量子位 出品 | "大众年夜众号 QbitAI
作为一只AI，该如何不雅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，须要办理的大事。
谷歌AI要给动物的大脑 (或者局部) ，画出一张3D脑神经舆图，来研究它们思考时，走过的神经路线。
比如，给小鸟的大脑画张舆图，就能不雅观察到它是怎么唱歌的了。
然而，这项任务并不大略，须要以纳米级的分辨率，给脑组织做3D成像。然后，算法要剖析图像里的数据，找到神经元产生的突起，才能创造细胞与细胞之间的突触连接。
由于对图像质量哀求很高，即便是毫米级的脑组织，也会产生1000TB以上的数据。
画好舆图，紧张的难点便是阐明这些数据。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，谷歌的脑神经舆图AI，在Nature Methods期刊上揭橥了。
那就一起来看一下，这舆图是怎么画的吧。
Flood Filling三维图像分割首先，在弘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。
传统算法常日分两步：
先是要找到突起和突起之间的分边界，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，没有被分边界隔开的话，就分到一起。可以用分水岭 (Watershed) 算法，Graph Cut算法也行。
不过，谷歌团队考试测验用一个基于RNN的算法，将两步并作一步。
把算法种在某个像素点上，让它在那里生根萌芽——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丈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？这便是ERL。
实在，和均匀故障间隔 (MTBF) 道理一样，只是这里丈量的是间隔，不是韶光。
蓝线表示，预期追踪间隔 (ERL) ，可以看出随着韶光的推移，进展可不雅观。
红线表示，错把两个神经元当成一个，的频率。缺点率越来越低，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，胸前有崇高的斑马纹，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 ，做了三维舆图。
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正。现在，马普所的研究职员已经可以用这份舆图，来研究鸟鸣时的大脑活动了。
一样平常生物表示，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揭橥的同时，谷歌AI不忘普天同乐，在GitHub上供应了所用模型的TensorFlow代码。
其余，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
— 完 —
演习生招聘
量子位正在招募活动运营演习生，策划实行AI明星公司CEO、高管等参与的线上/线下活动，有机会与AI行业大牛直接互换。事情地点在北京中关村落。简历欢迎投递到quxin@qbitai.com
详细细节，请在量子位公众年夜众号(QbitAI)对话界面，回答“演习生”三个字。
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技能和产品新动态