Transcription
感谢您加入“世界印度首个未来科技与可持续性”播客。今天，我非常荣幸能与您一起，计算机科学系的资深讲师罗曼·B博士。B博士是印度大学的资深讲师，他领导着跨学科计算生物动力学与生物工程实验室。B博士的研究重点是神经信息学、人工智能、癌症研究以及生物动力学的计算模型和分析，特别是大脑。他还参与了致力于动态生物系统建模的生物动力学合作项目。2024年10月，B博士展示了一个模拟大脑神经元生长的模型，这可能对理解与年龄相关的疾病和开发未来神经系统疾病的治疗方法具有重要意义。
所以，B博士，我真的非常感谢您抽出宝贵时间参加播客。我认为，如果您能从这个关于大脑如何生长神经元的计算机模拟开始，并介绍其主要目标，那将是非常棒的。
是的，你好，埃迪，也感谢你邀请我参加你的播客。是的，正如你所说，我们模拟神经元和脑组织的生长。我们本质上感兴趣的是创建计算模型，帮助我们深入了解神经元在自然界中是如何生长的。所以我们实际上模拟了遗传密码是如何指导神经元生长其神经突的。神经元有所谓的轴突和树突，轴突和树突允许神经元通过电信号相互交流。因此，我们感兴趣的是模拟神经元如何获得其最终形态，以及它们如何相互交流以及如何学习，因为神经元是高度可塑的实体。所以神经元是基于经验而发展的，经验不仅塑造了突触，也就是单个神经元之间的连接，而且还塑造了神经元本身的结构形态。神经元极其复杂，目前的AI模型比大脑的神经网络要简单得多得多。我们认为，如果我们能更好地理解大脑是如何发展的，那么这不仅对人工智能，而且对医疗应用都有很多启示。大脑，它极其极其复杂。这些神经元，我们有800亿个神经元，100万亿个突触。它们放电和连接的方式带来了所有高级感觉：视觉、听觉、触觉、嗅觉和味觉。在进行模拟的过程中，你学到了什么？核心学习是什么？你说它有助于与年龄相关的疾病和神经系统疾病，你能详细说明一下这如何有助于干预神经系统疾病和与年龄相关的疾病吗？
这是一个非常好的问题。这里有两个部分：第一部分是它们如何学习，第二部分是神经退行性疾病的生物医学意义。关于第一部分，你可以将学习看作是一件多方面的事情，它不是一个非常同质化的事情。学习发生在许多不同的层面。我是说，细胞和神经元可以改变它们的细胞内特性，它们可以改变神经元上的所谓细胞膜受体密度。所以不同类型的神经元对刺激和某些物质有不同的敏感性，这取决于这些受体在神经元上的分布。这是可以受到经验影响的。但它不仅仅是来自外部经验的经验，比如当我们看到某物，看到一个物体，或者当我们听到一个声音，或者当我们皮肤上感觉到某种感觉时。还有一种是自我产生的经验，我们在发育过程中经常看到这种情况。例如，有所谓的视网膜波。这些是眼睛后部神经组织中的波。这个组织基本上使我们能够看到，因为它将视觉输入转化为电信号。但即使在我们看到之前，当我们还在母亲的子宫里时，我们实际上可以从视网膜本身产生的印象或输入中获得信息。它不是像有外部输入，它自己产生。所以所谓的模式活动，如视网膜波，这些视网膜波塑造了神经元如何发展。通过发展，我再次意味着一些非常复杂的事情，因为这也是神经元形态，神经元看起来如何。正如我之前所说，神经元有轴突和树突，但这些轴突和树突的确切形态因神经元而异。实际上，没有两个神经元是完全相同的，总是有微小的差异。我们正试图更好地理解它们为什么看起来是这样的，因为我坚信，这实际上是理解大脑的关键。我们需要理解大脑是如何获得其结构和形态的，因为大脑极其复杂，它有近1000亿个神经元，大约有10的15次方个突触。这是一个后面有15个零的数字，这是一个巨大的数字。如果你想理解，或者至少获得对这种复杂性的一些见解，我认为我们需要理解这种复杂性是如何产生的。因为遗传密码的复杂性比大脑的复杂性要简单得多。如果你看人类遗传密码，它只有大约20,000个表达蛋白质的基因，所以它比大脑解剖学的复杂性要简单得多。所以我们问的问题是，任何一种输入，无论是自我产生的，还是来自外部环境的，还是由遗传密码产生的，它如何导致不同的细胞类型和细胞形态？