“神经科学以前在国内是一个很小众的领域，十年前我在北京王府井大厦购买相关书籍，也只买到了区区几本，” 谈及自己的研究领域，刚刚入职麻省理工学院（MIT）的 31 岁学者杨光宇告诉 DeepTech，不过虽然小众但却无法拦阻他的热爱。

图 | 杨光宇（来源：受访者）

事实上，神经科学正在繁荣发展，在神经科学数据的采集方面，它的发展速度比摩尔定律还要快，并呈现出指数级增加。比如，马斯克的脑机接口公司 Neuralink 是神经科学大领域的代表性公司之一，谷歌旗下的 DeepMind 公司也做神经科学。

2021 年 5 月，当期 Nature 封面论文介绍了一项意念打字的成果，斯坦福大学神经假肢转化实验室的里希纳谢诺伊（Krishna Shenoy）教授参与了该研究，而谢诺伊正是神经科学领域的代表性学者之一。

几个世纪以来，人类对于大脑的探索从未停止。在神经网络被作为大脑研究方法之前，科学家研究大脑时一般使用较为固定的方法，比如让小白鼠等动物作为被试者去做某个任务，然后观察它在做任务时大脑里的神经元活动情况。

但这也造成一个缺陷，即很难训练动物做多种任务，而人类大脑经常会进行多任务思考。这也是为何在神经网络诞生之前，科学家对神经元如何从 A 任务转换到 B 任务的研究较少的原因之一。

此前科学家已经获悉，大脑前额叶皮层对诸多认知功能都起着重要作用，并在任务表示中起到核心作用 。在动物行为学的实验中，人们发现前额叶神经元在给定任务方面起着功能混合的作用，但目前尚未从神经元层面得到解释。

（来源：受访者）

想象一下，如果你的大脑要处理许多不同任务，处理的时候是每个任务都由专属神经元来完成？还是多项任务同时共用神经元？亦或是介于专属和共享之间？

2019 年，杨光宇和合作者曾使用神经网络深入研究了上述问题，相关论文以训练完成许多认知任务的神经网络中的任务表示（Task representations in neural networks trained to perform many cognitive tasks）为题发表在 Nature Neuroscience。

该论文的成果，是训练一个神经网络去做 20 个认知科学中比较常见的认知任务，这些任务依赖于记忆、决策、和抑制控制等。

图 | 相关论文（来源：受访者）

杨光宇告诉 DeepTech：“经研究发现，神经网络会涌现出很多模块，每个模块负责某一种特殊的计算功能，当这个网络完成一个任务，它会把不同模块组合起来，而一个模块还可参与到多种任务。”

为继续探究这一问题，杨光宇和团队使用训练循环神经网络（RNN）的方法，去训练一个循环神经网络来执行 20 个互相关联的认知任务。其中的大多数任务，都经常被用于非人类动物的神经生理学研究中，因此它们是了解认知神经机制的非常经典的任务。

选定的任务集包括：记忆引导的反应、简单的感知决策、上下文相关的决策、多感官整合、参数工作记忆、抑制控制（例如坚持不要眨眼）、延迟取样匹配等。

（来源：受访者）

而杨光宇所设计的神经网络架构，既可以通用地执行以上所有任务，又能简单地进行分析。其中，对于每项任务，神经网络都会接收三种类型的输入：固定、刺激和规则。

固定输入会告诉网络到底是该定住、还是要做出例如扫视的响应。因此固定输入的减少，意味着能让神经网络向前进。刺激输入有两种模态，每种模态都由一圈输入单元表示，这些输入单元可表示不同的一维变量信息，例如前进方向、以及色彩转盘颜色。

每一次试验中，规则输入都会被激活一次，来指示神经网络当前该执行的任务。神经网络会将这些输入映射为一个固定输出单元和一组运动单元，它们可把响应方向编码成输出环上的一维变量，比如扫视方向和到达方向。

