大脑是由几百亿个神经元结合而成的复杂系统，涌现出复杂的神经动力学。大脑的结构和动力学特征如何帮助实现高效的信息处理和计算功能，涌现出高度的智能？大脑作为演化过程中受到多种限制的生物智能系统，如何启发实现更先进的人工智能？模仿大脑的人工神经网络如何反过来帮助理解大脑的神经表征和计算原理？
我们可以把大脑看作是一个信息处理的机器，它在不断地进化或是在成长过程中经过不断地学习和训练，具有很多突出的复杂“结构-功能-行为”的关系。从这种角度为理解人类的智能打下一定的基础。神经科学和人工智能的发展相辅相成，神经科学启发了人工智能一些模型和算法，而人工智能可以作为工具在神经科学中进行数据的分析和特征的抓取，另外作为模型来理解大脑运作的一些原理。有关这最后一点，本次读书会主要介绍如何运用机器学习方法来理解人类对于时间处理的特征，最后简要地介绍了未来的研究发展方向。
大脑具有两种物质，即灰质（皱褶的皮层表面，大部分是神经元，还有局部的一些树突和轴突）和白质（连接不同脑区的长轴），这两种物质构成一个计算的功能性系统。根据功能可以把大脑划分成不同的系统：视觉系统、感觉运动系统、前额叶系统等。大脑的功耗大约占据功耗的20%，就其功能而言，大脑是一个非常高效的系统。大脑中的皮层通过皱褶的方式，在有限的空间内容纳了大量的神经元，同时也缩短了脑区间的连接距离。研究表明，大脑灰质和白质之间存在标度关系，实际上反映了大脑作为一个生物体的智能系统，在空间和能量的限制下通过优化保持了高效的计算能力，这是类脑计算学科可以参考的。
神经元是神经系统基本的计算单元。一个神经元包括细胞体，轴突和树突，不同神经元之间的通讯通过化学突触和神经递质的释放来实现。从结构上来看，局部的大脑回路相当于一种随机网络，从更大尺度上我们可以看到大脑还有其他的柱、层的组织结构。人类成年大脑含有将近860亿个神经元，每个神经元与上万个其他的神经元线连接，形成一个非常复杂的计算网络。
那么，我们如何采集数据来得到大脑的网络结构？在动物模型里，通过注射追踪剂，研究者观察试剂分子如何从一个脑区到底另外一个脑区，以此得到脑区间的连接结构。比如，研究者通过这样的方式发现小鼠的大脑可以被划分为很多的脑区，不同脑区之间有许多复杂的连接。对于人类而言，由于无法使用这种有创的研究方式，研究者替代使用影像学的方法来检验脑区之间的连接，比如磁共振研究中的扩散影像技术DTI。这种技术利用磁场检验水分子在大脑组织中的扩散速率不同，通过间接的方式来估计大脑之间的连接结构，得到人脑的结构网络。
神经系统是一个非常强的非线性系统，我们可以把神经系统的运作看作将输入进行非线性转换得到输出的一个过程。对于神经元而言，输入要达到一定的阈值才能发生反应，产生神经发放。大脑中的几百亿个神经元的大量结合，构成了一个复杂系统，可以涌现出许多复杂的动力学，比如多个神经元无规则的发放形成了大脑在不同频率上震荡的信号。大脑的这些动力学特征如何参与信息处理和计算形成智能，以及大脑如何通过不断进化学习来实现其功能，都将启发和促进人工智能的发展。
近年来，神经科学与智能系统的交叉引发了人们对大脑的深入思考。我们已经将大脑视为一种智能系统，这种观念源于对大脑内部多层次结构的启发，如视觉系统等。人工智能的第四波，尤其是深度网络，直接受到了大脑多层次组织的影响，尽管存在简化。在多层次的视觉系统中，内部连接复杂，存在前馈和反馈，这两者不仅仅在两层之间，而是可跨越多层次。相比之下，真实的生物智能系统比人工智能系统更为复杂。
现今，人们广泛讨论大型模型如GPT，但其训练代价巨大。以前几年训练亿级参数神经网络为例，其消耗相当于一辆美国汽车一辈子的能量的几倍。因此，人工智能的大量训练可能对能源和环境产生巨大影响。