大脑中有大约一千种细胞类型，所以它不仅仅是兴奋性或抑制性，或者不仅仅是神经元和胶质细胞，它非常非常多方面，大脑中有许多不同的细胞类型。这让我想到你问题的第二部分，关于生物医学相关性。有些研究表明，可以将干细胞注入某些类型的动物和大脑区域，以帮助治疗某些疾病。这是一个非常令人兴奋的生物医学研究方向，是关于我们能否以某种方式修复患病的大脑？例如，帕金森病、癫痫病或阿尔茨海默病患者，因为他们的神经回路工作不正常。如果我们能够，那就是这个想法，如果我们能够注入神经元，也许在它们的干细胞状态，也许它们可以整合到大脑中，它们可以帮助大脑再次变得年轻，几乎使大脑的一部分恢复活力。所以这就是这种方法的想法，就是替换和再生，并基本上使回路再次健康。现在，这在理论上听起来都不错，但它确实是一项极其复杂的任务，因为正如我刚才所说，大脑中有数千种不同的细胞类型。所以你不能仅仅期望注入干细胞，它就会确切地变成大脑中正确类型的神经元，并且它会像健康大脑中应该的那样确切地整合。这不可能那样工作。因为在发育过程中有不同的阶段，在这些阶段，有某些类型的化学物质表达，例如，或者不同类型的基因在非常特定的时间表达。如果我们想修复大脑，我们就需要了解在什么时间以及为什么它们恰好在那时表达。所以这就是为什么修复大脑依赖于理解大脑的发育，否则你不可能期望注入一些干细胞，它就会神奇地做你想要它做的事情。如果我们想修复它，我们就需要真正理解这种发育模式。计算机模拟是研究这个方向的一个绝佳途径，因为如果我们只是想创建一个模型，原则上我们可以，我是说，有人可能会说，作为一个反对者，为什么不直接做实验呢？为什么需要电脑呢？这可能是一个反对意见。问题再次与复杂性和数据有关。我们现在有来自不同大脑测量的大量数据。例如，我们有解剖学数据，我们看到大脑的结构，我们甚至有发育过程中的解剖学数据。有各种不同的数据集，我们可以看到大脑的结构是如何随着时间变化的，甚至在出生前。因此，鉴于我们现在能够访问的如此大量的数据，我们必须理解它。仅仅看数据是不够的。所以我们需要计算机来整合所有这些数据集，以创建一个解释它们并使它们有意义的模型。而且，计算机通常也可以用来生成预测。所以，我认为这是任何模拟或任何计算模型的非常重要的一部分，那就是它应该生成预测。我所说的预测是，给定我有一些数据，我有一个计算机模拟，理想情况下我应该能够说，好吧，如果我的理解是正确的，那么我应该期望如果我做这种实验，我会看到……我期望看到这种情况发生。这是可以通过实验验证的。这基本上是计算建模的最终目标，那就是生成可以被实验验证的预测。如果它们是正确的，我们可以说，我们现在对它的理解比以前好得多。现在我们可以进入下一步，我们可以迭代地改进我们的计算模型，使它们更加详细，直到我们有一个连贯的大脑发育模型，然后这将对生物医学应用以及技术产生影响。
所以，根据你的说法，我们开始理解大脑，计算建模是其中一种方式，但最终理解数据将是创造干预措施的关键，比如大脑……我意思是，我认为人工智能也被认为是黑箱，而且我认为有工作在进行，你知道，可解释性，你知道，来理解人工智能在后端做什么，因为没有人真正理解它。而且我认为类似的类比也适用于大脑，大脑也被视为某种程度上的黑箱。有各种方法可以，你知道，也许在结构和功能上绘制大脑的地图，但我们仍然离理解或完全绘制出人类大脑的地图很远。尽管我们已经完成了对秀丽隐杆线虫的工作，我们已经完全绘制了它。我们绘制了果蝇的地图，而且我认为最近霍华德和谷歌绘制了人类大脑一立方毫米的地图。这些意味着什么？我的意思是，你认为在某个时候，我们将能够完全在结构和功能上理解人类大脑吗？一旦你认为我们能够达到这一点，你说的生成预测，你认为会发生什么？如果有一天我们能够完全理解人类大脑，你认为会发生什么？
