2019年5月23日，北京大學麥戈文腦科學研究所、北京大學信息科學技術學院、北大-清華生命科學聯合中心吳思課題組在國際著名期刊《eLife》發表了題為: “Complementary congruent and opposite neurons achieve concurrent multisensory integration and segregation”的研究論文。該論文從信息處理的基本原理出發探尋了大腦皮層神經環路如何實現高效的多模態信息整合與分離的計算機制，提出大腦採用兩種神經元來完成此任務，其中一種神經元 (congruent neuron) 負責多模態信息整合，而另一種神經元 (opposite neuron)則負責多模態信息分離；兩種神經元的競爭與協助實現了大腦多模態信息的快速高效處理。該理論對我們理解大腦信息整合的一般性原理以及類腦計算都有重要的意義。
大腦無時無刻在接收外界的信息輸入，我們採用多感覺器官從不同的物理化學特徵來感知外部世界。這些感覺輸入有時傳遞來自同一物體但不同特徵的信息，有時則傳遞來自於不同物體的信息。通過整合來自同一物體的感覺輸入，大腦可以得到對外部世界更加精確而全面的感知；但另一方面，對於源自不同物體的感覺輸入，大腦應該分開來處理。例如，我們可以通過將一個人的面部圖像與他說話的語音進行整合來確定他的空間方位，得以增強方位感知的精度；但如果大腦張冠李戴地將一個人的面部圖像與另外一個人的語音進行整合，我們則會出現錯覺（如雙簧表演）。
多模態信息整合與分離的道理看似簡單，但在具體實現這一計算時卻面臨一個根本性的難題，即大腦事先並不知曉這些輸入的來源及產生過程，從而不確定是到底應該進行信息整合還是分離。在計算上大腦面臨的是一個“雞生蛋”還是“蛋生雞”的挑戰：如果不整合多模態信息，那麼大腦可能無法對外界世界做出準確估計；但如果大腦簡單地整合信息，大腦就可能犯錯，可能把來自不同物體的信息整合在一起得出錯誤的結論。為了克服這一計算困難，作者提出大腦應該同步進行多模態信息整合與分離：一群神經元進行信息整合，而另一群神經元通過計算輸入間的差異來實現信息分離；兩者的競爭決定了最終結果是整合還是分離。這樣大腦可以在不損失輸入信息和時間的條件下，同步實現優化的多模態信息整合與分離。
通過計算建模來分析視覺和平衡覺模態信息整合以推斷頭朝向的神經生物學實驗數據，該論文推導出負責整合的神經元在兩種模態下的刺激偏好相似，與實驗發現的Congruent neuron調諧曲線相符；另一方面，令人驚訝的是負責信息分離的神經元在兩種模態下的刺激偏好則完全相反，與實驗中發現的opposite neuron調諧特性一致。Opposite neuron在多感覺腦區廣泛存在，但由於它奇異的調諧特性以及在多感覺整合實驗中反應強度很低，人們對它們的計算功能一直不清楚，一個疑問是在自然場景下大部分輸入的特性是相似的，大腦為什麼還需要opposite 神經元？該研究給出了一個清晰的答案：opposite neuron負責計算輸入間的差異，即檢測輸入中的“異常”：一旦輸入差異很大，opposite neuron就告訴大腦應當進行信息分離而不是整合。考慮到信息整合與分離是所有信息處理系統需要的一項基本功能（如圖像識別中的特徵整合與分割），該研究不僅有助於我們理解神經信息處理的基本原理，而且對發展類腦計算也有重要的借鑑意義。
輸
吳思教授與香港科技大學物理系王國彝教授為本文的共同通訊作者。文章第一作者張文昊是吳思課題組已畢業的博士生，目前在美國Pittsburgh大學做博士後。該工作的合作者還包括香港科技大學的王禾博士、華東師範大學的陳愛華教授、中科院神經所的顧勇研究員、以及美國卡內基梅隆大學的Tai-sing Lee教授。
研究組介紹
吳思
北京大學麥戈文腦科學研究所 PI
北京大學信息科學技術學院 教授
北大-清華聯合生命科學中心 PI
實驗室研究領域：
以數學模型和計算機仿真來構建神經系統的計算模型，解析神經系統處理信息的一般性原理，並在此基礎上發展類腦的人工智能算法。目前開展的課題包括：視覺信息處理的動態交互機制、神經信息表達的正則化網絡模型、神經突觸短時程可塑性的計算功能、多模態信息處理、神經形態計算的模型等。
免責聲明：部分文章和信息來源於互聯網，不代表本訂閱號贊同其觀點和對其真實性負責。
閱讀更多 墨玫人工智能 的文章