值得强调的是，大脑可以从多个角度来看待，它是一个复杂的系统，也是一个功能丰富的器官。在自然演化过程中，大脑受到多种限制的制约，如能量和功能的限制。这种平衡体现在结构、动力学和功能输出上。类脑的研究正是基于对大脑本质的思考，以及我们可以从中学到的东西。大脑作为生物智能系统，其限制非常强，但如果对能量和功能的限制放松，可能会找到比大脑更优越的运作方式。然而，机器不会感到疲惫，因此可以不断训练学习，超越人类，这值得我们反思。
神经科学与人工智能的交叉研究，揭示了大脑结构、动力学和功能之间复杂的关系。在研究大脑结构时，我们关注神经元之间的连接方式，包括树突轴突连接以及不同脑区之间的网络连接。这些连接呈现出多层次、模块化的特点，揭示了大脑内部的复杂结构。
神经动力学方面的研究发现，神经元的活动具有自组织涌现的特征，表现为神经雪崩现象。这种现象在不同尺度上都存在，从单个电极到整个大脑，都可以观察到神经元群体的集群发放行为，表现出一种临界活动状态。这种状态使得大脑对外界刺激非常敏感，能够随时做出响应，实现各种功能，而且消耗能量较少（Friedman et al., 2012; Softky & Koch, 1993）。
人工智能系统的运作也受到神经动力学的启发，尤其是在处理任务时的自发状态和任务状态之间的关系。通过分析大脑活动的波传播模式，可以预测大脑的表现和反应，从而更好地理解其运作机制。这种研究为我们提供了深入了解大脑与人工智能之间关系的新视角。
近期的研究趋向于从复杂性角度理解大脑的运作。复杂系统理论以及能量限制等角度被运用于解释大脑的复杂连接和活动模式。大脑被视为一个网络，其组织形式与个体的认知能力以及不同尺度下的局部回路动力学有关。在认知心理科学中，智力常被讨论，涵盖了诸如自由流体智力和晶体智力等不同的功能，例如语言。流体智力，如推理和反应速度，并非直接可测量，而是通过任务表征。举例来说，一位理科生在数理化方面表现优异，而文科生可能在历史、语文或地理等科目表现更佳。通过在人群中对这些任务表现进行协方差共变分析，可以得出其能力水平。这些能力之间存在相关性，因此可以通过测量某种智能来了解这种相关性。有趣的是，人类智力体现了处理多个能力的多任务总体能力，这对于评估智能系统的行为具有重要意义。
在探讨大脑神经突触的复杂性时，我们需要了解其多层次的结构和动态特性。大脑的结构网络具有多个层次，这些层次与其动态特性相互交织，以实现最优的组织排列。我们利用DTI技术获得大脑的结构网络，将大脑划分为200多个脑区，并量化了它们之间的连接强度。这种连接强度矩阵通过模式分解，类似于量子力学中的能级分解，揭示了大脑的激发和抑制模式。这些模式反映了不同脑区之间的相互作用，如左右脑或前后脑等。通过进一步分析，我们发现大脑的连接形成了多层次的模块化结构，其中包括左右脑和前后脑等更细分的层次。这种多层次的结构突显了大脑神经网络的复杂性和精妙性，为我们理解大脑功能的复杂性提供了新的视角。
大脑可以被视为一个网络，其中动态过程被描绘为连接局部并受到激发的动力学模型。这种激发引发了所谓的功能连接，即不同脑区之间的神经活动关联性。随着连接的耦合强度增加，脑区之间的关联也随之增强。实际上，真实大脑的平均关联度约为0.4，与模型数据相符。在动态状态下，脑区之间的连接强度会不断变化，表现出丰富的动态特性。大脑结构具有多层次，破坏其中一些层次会导致不同模块的形成。这种多层次结构和动态特性使大脑处于最优状态，为其作为智能系统的功能提供了基础。功能网络的分析表明，大脑系统具有整合和分化的特性，其特征值反映了整合与分离的强度。
在研究中，我们发现大脑的整合程度与耦合程度正相关，而分化程度与耦合强度呈负相关，而且这种关系正好在一个临界点达到平衡。通过使用1200多名个体的磁共振数据，我们发现大脑的整合和分化相差程度接近于零，表明大多数人的大脑处于平衡状态。这种平衡状态在不同任务下可能会发生变化，但对于处理各种任务至关重要。
