Edvard Moser表示，過去10～20年，神經科學的進展并不明顯，其中進展最明顯的是跟腦功能相關的一個領域，就是空間定位，我們如何去判斷我們的位置在哪里，以及如何從地點A到地點D。據介紹，通過目前的技術，可以同時記錄成百上千的神經細胞被激活時的情況，從而不僅了解了單獨的細胞的工作，而且研究了大量細胞共同工作時候的機制，。
談到人類大腦和人工智能(AI)之間的關系，Edvard Moser認為，電腦需要得到改進。第一，我們需要電腦利用神經元網絡去運算，它有不同的層次，像神經元網絡一樣有不同的層次。第二，我們希望計算機具備學習能力，因為大腦具備學習能力，大腦通過學習之后能加強腦細胞之間的聯系，基于腦內的活動，大腦可以通過自己內部自動調節使得下一次的表現更好，我們希望計算機也具備這個能力。
現在計算機已經能打敗世界上最厲害的圍棋手，也就是說可以利用人工智能的網絡通過自我培訓掌握這種技能。而在一場VR環境導航的測試中，機器的表現要比非常擅長玩VR游戲的人表現還要好，也就是說計算機超過了人的判斷力。
未來神經科學會有更好的進展，而且這領域的發展會對人工智能的進步產生重大的促進作用。 我們可以利用人腦去提高計算機的能力，我們也可以利用計算機去研究人腦的能力。
以下為Edvard Moser發言實錄：
Edvard Moser：我也要感謝主辦方邀請我參加此次論壇，這里我要解決時間的問題，由于大腦存在復雜性，我們還是用圖畫說明問題，給大家看一個視頻短片，我們看一下人的大腦內部的機制，這里有大量的腦細胞、神經元，他們通過彼此連通，細胞之間的彼此連通，當一個神經元向周圍的神經元發布信號，其實是一種化學反應，然后把信號傳遞給周圍的神經元。通過這種方式，將信號傳輸到整個大腦，但是有多少數量呢?人類的大腦是有不到1000億神經元，每一個神經元跟一萬個神經細胞相連，這樣大家乘一下，有這么多的信息傳輸的通道，它分布在整個大腦中，在大量的信息中我們如何去尋找信息的痕跡呢?聽上去是個非常難的任務，由于它分布在整個大腦，而且數量巨大。說實話，在過去10～20年，神經科學的進展并不明顯，雖然有幾個領域比較好。一個也就是進展最明顯的，這就跟腦功能相關的一個領域，就是空間定位，我們如何去判斷我們的位置在哪里，以及如何從地點A到地點D，這個方面還是取得了進展的。
我們看這張幻燈片。紅色是海馬體，藍色是內嗅皮層，通過兩個大腦的部位來解決人腦的定位問題。
下一張幻燈片。這一張是對前面May-Britt發言的補充，前面她介紹了位置細胞、網格細胞、頭方向細胞、速度細胞等等，這里我又補充了一下，在過去10～20年中我們又發現了更多類型的腦細胞，這些腦細胞就像一個機器構成的螺絲螺母，雖然我們發現了這些細胞，知道了有不同種類的螺絲螺母，但這些不同的細胞如何合作呢?首先我們區分了位置細胞和網格細胞的差別，這里先講位置細胞。
對于每一個我所處的地方都會形成一個獨一無二的地圖，以會議室為例會使大腦中某些細胞激活，通過這些細胞會看到我們所處在房間的什么位置，兩個細胞可以同時被聚合。比如這個房間內腦子里有兩個細胞同時激活，到另外一個房間就不會被同時激活，就會形成地圖的獨一無二性，它涉及到了海馬體和內嗅皮層，但它會形成獨一無二的地圖。只要我們進入了同一個房間的同一個地點都會使得你某些腦細胞被激活，哪怕在睡眠狀態，就是細胞之間維持了一些內在的關系。
這個發現對我們非常有用，在內嗅皮層內的網格細胞有助于幫我們判斷方向和距離，因為我們的矩陣不會隨著你的改變而改變，那么我們在內嗅皮層內還要對這個存儲的記憶進行處理。
再看這張幻燈片，這張幻燈片回答了所有的細胞之間如何配合工作的問題。我們不僅要了解單獨的細胞的工作，我們還要知道大量的細胞共同工作時候的機制，這一方面目前取得了大量的進展，在神經科學方面。現在隨著新技術的出現，使我們可以記錄幾百個甚至幾千個細胞同時被激活的情況，這里給大家展示一個新的技術，用這個新的技術告訴大家我們是如何記錄不同細胞，幾百個、上千個細胞如何同時被激活。一會兒看到一個老鼠在一個盒子里跑來跑去，我們會將一個示位器放在一個大鼠的大腦上，我們看一下非常小的腦細胞是如何被激活的。
一般來說實驗室的機器非常大，但隨著試驗設備的小型化，可以小到研究大鼠的一個腦細胞，像我們知道北京大學也具備了這方面的能力，也跟我們開展了一些研究的合作，一會兒大家看一下我們在試驗室的一些試驗活動的記錄。
(視頻聲音)有了這個微型示波器，我們可以看當大鼠在盒子中跑來跑去的時候，腦細胞的激活情況。這里我們看到大腦皮層的幾百個神經元，我們利用了熒光劑的顯影，當這些神經元被激活的時候，它就會亮起來，那我們可以追蹤幾百個腦細胞的激活情況。我們感興趣的是當小鼠在盒子里跑來跑去的時候，這些神經元如何被激活，以及神經元之間是如何溝通的。我們不僅要研究獨立的腦細胞以及他們之間的溝通，微型示波器是個成像率比較低的顯微鏡，不僅可以用來研究大鼠，也可以用來研究人。