这是一个非常令人兴奋的问题，我应该这么说。我认为，理解大脑本身是一个具有不同深度的问题。我是说，你可以凭直觉理解大脑，或者我们可以定量地理解它。例如，有不同的理解大脑的层次。我想说，或者我的主张是，一个人类个体无法深入理解大脑，因为同时发生的层面太多了。这是一个高度异质化的过程。所以，我认为，但如果你说的理解大脑意味着我们可以潜在地……我们可以潜在地创造出某种与大脑相似的东西，以一种它工作方式相似的方式，它可能在理解某些概念方面具有相似的性能，甚至执行某些任务。那么我认为我们在正确的轨道上。对于简单的任务，或者那些具体和明确的任务，你可以描述，你可以说，好吧，这是我想要你完成的任务，这个和这个。那么，我认为我们在这方面走在正确的轨道上。但大脑，人类大脑不是这样的，对吧？它不像你每次都有一个具体的目标，而你需要实现它。它甚至会自己创造目标。在某种程度上，它没有单一的轨迹。它取决于上下文，下一个目标到底是什么。所以我认为目前的人工智能与人类大脑非常相似。如果我们能更好地理解人类大脑，我认为这将进一步革新人工智能。因为显然，我自己对目前人工智能所能取得的成就印象深刻。我是说，GPT等以及各种其他大型语言模型在各种任务中都取得了令人印象深刻的性能。我认为这很棒，这很了不起。但显然，任何了解大脑或认知的人，以及了解人类心智所能成就的人都会证实，目前人工智能在很多方面仍然远远不够。它并没有真正……我认为它并没有真正很好地理解概念。因为目前人工智能方法通常所做的，比如大型语言模型等等，它们是统计模型。它们根据所学到的东西来预测下一个词。它并不是真正对它所做的事情有根本性的理解。人工智能有不同的方法，有这些更统计的方法，或者数据驱动的方法，你有一些模型，它并不真正像人类大脑那样。但它非常擅长基于我们认为需要的所有数据创建统计模型。目前的语言模型在这方面非常出色。它们非常擅长创建海量数据集的模型。它们利用这些数据来学习和适应数万亿的参数。目前的大型语言模型确实非常大。这个词的名字确实很适合。但问题是，例如，它们不是样本效率高的。我指的是什么？它们需要大量数据。这是大型科技公司目前面临的重大挑战之一。它们想知道如何进一步提高目前大型语言模型的性能，因为它们能做的很多事情都需要更多的数据。这现在真的成了一个瓶颈。这是数据或样本效率的一个巨大瓶颈。我们在这方面做得更好。我可以给你看，也许我可以告诉你一些游戏的规则，然后你就会知道如何玩这个游戏。你不需要看到有人在你面前做成千上万次，你就会理解概念，然后你就可以很容易地从中推广。另一个大问题是，在这些时候，或者目前，这是一个大问题，那就是能源效率。目前的语言模型需要极高的能量。这当然对可持续性不利，而且从道德上讲，这是一个大问题。而人脑只需要大约20瓦。它就像一个灯泡。当然，这是它成熟时需要执行的能量。当然，生长人脑也需要能量。但即便如此，考虑到目前的人工智能需要多几个数量级的能量。所以，理解人脑如何工作的一个重大承诺是，我们不仅可以提高样本效率，还可以提高能源效率。当然，这将是人类和人类的一大进步。
你提到的大型科技公司正在构建这些大型语言模型，因为数据问题，而且它们也不节能。所以它们正面临障碍，因为数据正在枯竭，即使是人工智能生成的数据也没有帮助。但是的，我确信，如果我们朝着受大脑启发的AI发展，那么我们将能够解决所有这些问题，并可能构建更好的机器，也许是我们梦想或试图构建的机器，这些机器具有人类水平的智力。你能解释一下近似贝叶斯计算吗？以及它在提高你的模拟精度方面所起的作用？
所以我们最近发表了一篇论文，我们使用贝叶斯统计来……基本上，精确地确定或推断神经元的生长参数。这是什么意思？正如我一开始提到的，神经元是根据其遗传密码中编码的规则生长的。例如，神经元，在轴突的尖端有一个所谓的生长锥。生长锥可以感知神经元附近的化学物质，或者在其局部环境中。所以，当生长锥感知到某些化学物质时，它就会知道这些是引导信号，它们告诉生长锥在哪里生长。所以，轴突根据其环境中的某些信号生长。没有真正的全局指令告诉每个神经元“你必须长到那里”或“你必须向左长”。在生物学中，只有局部信息交换。这意味着一切都必须在没有全局指令告诉每个元素应该做什么的情况下发生。