。更重要的是，学习过程会在物理上改变神经元之间的连接方式。这是一个动态系统，处在不断的变化之中。
要了解神经元是如何功能性连接的，我们需要看到它们的行动。 Cox解释说，我们希望能在小鼠学习新的视觉任务时同步观察到其100,000个神经元的活动。就像把线连接到大脑：科学家将实时观察到动物学习时所发生的神经计算。
为了完成这项艰巨的任务，Cox计划使用双光子显微镜，这依赖于一种只有在钙的存在下才会发光的荧光蛋白。当神经元活动时，钙涌入细胞并激活这些蛋白质，它们发出的光可通过这种显微镜观测到。这让科学家可以直接通过视觉观测到神经网络激活。
这项技术已经存在了些时日。但到目前为止，它还只是被用于神经网络微小部分的可视化。如果Cox成功将其用来大规模成像，可能将会给功能性大脑的绘图和连接组学（connectomics）带来革命性的影响。从大脑到机器同时，MICrONS项目负责人卡内基梅隆大学的Tai Sing Lee博士正使用一种更快速的方法（如果没人试过这个方法）来绘制小鼠连接体（connectome）线路图。 据《科学美国人》报道，Lee计划使用一种独特的条形码标记突触，这种条形码具体是指一种由随机核苷酸组成的短链，而核苷酸正是组成我们DNA的分子。通过跨突触将这些条形码通过化学方式链接起来，他希望可以快速重建神经回路。
如果一切正常，这个过程会比纳米显微镜快得多，并可能在十年内就交出一份皮质层的草稿（精确到一立方毫米）。
作为一位计算机科学家和机器学习专家，Lee的强大技能将很有可能在该项目的下一阶段发挥作用：理解所有这些数据并从中提取出有用的信息以为人工智能开发新算法。 从神经生物学数据到理论再到计算模型将会是非常艰难的一部分。但据Cox说，有一个指导原则可以作为一个很好的开端：贝叶斯推理（Bayesian Inference）。
在学习过程中，皮质层会活跃地将过去的经验和现在的学习进行整合，构建一个不断变化的世界的表征，让我们可以借此预测即将输入的数据和可能的输出。
很有可能不论该团队提炼出了什么算法，它们本质上都会是贝叶斯式的。如果他们成功了，下一步就是彻底地测试他们的逆向工程模型（reverse-engineered model）。
Vogelstein承认现在已经存在很多基于贝叶斯定理的算法了。而已有的算法和我们可能通过绘制大脑图获得的算法之间的关键区别是运用（implementation）。
Vogelstein说，程序员将贝叶斯理论翻译成可执行的代码时拥有数百万种选择。有一些很好，其它的就不怎么样了。与其像我们一直以来那样猜测软件中的这些参数和功能，更有意义的做法是从大脑中提取这些设置，然后将最优的实现方案范围压缩成一个我们可以测试的小一点的集合。
使用这些基于数据的从基础开始的方法进行大脑仿真，MICrONS希望可以在绊倒HBP的地方获得成功。
「我们认为这是一个严峻的挑战，」Vogelstein说，如果MICrONS成功了，它可能「实现机器学习领域的重大飞跃。」 比如说，我们可能最终能了解到大脑是如何从仅仅一个案例中学习和归纳的。揭开一次性学习的谜团能避免对大规模训练数据集的需求。这将使得在现实世界场景中实现功能的算法成为可能，因为现实世界场景通常不能产生足够的训练数据或给人工智能足够时间学习。
最后类人视觉的实现将让机器能够解析复杂场景，比如，那些由监控摄像机捕获的场景。
想一想这对恐怖主义和网络安全的影响。类脑算法驱动人工智能系统将很有可能「对智能界以及更广阔的世界有革命性的影响」，Volgeinstein说。 Lichtmas更是乐观。「不管它产出了什么——不管是什么——它都不是失败，」他说，「大脑（是）……非常复杂的，之前也没有人曾经真正了解过它，所以让我们看一看。那会有什么风险呢？」
Shelly Fan是旧金山加州大学一位神经科学家，从事让衰老大脑恢复年轻的研究。除了研究工作，她也是一位对生物科技、人工智能和所有与神经相关的事物有着永不满足的热情的狂热科普作家。她在业余时间里喜欢划皮划艇、自行车露营和迷失在森林。
