神经科学家表示，要全面理解人脑的复杂性，需要采用能够更好模拟真实世界情境的新研究策略。
一篇新文章的作者表示，大脑执行“近似概率推断”的能力，无法通过简单任务得到真正研究，因为这类任务“不适合揭示那些令大脑与众不同的推断计算”。
文章指出，大脑会在相互连接、彼此冗余的神经元群体之间进行非线性信息传递，并借助关于世界的概率模型。这个模型通过进化以粗略的形式传承下来，再经由学习不断完善；它依据一般概念和自身的特定偏向，简化决策过程。
这篇文章提出了一项广泛的神经科学研究议程，刊载于期刊《Neuron》。
“进化赋予了我们所谓的良好模型偏向，”Xaq Pitkow说。他是贝勒大学神经科学系助理教授、神经科学与人工智能中心联合主任，同时也是莱斯大学电气与计算机工程系助理教授。
“几十年来，人们已经知道，非常简单的神经网络可以计算任何函数，但这类通用网络可能规模庞大，需要耗费大量时间和资源。
“相比之下，如果你拥有合适类型的模型——不是一个能够学习任何东西的完全通用模型，而是一个范围更有限、能够学习特定事物的模型，尤其是那些在现实世界中经常发生的事物——那么这个模型就带有偏向。从这个意义上说，偏向可以是一种积极特质。我们借此对所处世界中恰当的事物保持敏感。当然，另一方面，如果大脑的偏向与现实不符，就可能导致严重问题。”
研究人员表示，对大脑过程进行的简单测试，例如让受试者在两个选项中作出选择，只能得出简单的结果。
“在我们能够获取大量数据之前，神经科学通过使用简单任务取得了巨大进展；这些任务今后仍会非常有用，”Pitkow说。“但对于我们认为对大脑最重要的计算过程，有些内容就是无法通过其中某些任务揭示出来。”
Pitkow和她的合著者写道，任务应纳入更多样的因素——例如干扰变量和不确定性——以便更好地模拟大脑在进化过程中适应应对的现实世界情境。
他们提出，大脑会依据冗余群体编码之间的统计性交互推断出解决方案。群体编码是由一组对特定输入敏感的神经元所产生的响应，例如物体的形状或运动。Pitkow和她的合著者认为，要更好地理解大脑，描述这些神经元群体计算什么，可能比精确描述每个单独神经元如何计算更有用。Pitkow说，这意味着要像著名视觉科学家David Marr所描述的那样，从“表征层面”而非“机制层面”进行思考。
这项研究也对人工智能具有启示意义，而人工智能同样是两位研究人员关注的领域。
“近年来，人工智能取得了许多令人瞩目的成果，但在某些方面仍会遭遇极为显著的失败，”Pitkow说。
“它们会下古老的围棋，还能击败世界上最优秀的人类棋手；DeepMind的AlphaGo最近就做到了这一点，比任何人预期的早了大约十年。但AlphaGo不知道怎样拿起围棋棋子。即使是最优秀的算法，也高度专门化。它们的泛化能力往往仍然相当有限，”他说。
“我们的大脑拥有更好的世界模型；我们能用更少的数据学到更多。神经科学理论提出了将实验转化为更智能算法的方法，或可帮助我们更深入地理解通用智能。”
麦克奈尔基金会、美国国家科学基金会、Britton Sanderford、通过内政部/内政部商务中心开展工作的情报高级研究计划局、全球大脑西蒙斯合作项目以及美国国立卫生研究院为这项研究提供了支持。