与我们人类通常构建事物的方式相比，这种方法有很多优点。我们人类通常有一些计划，一些模板或蓝图。然后，例如，如果你建造一辆汽车，我不是建造汽车的专家，但你会有某种蓝图，告诉你“这里，这个部件连接到这个部件”，“轮子安装在这个部件上”等等。所以一切从一开始就有一个预定的位置，而且它非常精确地知道它要去哪里。但大脑不是这样生长的。我们的遗传密码并没有告诉每个神经元它应该长成什么样子。我们的遗传密码并没有告诉每个神经元它应该如何或与哪些其他神经元连接。因为我们的遗传密码中没有足够的信息来做到这一点。所以，在这篇论文中，我们使用了贝叶斯统计方法，我们说，“好吧，让我们假设我们知道一个神经元的最终结果。”有很多关于神经元看起来如何的数据。人们收集了显示不同类型神经元形态的数据。所以有公共数据库，比如我们在这项最近的研究中使用的神经形态数据库，该研究发表在《数学生物学杂志》上。在那里，我们说，“好吧，让我们假设我们有最终结果，我们能否推断出导致这个最终结果的生长规则？”所以，这告诉我们很多事情，因为它基本上告诉我们一个神经元如何生长的规则。这是一个简化的规则，显然，它不是真正发生的最终规则，但它至少让我们更接近真相。通过使用贝叶斯统计，我们能够根据形态推断出规则和这些规则的参数。这与我们刚才所说的关于可解释或可解释人工智能的方向一致，因为现在我们有一个可解释的模型，告诉我们某些神经元是如何生长的。还有其他人，其他实验室，他们只是看看他们是否能生长出看起来相同的神经元。这是另一种方法，我们不是那样做的。我们真的想从根本上理解神经元是如何生长的，因为如果你理解了这一点，你就会理解例如你如何可能……你如何能够让一个神经元以某种方式生长，以治疗阿尔茨海默病或帕金森病。如果你不知道这些神经元在自然界中是如何生长的，我们真的不知道我们如何……我们如何能够玩弄它们或指示它们生成某种形态。所以这真的是关键。通过使用贝叶斯统计，这是一种非常强大的统计方法，我们确实能够表明，我们可以在模拟中生成非常合理、非常准确的神经元形态。我非常乐意进一步探索这一点，并理想地与实验研究人员合作，以便我们能够拥有理论与实践之间的循环，因为这对于计算模型来说非常重要。正如我之前所说，我们需要生成预测，然后这些预测应该被测试，它们将产生新的数据类型，然后这些数据可以被输入到计算模型中。所以，是的，这是我们所做工作的一个简要总结。
非常有趣，非常有趣。B博士，你有没有特别的原因使用海马体区域来生长这个神经元？如果你能分享你开发Biodynamo软件的经验及其在研究中的意义，那就太好了。
所以，并没有什么特别的原因要使用它。实际上，我建议了其他类型的神经元，然后Tobias建议了那些，他更喜欢模拟那些。我对要生长哪种神经元形态没有强烈意见。在这两种情况下，我们提出的问题都是一样的。最终形态是如何产生的？在某些情况下，当连接非常长时，我们需要增加模型的复杂性。所以有一些原因，为什么一种神经元可能比另一种神经元更适合初步研究。但最终，这是可以应用于任何类型的神经元的。所以，它是否是海马体，还是2/3层皮质锥体细胞等等，这真的不重要。幸运的是，在这两种情况下都有数据。所以，是的，我认为这确实需要更多的研究，因为目前从事这项工作的人不多。这就是为什么我们非常感兴趣，当然，与希望与我们合作的其他研究人员建立联系，以便我们能够逐步创建越来越多的模型来解释不同类型的细胞。这将是我的目标，最终我们可以将所有这些整合起来，创建……一开始可能只是一个大脑区域，比如视觉皮层。如果我们有足够的人来做这件事，我们现在就可以模拟它。所以这是一个方面。然后关于模拟部分，这仍然是一个巨大的挑战，那就是你如何精确地计算建模？你使用什么样的实现来进行这种模拟？大约十年前，实际上是十多年前，我们开始研究所谓的Biodynamo合作。Biodynamo是一个国际联盟，我们聚集在一起，致力于通过计算生物学方法来模拟大脑发育。这是我们的初始目标。