我们认为个体的大脑特质可能会影响其能力。一些人更倾向于分化，而另一些人更倾向于整合，这可能会反映在其处理任务的方式上。我们发现处于平衡状态的大脑可能更有利于满足不同任务的要求，因为它可以灵活地进行分化和整合。相反，如果大脑一开始就处于过度分化或过度整合的状态，可能会在处理某些任务时遇到困难。
通过对大脑和行为的研究，我们发现大脑的平衡特点与智能有关。我们的数据显示，大脑整体平衡与一般能力呈正相关，而与一些特定能力（如晶体智力和反应速度）呈负相关。进一步的分析表明，不同的大脑平衡类型可能与特定智力需求相关，这对于构建更符合人类智能的人工智能系统可能具有启发意义。
通过磁共振成像等技术，我们可以深入了解大脑的结构特征。灰质皮层的厚度反映了神经元的密度，而树突的多变性则影响了大脑的功能多样性。大脑的功能系统因个体差异而异，使用机器学习等方法可以将大脑划分为不同的子网络系统，这有助于理解智能的实现方式。
然而，我们发现大脑结构和功能之间的关系并不简单。尽管某些网络与特定功能（如视觉系统）相关联良好，但其他功能与结构网络之间的对应关系并不明确。实际上，每种能力似乎都涉及多个子系统的参与，但它们的组合方式却是独特的。
我们的研究成果表明，构建更大型的模型以实现多功能灵活性可能并不简单。在智能系统设计中，从结构到动力学再到功能的安排具有重要意义，这为未来的人工智能系统提供了有价值的启示。
大脑的结构和功能之间存在着复杂而微妙的关系。从生物学的角度来看，大脑是一个在成本和效益之间进行权衡的系统。尽管其结构受到能量限制的制约，但其功能的实现却相当有效。例如，大脑的神经元连接是局部的，但在功能上却能够表征空间的关联信息。此外，大脑的动力学特征也具有一定的稳定性，与其结构相一致，不像神经网络那样随着运作过程而不断变化。这种稳定性使得大脑既能够学习又能够保持稳定状态，满足了矛盾的要求。
从生物学的角度出发，我们可以更好地理解大脑结构、动力学和功能之间的关系，并从中汲取启示。研究表明，大脑的连接结构在实现功能传输的同时，也需要满足一定的约束条件。此外，大脑的动力学特征在完成任务时能够以较少的代价实现高效的组合。因此，我们可以通过降低大脑系统的整体能量消耗，以及优化能量消耗大的连接部分，来实现更低成本的智能系统。
此外，作为一个生物系统，大脑需要消耗大量能量，但也会产生代谢产物。这些代谢产物的积累与大脑退化相关，如淀粉样蛋白的堆积可能导致神经退行性疾病。因此，大脑需要尽可能优化其能量消耗，特别是在能量消耗较大的连接部分。这样不仅能够减少整体代谢需求，还可以减少代谢产物的积累，降低疾病风险，使大脑在受到能量限制的情况下保持良好的运作。
大脑的动力学特征与其结构密切相关。在生物神经网络中，神经元之间的连接形成了局部回路，这些连接对于信息传输至关重要。每个神经元通过释放神经递质将信息传递给下一个神经元，但这个过程的时间非常短暂，通常只有几毫秒。神经元之间的连接具有节奏性，形成了整个系统的节律，如Gamma波，这在记忆和学习中经常出现。通过从智能和代谢的角度观察，我们发现大脑的神经元发放非常稀疏，但通过不同神经元的组合，可以实现有效的信息表征，这种方式能够以最少的代价实现最优的信息传输。
大脑的结构也与其功能密切相关。实际的大脑结构中，神经元通常分布在团簇中，并通过空间中的连接形成模块化的特征。模块化结构可以使得连接随着距离的增加而衰减，从而形成模块化特征。然而，在完全打乱的连接中，形成了稀疏的随机网络，每个神经元的发放都是无规律的，这样的网络神经元的发放频率可以达到20赫兹，而真实的脑网络神经元的发放频率是1-2赫兹。相比于随机网络，大脑这种优化的连接方式使得它能够以更少的代价实现更高效的信息传。