方栗子 发自 凹非寺 量子位 出品 | 公众号 QbitAI
作为一只AI，该如何观察碳基生物的脑回路？
这个问题，是21世纪“人脑逆向工程”，通往超级AI的路上，需要解决的要事。
谷歌AI要给动物的大脑 (或者局部) ，画出一张3D脑神经地图，来研究它们思考时，走过的神经路线。
比如，给小鸟的大脑画张地图，就能观察到它是怎么唱歌的了。
然而，这项任务并不简单，需要以纳米级的分辨率，给脑组织做3D成像。然后，算法要分析图像里的数据，找到神经元产生的突起，才能发现细胞与细胞之间的突触连接。
由于对图像质量要求很高，即便是毫米级的脑组织，也会产生1000TB以上的数据。
画好地图，主要的难点就是解释这些数据。于是，谷歌决定跟马普所 (MPI) 并肩战斗，就像当初英特尔和麻省理工 (MIT) 联手那样。
不过，团队表示自家的成果，比起今年3月英特尔发布的算法，准确度提升了一个数量级。
于是，谷歌的脑神经地图AI，在Nature Methods期刊上发表了。
那就一起来看一下，这地图是怎么画的吧。
Flood Filling三维图像分割
首先，在庞大的显微镜数据之中，追踪神经突起，是个不小的图像分割工程。
传统算法通常分两步：
先是要找到突起和突起之间的分界线，这里会用到边缘检测器，或者是机器学习分类器。
然后，把每个像素分配到它该在的组别，没有被分界线隔开的话，就分到一起。可以用分水岭 (Watershed) 算法，Graph Cut算法也行。
不过，谷歌团队尝试用一个基于RNN的算法，将两步并作一步。
把算法种在某个像素点上，让它在那里生根发芽——用RCNN预测哪些像素，和开始那一点属于同一个物体，把它们填上一样的颜色就好了。
各种不同的颜色，都是Flood Filling网络自动填的。
ERL测量准确度
预期运行长度 (Expected Run Length) 这个指标，是谷歌和马普所一起设计出来的。
在一张3D大脑图像上，给定某个神经元上的某个随机点，从那里开始追踪。那么，走出多远，算法跟踪就会出错？这就是ERL。
其实，和平均故障间隔 (MTBF) 道理一样，只是这里测量的是距离，不是时间。
蓝线表示，预期追踪距离 (ERL) ，可以看出随着时间的推移，进展可观。
红线表示，错把两个神经元当成一个，的频率。错误率越来越低，也令人欣慰。
小鸟小鸟，给我唱首歌
大概你还记得，文章开头挖了坑的，小鸟唱歌。
△ 斑胸草雀，胸前有高贵的斑马纹，也叫珍珠鸟，会唱歌
谷歌团队真的给一只珍珠鸟的 (一部分) 脑回路 ，做了三维地图。
用参考标准 (Ground Truth) 数据集验证了一下，ERL结果表明，神经元分割的准确度，比前辈们都要好。
金黄色的小球，是两个神经元之间，突触连接的部分。
算法出错不多，只花了很少的人力去修改。现在，马普所的研究人员已经可以用这份地图，来研究鸟鸣时的大脑活动了。
一般生物表示，天籁和音痴的脑回路，大概会很不一样吧。
△ 别开腔，自己人
开源是件幸福的事
论文发表的同时，谷歌AI不忘普天同乐，在GitHub上提供了所用模型的TensorFlow代码。
另外，还有做可视化用的WebGL 3D软件。
大家随意领取。
TensorFlow代码传送门： https://github.com/google/ffn/
WebGL 3D传送门： https://github.com/google/neuroglancer
(付费) Nature Methods论文传送门： https://www.nature.com/articles/s41592-018-0049-4
(不付费) 旧版论文传送门： https://www.biorxiv.org/content/biorxiv/early/2017/10/09/200675.full.pdf
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态