然后我们也将其用于其他类型的应用，例如癌症。但我们的初始目标是实现一个软件，该软件可以允许从单个前体细胞生长神经元和神经组织，最终是整个大脑。因为我们都来自一个单一的前体细胞，受精卵。所以，所以，所以，这本身就是一个有趣的学术概念，即一个细胞如何产生一个大脑？但从计算机科学的角度来看，这也是一个非常有趣的概念，因为如果你想模拟它，你不能只是快速编写自己的Python代码并查看它是如何开发的。你需要有高度优化的定制软件。这就是我们聚集在一起的原因，因为这是一个高度跨学科的合作。有在高并发计算方面是专家的人，有在计算神经科学方面是专家的人，比如我。有在肿瘤学方面是专家的人。有在基于代理建模方面是专家的人，例如，这是我们正在使用的方法。这种方法称为基于代理建模，因为它假设我们有自主的元素。自主的方式是，没有全局监督者告诉每个元素它应该做什么，但它只是遵循其内部规则。这显然是我刚才解释过的，与生物体中的细胞相同，每个细胞只是遵循其遗传规则。所以，我们所做的是，我们成功地编写了一个高性能的基于代理的模拟器，称为Biodynamo，就像合作一样。Biodynamo是开源软件，每个人都可以免费下载。你甚至可以将其商业化，因为它是在MIT许可下发布的，所以对于商业用途来说非常友好。所以我们设法将其作为开源提供。从那时起，我们发展了很多，公司也加入了我们。我们现在在许多学术出版物中使用了Biodynamo，也在教学和教育中使用。所以我们使用Biodynamo来教授学生计算生物学等主题。到目前为止，这真是一段非常激动人心的旅程。
是的，是的。博士，您还在低温保存领域做过工作。我采访过一些低温保存领域的人。我采访过Alcor的Ala James Arrowood和俄罗斯公司Cryo-Ras的Daniela Medvedev。就低温保存技术而言，目前的状况如何？您认为通过计算建模，您如何加速这项技术？我的意思是，是的，我很想听听您的想法。
首先，这两个主题似乎没有太大关联，比如大脑发育和低温保存。但实际上它们是相关的，因为低温保存也是一个非常复杂的过程，它与不同空间尺度和时间尺度相关。在低温保存中，人们所做的是，他们有一些生物材料，比如悬浮的细胞或某种组织，甚至可能是脑组织。他们想保存它，也就是说，他们想降低代谢率，以便他们可以理想地保存任意长时间。显然，如果我们可以为包括神经组织在内的大型组织做到这一点，那将具有非常深远的影响，用于生物医学目的，也用于太空旅行等。例如，前往火星的旅行将需要六个多月。所以我们需要考虑解决这些问题的潜在方法。保存或生物静止和低温保存很有趣，因为它们为许多问题提供了许多解决方案，包括例如目前缺乏……没有足够的器官供人们移植。在所有国家，器官移植都有很长的等待名单。如果我们能够低温保存这些器官，那将是巨大的，这将拯救许多人的生命。然而，一个挑战正如我所说，是这种复杂性。因为如果你有一些组织想保存，你首先需要添加某种化学物质，某种所谓的低温保护剂，它可以在低温保存过程中保护免受损伤。因为低温保存通常对细胞是致命的，因为冰晶会破坏细胞膜或细胞内细胞器等。所以问题变成了，我们如何使用这些化学物质，以及应该以什么浓度添加这些化学物质？因为这些化学物质通常是有毒的。所以我们不能只是尽可能多地将这些化学物质泵入组织。我们需要非常小心。而且，这也取决于我们添加化学物质的温度。因为如果温度很高，我们添加这些化学物质，那么好处是它会很好地扩散。扩散常数与温度正相关。所以温度越高，扩散越好，它就能更好地保护组织，在空间上或体积上。但问题是，毒性也与温度相关。所以它在较高温度下毒性更大。所以，如果我们降低温度，我们添加了化学物质，它的毒性就较小，但它将不再有效地保护组织，因为它根本不扩散。所以有很多问题：应该使用什么浓度？应该使用哪种低温保护剂？因为有许多不同的低温保护剂，没有一种是完美的。它们都有问题和挑战。有些在细胞内起作用，有些在细胞外起作用。还有，我们冷却组织的速率如何？冷却组织有不同的方法等等。