Wu Tsai Neuro 与 HAI 再次携手,支持旨在更好地治疗精神疾病、理解大脑发育,并从人类经验中汲取灵感以改进 AI 模型的各项努力。

斯坦福大学的 Wu Tsai 神经科学研究所 和 以人为本人工智能研究院 已向五个在这些学科交叉领域开展工作的项目颁发了第二轮 AI 与神经科学资助 。

神经科学与人工智能之间的联系源远流长:20世纪40年代和50年代最早的人工神经网络模型,既受到我们大脑中生物神经网络的启发,也旨在描述这些网络。尽管这两个领域在数十年间各自发展,但在过去大约十五年里,它们日益相互交融。 

该项目于2022年首次启动, 这项合作性的AI与神经科学资助计划旨在促进的正是这类互动,最初向四个团队各提供为期一年、金额为12.5万美元的资助,用于研究 中风, 帕金森病, 语音解码, 以及 神经元之间连接的精细结构.

这一次,该计划将资助五个团队,他们的研究主题范围更加广泛,包括一项基于婴儿学习方式训练AI模型的尝试,以及另一个致力于将嗅觉——及其伴随的情绪语境——纳入机器学习的研究项目。

“这对神经科学和AI研究来说都是一个不可思议的时刻,” 沈康说道。他是吴蔡神经科学研究所的Vincent V.C. Woo主任、Frank Lee与Carol Hall讲席教授,同时也是斯坦福大学人文与科学学院和医学院的生物学与病理学教授。“我们很高兴能抓住这一时机,与HAI合作支持这些项目,我们相信这些项目将推动对大脑的更深入理解,以及受人类启发的AI在伦理方面的进步。”

James Landay是斯坦福HAI的Denning主任、Anand Rajaraman与Venky Harinarayan讲席教授,也是斯坦福工程学院计算机科学教授。他表示,这些项目旨在造福科学和整个世界。“在HAI,我们一直采取以人为本和跨学科的方法,”Landay说。“与Wu Tsai Neuro合作,我们正在鼓励协作式团队科学,这将推进神经科学、AI,并最终造福人类。”

资助项目

一个基于AI的EEG、fMRI及EEG–fMRI联合抑郁症生物分型框架

  • Cammie Rolle,精神病学与行为科学

  • Ellen Kuhl,机械工程,Catherine Holman Johnson 斯坦福 Bio-X 主任

近期研究 表明,fMRI 脑扫描可以揭示抑郁症的不同亚型,这表明精神科医生可能需要针对每种亚型采取不同的治疗方法。Rolle 和 Kuhl 将使用 AI 方法将 fMRI 结果与另一种脑扫描——脑电图(EEG)——联系起来,然后评估是否可以使用 EEG 或多种方法的组合来细化这些抑郁症亚型并指导更好的治疗。

婴儿如何成为视觉专家?对婴儿经验和大脑数据建模

  • Cameron Ellis,心理学

  • Michael Frank,心理学

  • Dan Yamins,心理学,Wu Tsai Neuro

人类婴儿的学习速度比AI系统更快,尽管他们所经历的数据只是AI系统训练数据中很小且有偏的一部分。Ellis、Frank和Yamins将利用fMRI脑部扫描和从婴儿视角拍摄的视频,研究婴儿为何能如此快速地学习。具体而言,他们将构建一个同时接受婴儿大脑数据和视频数据训练的AI系统,使模型像婴儿一样学习。通过这一研究,他们将更好地理解婴儿如何学习,以及AI系统如何能更高效地学习。

破解神经元细胞类型身份的密码

  • Marius Wernig,病理学

  • Anshul Kundaje,遗传学与计算机科学

发育中的人脑如何产生各种不同类型的细胞——尽管这些细胞在遗传上基本相同——仍然是发育生物学的关键谜团之一。人类基因组的复杂性使这一问题更加复杂。Wernig和Kundaje将借助遗传学和AI的新进展,构建神经元细胞类型的基础模型,以识别神经元细胞类型分化的分子基础。

构建心理治疗的神经图谱:通过大语言模型和拓扑学将治疗对话映射到深层脑动力学

  • Corey Keller,精神病学与行为科学

  • Manish Saggar,精神病学与行为科学

尽管心理治疗被广泛用于治疗精神疾病,但人们对治疗性对话如何实时影响大脑活动知之甚少。Keller 和 Saggar 将在患者参与心理治疗会话期间,记录这些同时也在接受癫痫监测的患者的颅内电活动。他们将利用大语言模型刻画治疗性对话,并运用拓扑学方法绘制不断演变的大脑状态,研究治疗性对话的不同要素如何与神经动力学相关联,其长期目标是构建一部心理治疗的神经图谱,为更有效的治疗提供依据。

从分子到记忆:将人工智能气味图谱与人类大脑活动及个人体验对齐

  • Todd Coleman,生物工程学,Wu Tsai Neuro

  • Emily Fox,统计学与计算机科学

当前的机器学习算法擅长模式识别,但在捕捉人类智能中主观的、依赖语境的那些方面时却力不从心。Coleman 和 Fox 认为,应对这一难题的一条途径是嗅觉。嗅觉是我们日常体验中一个未受足够重视的方面,它超出了我们正在设计的、用来与我们协同工作的人工智能系统所能理解的范畴。两人将利用来自大脑的电磁记录和大语言模型,将大脑活动与个体对气味的主观体验联系起来。在这些体验与神经编码之间建立联系,有望揭示出构建能更好理解人类体验的人工智能系统的新原理。