图 | 循环神经网络及其输入与输出的实例（来源：受访者）

值得注意的是，在该神经网络在被训练之前，它无法独自执行任何任务。而训练它的方法是监督学习，该方法会把所有输入、循环和输出的权重进行连接，从而不断缩小神经网络输出与目标输出之间的差异。

需要指出的是，在训练期间，神经网络的任务训练顺序是随机交错的。在下图中即可看到经过 256 个循环单元的后神经网络训练的结果。由图可知，对这一规模的神经网络来说，训练结果是足够稳健的。经过训练后，神经网络模型在执行 20 个任务中的每一种任务，都表现出了高行为性能。

图 | 经过训练之后，神经网络在执行每一种任务中都表现了高性能水平（来源：受访者）

在同时训练神经网络执行多项任务后，多项任务的表示会以聚合方式来呈现。为了模拟人类学习过程，杨光宇又训练神经网络去连续执行多项任务。最终发现，连续训练与同时训练多项任务之后的神经网络完全不同。

此外，杨光宇还通过系列测试，展现了神经网络的行为特征与动物研究所得出的结果一致。甚至在感知决策任务中，神经网络表现出更好的连贯性，还能处理来自不同来源的信息从而形成决策。其中，在工作记忆任务中，神经网络能够保存信息长达 5 秒（单个单位时间常数的 50 倍）的时间。

（来源：受访者）

杨光宇于近期上传至预印本网站 BioRxiv 上的成果，是用神经网络去训练果蝇。具体来说，大脑中有很多神经元，这些神经元组成一个神经网络。此前人们觉得大脑中的神经网络和深度学习中的神经网络没有关系，即便有关系也只是大脑神经网络对于工程神经网络的启发，而事实上深度学习也会用到神经网络。

目前，他的主要工作是为大脑建立模型，最终想达到让人工神经网络实现嗅觉任务。经过训练之后，神经网络之间的神经元可建立相互连接，这和果蝇嗅觉的神经网络之间的神经元连接非常类似，甚至呈现出了定量性的类似，而这是非常罕见的发现。

在神经科学领域，给大脑建模是一项重要的研究方法，它可以弥补理论物理的一些局限性。简单的说，理论物理要通过总结公式来解释各种现象。

但只通过简单的公式，有时无法解释大脑的复杂现象，这时就可建立模型去模拟一些复杂现象，模拟并不需要精确度很高，主要是为了找到关键因素，然后将关键因素放入模型中进行进一步模拟。

此外，在神经科学领域进行的模拟，是通过写代码去对比神经元的连接方式，这和模拟行星运动、甚至模拟化学反应也有相似之处。

说到选择这一研究命题的原因，杨光宇告诉 DeepTech：“此前科学家并没有掌握太多大脑神经元互相连接的数据，这些数据都是最近几年才慢慢出现。另外之前也没有研究显示，通过训练一个人工神经网络，达到和实际的神经网络有实现定量契合。”

今年7月，杨光宇已经正式入职 MIT 。但从高中起，他就立下了做神经科学的志向。其认为，搞清楚大脑运作方式必将是很重要的研究。高三就被保送北大的他，在选择专业时也曾陷入犹豫，由于当时北大没有神经科学专业，最终他还是选择了物理系。但在本科期间，杨光宇就一直在自学神经科学的知识。

直博期间，他先就读于耶鲁大学，后随其导师汪小京老师转学至纽约大学。杨光宇博士毕业后，一心追求科研教职，并收到了 MIT 的 offer。

谈及面试 MIT 的过程，杨光宇表示首先需要交一个工作报告，之后要向其他教授做黑板报告，此后还有一对一的面试。其实早在 2020 年，他就收到了 MIT 的入职通知，而在过去一年中，他也一直在家做研究、写代码、做大脑建模。

而之所以选择就职 MIT，是因为该校在神经科学领域比较领先。对于工作单位，他现阶段没有很强烈的地域倾向，哪里合适就去哪里。在基础科学研究领域并没有国界，很多成果涉及的核心代码都是公开的，每个人都能查到。因此，杨光宇认为虽然自己人在美国，但也是在给全人类的科研做贡献。