所以，我想说的是，我不想在这里过多地深入细节，但我想说的是，低温保存是一个非常复杂的研究领域和学科，而且我认为科学界长期以来没有充分认识到这一点。通常人们认为低温保存只是一种工具，你知道，你只是有你的细胞，然后你保存它，它应该工作或不工作。但很少有人真正试图改进保存，特别是从计算的角度来看。因为正如我之前所说，计算方法或模型很重要，当你拥有非常复杂的数据时。因为没有人脑能够单独掌握所有这些不同的因素。所以，我们用Biodynamo所做的是，我们创建了一个名为CryoDynamo的软件。在那里，我们可以模拟温度动力学如何随时间影响组织。因为Biodynamo和CryoDynamo是多尺度建模软件工具，它们可以模拟不同尺度的组织。所以，我想将计算组件引入低温保存研究，或者更多地引入。当然，有人使用计算方法，但并不多。但我认为，如果我们能更好地用计算机模拟低温保存，我们就能真正大大改进低温保存。因为目前它主要是一种实验学科。所以人们使用某种低温保护剂，他们看看会发生什么。它工作得好不好？这更多的是一个试错过程。而且，目前没有办法设计低温保护剂。理想情况下，如果你能以某种方式说，“好吧，基于分子结构，对于这种组织，我们应该使用这种低温保护剂。”这将彻底改变低温保存。但我们还没有达到那个阶段。我认为我们需要在整个低温保存过程的计算建模方面取得进展。这在许多不同领域都有应用，正如你之前所说，包括器官保存。除了这些，我的意思是，这些低温保存方案，计算建模是否……你是否与任何处于低温或冷冻器官保存领域的初创公司合作过？以及你的时间表是什么意思？我的意思是，你认为我们一旦冷冻了这些器官，如果我们找到了正确的方案，你认为会有……一种技术，我们可以有一天复活这些器官或这些冷冻的……是的，这些都是好问题。所以，关于第一个问题，我们写了一篇手稿，几乎准备好提交了，其中我们展示了我们可以通过计算优化来改进慢速冷却后冷冻保存的细胞的活力。所以我期待着很快提交。而且，我们实际上最近创建了一家公司，大约一年前，我们希望利用这种计算模型和优化方法来彻底改变低温保存，利用人工智能。公司名为Oxford Cryo Technology。我们有一个网站，所以有兴趣的人请看看，并与我们联系。我们希望使用这种方法，当然，我们需要生成数据。所以这是我们目前的主要挑战，那就是生成数据，然后这些数据可以为计算模型提供信息，以改进低温保存能力，甚至可能导致新型低温保护剂。因为目前我们仍然使用一些已经存在了相当一段时间的低温保护剂，而且我们实际上无法通过计算设计这种低温保护剂。尽管在生物医学领域，现在有越来越多的药物可用，其中一些已经上市，它们是计算机设计的。所以我想遵循类似的途径进行低温保存，我们使用人工智能来设计新的低温保护剂。所以，是的，这绝对是我们正在追求的事情。至于你的另一个问题，复活？是的，复活。这在很大程度上也取决于……在保存后，当它处于冷冻状态时的质量。当然，有不同的因素。我是说，一个因素是，你能在不造成太多损伤的情况下降低温度吗？我是说，可能会有一些损伤，因为幸运的是，生物系统通常相当健壮。所以，如果……如果一定比例在冷冻保存后受损，那也不是什么大问题。但显然，它不应该达到某个阈值，而这个阈值可能取决于它到底是什么样的组织，以及它是什么类型的损伤。然后，复温过程也是一个可能导致损伤的过程。我们的合作者，塞维利亚大学的Ramon Risco教授，他正在研究复温，例如，以便复温过程可以更加均匀。因为如果复温只发生在某些地方，这可能导致压力和裂缝等。但最终，我认为没有一个问题可以说，“好吧，冷冻保存后无法复活。”我认为原则上是可能的，但我们需要改进，我们需要研究。因为目前，正如我所说，特别是计算组件在低温保存方面并不先进。有一些有限的研究，它们非常令人兴奋。而且，也有一些非常成功的成果。就在今年，有一篇论文发表，其中某些类型的神经组织可以被冷冻保存，并且在保存后具有良好的活力。然而，这些神经组织是不成熟的。所以还没有证明你可以保存成年或完全发育的神经组织，并且在冷冻保存后仍然保持其质量。