這里我總結一下，這里可以同時看到很多的腦細胞，我們通過觀察來推斷它的機制。
下一張幻燈片，這里我想談時間，我們已經研究空間二十多年了，我們對時間的理解遠不如對空間的理解，好在最近我們在時間方面有了巨大的進展，Albert Tsao是我們的博士生，以前跟我們一起合作。我們來看他的試驗的主要想法，在一個開放的盒子里大鼠跑來跑去，在一個小時內12個盒子，他們看腦細胞的活性，尋找規律，隨著時間的進展，看上面這一排這是300分鐘，大鼠一會兒在黑的盒子里，一會兒在白的盒子里。我們再來看，大鼠的那細胞在12個不同的測試過程中，它的活性。這里有不少的細胞是能反映時間進展的，如果我們記住大腦某一個地方的數量，這里叫做LEC，就是內嗅皮層的外側，LEC這個區域，就會發現與時間相關的腦細胞要比空間的腦細胞多。所以說通過這些細胞的活性，我們可以判斷它們是否主要存在于該區域。
下一張幻燈片。在這里，我們可以推斷把它所有的活動加在一起，可以看它的實際問題。比如當大鼠走進一個盒子的時候，我們可以去培訓它的神經網絡，然后我們讓計算機經過這樣的學習之后去預測，它的預測準確性達到100%，這就說明大腦這個區域在空間區域邊上，這個區域可以說是大腦負責時間編碼的區域，它的精度是非常高的。
下一張幻燈片。這里有一個非常有意思的方面，我們說到時間它有一個問題，因為時間是流動的，它不會重復，所以時間是不可復制的，試驗已經完成了，不可以再重新做一遍。但當我們培訓了老鼠，培訓了它做同樣的事情，做的次數足夠多。比如這里有一個“8”的形狀，專門跑“8”的形狀，May-Britt做的一項研究就是怎么樣去準確的預測老鼠在黑白箱子中的成功率。
我們看在試驗里，老鼠被培訓之后，發現它的成功率更高了，要比之前的成功率更高了，這就說明老鼠的神經網絡它可以學會，這個試驗做的次數多了之后，它可以學會。那么我們得出一個結論，在大腦這個區域，離空間記憶區很近，在這個地方是專門記錄時間的進展的。那么這種隨機的活動，只要它發生的次數足夠多，它會帶來一種周期性，它自己就會生成這種周期性。那么這時候我們就要問自己，時間到底是什么?對于大腦這個區域來說，這個時間不像一個鐘，它只不過是把時間總結出一個規律來，它不是針對自然的時間，而是針對它的一種經歷對它進行編碼。
還有幾分鐘，我介紹一下跟本次論壇有聯系的主題，因為我們講的是世界科技創新論壇，這里我想談談人的大腦和人工智能AI之間的關系，人工智能在過去幾年取得了巨大的進展。過去計算機主要用來更快的運算和尋找信息，但是對電腦來說比較困難的任務是解決那些對人腦甚至老鼠腦來說非常簡單的活動。比如說識別物品，對電腦來說是很難的，怎么讓計算機認識到這兩個物體不是講臺的一部分，對于人腦來說這是很簡單的，但是對于計算機來說它無法識別這兩個物品不是講臺的一部分。
當然，現在計算機這個能力在提升，但是這里我們認識到電腦需要得到改進。第一，我們需要電腦利用神經元網絡去運算，它有不同的層次，像神經元網絡一樣有不同的層次。第二，我們希望計算機具備學習能力，因為大腦具備學習能力，大腦通過學習之后能加強腦細胞之間的聯系，基于腦內的活動，大腦可以通過自己內部自動調節使得下一次的表現更好，我們希望計算機也具備這個能力。
下一張幻燈片。這里舉了兩個例子，這是計算機在下圍棋，現在計算機已經能打敗世界上最厲害的國際圍棋手，也就是說可以利用人工智能的網絡通過自我培訓掌握這種技能。去年，一群在倫敦的deep-mind團隊培訓了電腦，它不需要規則，讓計算機自我培訓，最后一百局以百勝打敗了人的冠軍，所以機器學習也取得了巨大進展。
這個和我們的導航有相關嗎?說到導航又說到我們的網格細胞，這是倫敦的同一群人員，他們培訓了電腦、人工代理。通過給電腦有關空間和方向的信息，看電腦是否能自我學習。首先他們用像對角線這種方式自我組織，讓電腦參與了一個VR環境的導航，這個VR環境里面有很多的門，說你能不能找到從一個點到另一個點最近的距離，這兩個點也是不能直接聯系的。發現機器的表現要比非常擅長玩VR游戲的人的表現還要好，也就是計算機超過了人的判斷力。
這個網絡不僅打敗了人，而且打敗了只有空間細胞和網格細胞的這個機器。未來神經科學會有更好的進展，這是我的合作團隊，那么現在正處于該項研究的非常有趣的歷史時機，而且我們這領域的發展會對人工智能的進步產生重大的促進作用。
我們可以利用人腦去提高計算機的能力，我們甚至可以利用計算機去研究人腦的能力。謝謝大家!
京公網安備 11010502049343號