尽管投入了数十亿美元并经历了数十年的研究，人类大脑中的计算过程在很大程度上仍是一个谜。与此同时，我们在人工神经网络的发展方面取得了长足进步，这类网络旨在大致模拟大脑的计算方式。我们从这些人工大脑中学到了许多关于神经计算本质的知识，现在是时候将所学应用回生物大脑了。
神经系统疾病在全球范围内呈上升趋势，这使得更好地理解大脑中的计算成为一个亟待解决的问题。鉴于现代人工神经网络解决复杂问题的能力，由机器学习洞见指导的神经科学框架可能会揭开关于我们自身大脑及其如何发生故障的宝贵秘密。
我们的思想和行为是由发生在大脑中的计算所产生的。要有效治疗改变我们思想和行为的神经系统疾病，例如精神分裂症或抑郁症，我们很可能需要理解大脑中的计算是如何出错的。
然而，事实证明，理解神经计算是一项极其艰巨的挑战。当神经科学家记录大脑活动时，所得结果往往难以解读。
在一篇发表于Nature Neuroscience的论文中，我与合著者认为，我们从人工神经网络中学到的经验可以引导我们走上正确的道路，将大脑理解为一个计算系统，而非一堆难以解读的细胞的集合。
脑网络模型
人工神经网络是计算模型，它们在一定程度上模拟了真实神经元的整合与激活特性。它们在人工智能领域已无处不在。
构建人工神经网络时，首先要设计网络架构，即网络的不同组件之间如何相互连接。然后，为该架构定义学习目标，例如“学会预测你接下来将看到什么”。接着，定义一条规则，告诉网络应如何改变，以利用其接收到的数据实现该目标。
你并不需要规定网络中每个神经元将如何运作，而是让网络自行决定每个神经元应如何运作，以最好地完成任务。我认为大脑的发育很可能也是类似过程的产物，无论是在进化的时间尺度上，还是在个体一生中学习的时间尺度上。
神经元角色的分配
这使人们对试图确定大脑中单个神经元功能的做法的有用性产生了疑问，因为这些神经元很可能是类似于人工神经网络中所见的优化过程的结果。
人工神经网络的不同组件往往非常难以理解。目前还没有简单的文字或数学描述能够准确解释它们的具体作用。
在我们的论文中，我们提出同样的情况也适用于大脑，因此我们必须摒弃试图理解大脑中每个神经元作用的做法，转而研究大脑的架构，即其网络结构；进化时间尺度上或个体一生中的优化目标；以及大脑在代际之间或个体一生中自我更新以实现这些目标的规则。通过定义这三个组成部分，我们或许能比试图说明每个神经元的功能更好地理解大脑的运作方式。
优化框架
这一方法的一个成功应用表明，大脑中释放多巴胺的神经元似乎编码了关于意外奖励的信息，例如意外获得某种食物。这类被称为奖励预测误差的信号，常被用于训练人工神经网络以最大化其所获得的奖励。
例如，通过将人工神经网络编程为将电子游戏中获得的分数解释为奖励，您可以利用奖励预测误差训练该网络如何玩这款电子游戏。在真实的大脑中，与人工神经网络一样，即使我们不理解每个单独信号的含义，我们也能够理解这些神经元以及接收其信号的神经元在最大化奖励这一学习目标中所起的作用。
尽管系统神经科学的现有理论优美且富有洞见，但我认为，一个以进化和学习塑造大脑的方式为基础的统一框架，可以填补我们一直苦苦探索的许多空白。
要在系统神经科学领域取得进展，既需要自下而上的描述性工作，例如追踪大脑中细胞的连接及基因表达模式，也需要自上而下的理论工作，利用人工神经网络来理解学习目标和学习规则。
鉴于现代人工神经网络解决复杂问题的能力，由机器学习洞见指导的系统神经科学框架可能会揭示关于人类大脑的宝贵秘密。