所以，除了神经元模拟和低温保存之外，您的工作还包括……您提到了视网膜发育的计算建模、神经元自组织以及用于健康的AI。您想分享您实验室的任何最新进展吗？
是的，我有一些研究方向，它们都与神经发育有关。例如，我的一个学生一直在研究早产。目前，早产发生得相当频繁。我认为超过10%的出生是早产，即在37周之前出生。我们知道，在这些早产儿的大脑中，通常存在某些改变。我们创建了一个模型，能够很好地捕捉这些改变。我的一个学生现在正在伊斯坦布尔举行的复杂网络会议上展示这项研究。这是一个非常令人兴奋的研究方向，因为它再次有助于我们更好地理解当大脑出生时，或者当婴儿早产时，大脑中会发生什么，并可能帮助我们解决这些改变。因为这通常会极大地影响早产儿的生活。如果你更好地理解到底发生了什么，比如连接方面，这就是我们所研究的，我们研究了早产儿大脑区域之间的纤维束。我们可以……我们可以证明我们有一个，或者我们有一个假设，似乎工作得相当好，它解释了哪些连接是不同的，以及为什么它们是不同的。所以，这是我们研究的一个方向。我们还研究了另一个方向，这是与Biodynamo一起完成的，我们又接近了这个项目的尾声。我们正在完成这个项目，并希望很快写一篇论文。我们使用Biodynamo来模拟大脑的整个皮层柱。哺乳动物大脑有所谓的柱状结构，它们在整个皮层中重复出现。我们创建了一个模拟，解释了这种柱状结构是如何生长的。这当然不仅对人工智能有影响，因为如果你能生成也具有这种组织的人工智能，那么我们可以说，我们正在接近人类类型的人工智能，它有很多优点。它更具可解释性，它与生物医学应用等更相关。所以我们在这方面也做了一些工作。所以，是的，我们目前正在追求许多令人兴奋的方向。关于神经网络，我的另一位博士生，他现在也即将完成他的项目，所以我希望明年我们很快就能有一些非常好的论文。这是一个关于更高效的人工智能的非常令人兴奋的项目。正如我在开头提到的，这些神经网络通常有许多参数需要学习，这也是它们训练起来需要如此多能量的原因之一。我的学生一直在研究创建人工智能或神经网络，它们具有更少的连接，因此需要更少的时间，更少的训练，并且需要更少的能量来训练。而且，它们甚至有时比更大的网络表现更好。这很有趣，因为如果你看人类大脑，它的连接是相当稀疏的。它不是像……如果你看这边的神经元，它很可能连接到另一个神经元。不，它们通过非常大的……有时它们连接，通常它们不连接，在大多数情况下。有时它们通过大范围的轴突连接。但通常大脑是稀疏连接的。而目前的人工智能方法通常需要大量的连接。所以我们从人类大脑的组织方式中获得了一些灵感，以创建一种更节能、更高效的人工智能。这是另一个令人兴奋的研究项目，希望我们很快就能发表。
博士，我的最后一个问题是，您认为如果您克服了哪些挑战，将加速您的工作和研究，并描绘出未来的图景？因为您提到了您目前的工作是模拟一个神经元，然后您的团队正在研究模拟整个皮层柱，最终，当……在谈话过程中，我们提到了……模拟或……整个大脑。如果你走上这条路，那么有很多神经系统疾病。你能描绘一个未来，在那里我们可能能够解决这些神经系统疾病，并解决它们吗？
是的，是的，这是一个非常好的问题。关于第一个问题，关于目前的瓶颈或挑战，就我而言，我认为瓶颈仍然是计算方面的。我们有大量数据，但我们在创建能够解释所有这些不同数据的计算模型方面受到限制，主要是因为性能。正如我提到的，Biodynamo非常高效，它可以模拟数十亿个元素，但距离模拟整个大脑还有很长的路要走。所以，我认为重要的是，如果我们能够……如果我们能够使用云计算，如果我们能够将Biodynamo模拟分布到世界各地数百甚至数千台服务器上，那么我认为我们实际上可以模拟整个大脑。当然，这将对生物医学应用或技术应用产生深远的影响。所以我认为，如果我们能够解决这个问题，如果我们能够以某种方式调整Biodynamo，使其能够使用云计算，甚至手机。我们都有手机，大多数人都有手机，它们通常没有被使用。如果我们能够以一种公民科学类型的项目来分配这些……闲置的计算机硬件，无论是在手机上还是在家中未完全使用的笔记本电脑上，那将是一个真正的梦想。因为那样的话，我们在计算性能方面就不会受到太多限制了，我们可以真正地扩展我们的模型。正如我之前提到的，我的学生目前正在模拟整个柱状结构，但这距离整个大脑还有很长的路要走。所以我认为我们需要支持来创建……计算机基础设施，能够利用可扩展的，理想情况下是云计算或公民科学类型的基础设施。这就引出了你问题的第二部分。所以，如果我们……
