A Drosophila Whole-Connectome Network Can Learn Human-Designed Cognitive Tasks
本研究表明，雄性果蝇连接组固定的解剖学布线可作为学习人类设计的认知任务（如有界加法和具身关系语言）的有效计算基质，其表现显著优于随机重连的网络。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
人类大脑常被描述为已知宇宙中最复杂的物体，是一个由数十亿个细胞组成的错综复杂的网络，让我们能够思考、移动和说话。几十年来，科学家们一直试图绘制这种布线图，创建被称为“连接组”（connectomes）的详细图表，展示哪些神经元与哪些神经元相连。这些地图通常被用来研究大脑如何控制身体，例如苍蝇如何看到花朵，或人类如何拿起杯子。但一种新的研究方向提出了一个更宏大的问题：如果你将大脑的物理布线图作为计算机程序的骨架，那么这个程序是否能学会那些该动物从未进化出的能力？这是一个测试，旨在验证生物连接的具体形状是否蕴含着某种随机连接所不具备的秘密力量。
韩国科学技术院的研究人员决定使用一只雄性果蝇的完整神经系统来测试这个想法。他们采用了该果蝇大脑的公开可用图谱，其中包含超过16.6万个神经元和近2600万个连接，并将其作为人工网络的固定结构。他们并没有试图模拟果蝇实际的思想或动作。相反，他们训练这个生物骨架去解决两个与果蝇完全无关的任务：加法运算和理解一段关于感觉事件的简单语言。在第一个任务中，网络必须学习将两个数字相加，且总和不超过一百。在第二个任务中，它必须倾听一段关于两种物理感觉的描述（例如，腿部受到强烈的压力，随后是微弱的移动），然后将该描述与事件正确匹配，即使事件的顺序发生了反转。
为了观察果蝇特定的布线是否重要，科学家们创建了一个对照组。他们使用了相同数量的神经元和连接，但将这些链路随机打乱，仅保持每个神经元的连接数不变。这创造了一个“重连”的大脑，它在统计学上与真实大脑相似，但缺乏真实果蝇那种进化而来的特定路径。当他们用加法任务训练真实的果蝇网络时，它表现出了极高的准确度，在从未见过的全新问题上达到了近93%的正确率。而随机重连的网络则表现挣扎，准确率仅约为68%。这一差异是显著的，表明果蝇大脑特定的排列方式为学习数学提供了隐藏的优势，尽管果蝇本身并不做数学题。
在语言任务中，结果甚至更加令人瞩目。在这里，网络需要将感觉输入与词汇联系起来，学习到特定的信号模式意味着“强压力”，并且这发生在“微弱移动”之“前”。研究人员通过四种不同的方式测试了网络——改变感觉信息的输入位置以及单词输出的位置——以确保结果并非仅仅是某种特定设置下的偶然现象。在所有这些测试中，基于真实果蝇大脑构建的网络始终优于重连版本。在最困难的一项测试中（要求网络正确配对场景及其描述，以及反转场景与其反转描述），真实大脑达到了约62%的分数，而随机版本平均仅为44%。在涉及二十个不同随机重连版本的更大规模对比中，真实的果蝇大脑排名第一，击败了所有其他版本。
至关重要的是，这项研究表明，这种优势不仅仅在于拥有正确数量的连接。研究人员发现，真实大脑的成功高度依赖于感觉输入与其所连接的大脑特定部分之间的对齐。当他们扰乱感觉信号，使得输入不再与大脑的自然布线相匹配时，真实大脑的表现便崩溃了，从约61%骤降至仅19%。这证明了大脑的结构不仅仅是一个通用的学习容器；它是一个精密的机器，其中输入的物理位置至关重要。缺乏这种特定对齐方式的随机网络无法从混乱中恢复。
研究结果表明，大脑的布线方式包含了一种可重复使用的学习蓝图，即一种有助于高效解决问题的“归纳偏置”（inductive bias）。这并不意味着果蝇大脑是一个可以处理任何事情的通用计算机。该网络仍然需要从头开始训练，并且如果没有正确的感官输入，它就无法学习。然而，这项研究证明，连接组中生物连接的排列不仅仅是动物过去的记录；它是一种可以被重新用于人类设计认知任务的功能性架构。那些为果蝇在世界中导航而进化的特定路径，同时也为尝试学习算术和语言的计算机提供了领先优势，这一发现挑战了“生物布线仅对其最初进化的行为有用”的观点。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。