大概在四年前瞭解到計算神經學這一學科. 當時感覺這應該是自己最終的歸宿, 先後在coursera上跟過神經元與腦、 計算神經科學兩門課程, 但是都沒有完成.
17後期到18年, 由於個人感情的問題, 整個人的成長接近停滯. 今年好容易狀態恢復. 又拾起這本dayan & abbott經典的<Theoretical Neuroscience>, 準備系統的入個門.
概述
意識問題是現代科學的基本問題之一, 不同的學科對之有不同層次的理解, 並分別試圖從各自的角度來解決這一問題.
生物物理學從的意識的物理材料入手, 研究神經元、 神經迴路的物理性質、電化學性質, 以此來理解意識問題. 神經科學試圖從神經元, 大腦皮層的層面來探索不同腦組織的功能, 通過整合不同大腦模塊, 形成意識的初步圖景, 這兩者都是從還原論的視角來逼近意識問題.
而心理和認知科學則從功能應用的角度出發, 探索意識的作用, 匯總在面臨不同情況時, 意識的反應模式及其功能表現, 試圖通過描述意識的外在表現來瞭解意識.
同時還有人工智慧學科, 通過數學與統計學, 在類比建模的基礎, 使用電子晶元來完成類似於意識的同樣功能, 從而反推意識問題的計算本質.
然而, 前兩者過於微觀, 事實上, 從細胞到組織, 從組織到大腦之間, 這些不同層次間有著巨大的鴻溝, 整體並不等於個體的簡單加和, 這也就是網路科學所談的"湧現", 因此, 單純地研究單個細胞的功能對理解整體固然有益, 但是不從全局的視角來理解每一部分所起的作用的話, 很難將紛繁的生物組織性質納入統一的框架. 從而總結出具有啟發性的觀點.
心理與認知科學則過於聚焦在對不同功能的列舉性描述, 缺乏對於不同認知功能的系統性歸納. 對於研究意識來說, 目的性不強. 而人工智慧的曲線救國路徑, 雖然能夠建造精妙的智能機器, 卻仍然需要更多的工作來去蕪存精, 對所推出與的結論與神經科學的生物事實放在一起, 進行關聯比較分析, 釐定到底哪些是意識計算所必須和共通的部分, 而又有哪些是受限於特定的計算架構和演算法的, 獨特的部分(如gpu分散式計算, 或反向傳播演算法).
計算神經科學, 就是這其中缺失的一環.
計算神經科學, 致力於匯總不同層次的已知實驗現象和解剖學事實, 歸納比較不同生物組織的功能和作用, 通過數學和資訊理論的視角來將這些知識綜合在一起, 解釋從生物神經元、 神經迴路到心理行為的計算過程. 對於智能提出一個統一的框架.
簡單來說, 就是分析神經系統能做什麼, 它們是通過什麼結構, 利用哪些性質來做到的. 為什麼它們要通過這樣的方式, 組織成這樣的形態來完成這一目的.
三種模型
計算神經學科中的模型的可以分為描述性模型, 機制性模型和解釋性模型三種.
描述性模型(DESCRIPTIVE MODELS)
描述性模型整理某一類神經元或者神經結構的大量實驗數據, 總結這些數據, 並提出一個計算模型, 這個模型能夠良好的適配數據, 說明該神經元或者神經結構都做了什麼. 舉例來說, 假說我們現在要提出一個神經元的描述性模型, 我們拿到不同實驗中, 神經元的輸入動作電位和輸出動作電位, 然後我們提出了McCulloch-Pitts模型, 完美解釋了之前的實驗數據, 那麼這就是一個很好的描述性模型, 描述性模型更像是一個黑盒模型, 在這裡, 我們關心的是神經元到底做了什麼---軸突加權和, 非線性轉換並轉出---而不關心它是怎麼做到的.