如果我们拥有这个机会，并且您能够创造出整个大脑的数百万个模型，这将带来巨大的进步。我将详细阐述技术方面的突破。人工智能研究中一个非常好的领域是神经人工智能研究，这是一种更具生物学现实性的方法，我们可以进行更像大脑的计算，这意味着我们也可以通过尖峰进行计算，这是当前人工智能所做的与此最大的不同。在当前的人工智能中，我们没有尖峰，我们有人工神经元，它们具有模拟值，但这并非大脑的工作方式。大脑中的神经元会产生尖峰，它们有短暂的动作电位，这些信号然后传播到其他产生尖峰的神经元，以此类推。这不仅更节能，而且在处理随时间变化输入方面也具有优势。我不会在这里过多深入细节，但使用尖峰在效率和时间方面都有一定的计算优势。
如果我们能够创造出具有这种尖峰神经元的人类大脑模型，那么我们将拥有一个完全不同的计算方式。我们可以创造出新型计算机，它们更节能，并且不是集中的。这样，我们还可以创造出微小的尖峰计算设备，它们可能像传感器一样分布在其他地方，并在边缘进行计算。这被称为边缘计算。如果我们能采用这种方法，如果我们能理解大脑的工作原理，我认为我们也会在边缘计算方面取得进展，因为大脑是高度分布式的。我们大脑的不同部分有不同的功能，如果我们理解大脑如何实现这种功能分区和模块化，我认为我们可以创造出一种完全不同类型的计算机，它将远远优于我们目前使用的任何类型的计算机，并且会更节能、更具可持续性。
然后，关于生物医学的进步，正如我之前所说，阿尔茨海默病、帕金森病以及其他各种与年龄相关的疾病都可以得到解决，因为我们本质上将拥有大脑的计算机模拟表示或大脑模型，我们可以在这个大脑上测试不同的药物。显然，我们仍然需要进行实验，但我们可以进行互动，并且我们将加速整个药物开发过程，因为我们拥有大脑的三维表示，拥有正确的计算建模类型，以及跨不同尺度的正确细节类型。因此，我们甚至可以在模拟中测试，例如，如果我在模拟中刺激大脑的某个特定部分，它将如何影响整个网络？它会做什么？我们可以做出预测，这将使我们在进行实际治疗之前，在计算机上测试各种不同类型的治疗方法，从而提高整个治疗开发过程的疗效。
今年我们实际上发表了一项使用 BAMO 的模拟，我们模拟了癌症治疗的放射治疗。虽然这不是针对大脑，但原理是相同的。我们可以使用 BAMO 来优化放射治疗，从而减少我们不希望出现的副作用，并通过这类模拟来改善治疗效果。因此，使用 BAMO 以三维方式创建整个器官模拟是一种非常令人兴奋的方法，因为它将使我们能够更有效地治疗任何疾病。
医生，我非常感谢您抽出时间参加播客。我希望正如您所说，有更多的计算能力，能够有一天也许在计算机上模拟整个您所说的人类大脑。如果我们能做到这一点，我想象一下我们将会进入一个什么样的世界，拥有大脑的数字副本，您可以测试某个问题，测试某个干预措施，比如药物，看看它如何起作用，然后知道“哦，这个东西有效”。那个世界将是如此美妙，因为我认为今天我们面临着如此多的问题，尤其是这些神经系统疾病，它们会完全摧毁一个人。我认为如果我们能够以某种方式在计算机上创建完整的人类大脑模型，我们将能够做出的事情将是惊人的。所以，祝您和您的整个团队一切顺利，愿您所需的基础计算 GPU 基础设施能够以某种方式到位。我真心祝愿您工作顺利。
我的听众朋友们，如果您喜欢您所看到和听到的，请按下订阅按钮。下次再见，拜拜。
非常感谢您，医生，我非常感谢您。
谢谢，很高兴与您交谈。