大多數人都沒有想到人類的大腦是多么神奇。這個器官包含大約800億個神經元，每個神經元都與多達1萬個其他神經元相連。繪制神經元本身是一項具有挑戰性的努力，但試圖理解它們之間的聯系則是一項艱巨的任務。

雖然全面繪制人類大腦地圖還需要多年的艱苦工作，但美國阿貢（Argonne）國家實驗室的科學家們正在為未來的探索奠定基礎。該項目由阿貢國家實驗室數學和計算機科學部的高級計算機科學家Nicola Ferrier領導。

為了更多地了解這項驚人的工作，媒體采訪了阿貢領導計算設施的計算機科學家Thomas Uram，他也參與了這個項目。

“大腦是地球上最復雜的東西之一，”Uram說。“這當然是我們身體中最復雜的東西，我們并不完全了解它是如何工作的。我們要做的是重建它的結構和連通性。”

雖然Uram對這項工作的好奇心源于揭開未知的渴望，但也有一些重要的動機來理解大腦的聯系。可以幫助研究人員更多地了解人類行為，并為神經退行性疾病提供見解。

繪制生物體神經系統內連接圖的研究屬于連接組學的范疇。考慮到大腦結構的復雜性，Uram和他的同事們正在進行的連接組學研究主要集中在一立方毫米大小的腦組織樣本上。

這些樣本是通過取下數千塊30納米厚的組織片來制備的，這些組織片是在手術中切除的殘余人腦組織。然后，科學家們把它們裝在一根帶子上，然后用電子顯微鏡對其進行成像。每個部分都被單獨成像集合，然后重新組裝成一個更大的部分。

一旦這些部分被完全重建，它們就會與相鄰的部分對齊，以便它們內部的特征匹配。然后，研究人員使用神經網絡來追蹤圖像堆棧中的物體。具體來說，Uram表示，該團隊使用谷歌開發的稱為洪水填充網絡(FNN)的神經網絡來完成重建部分。

FFN是專門為連接組學中的神經元分割而設計的機器學習神經網絡，是一種特殊類型的卷積神經網絡(CNN)，旨在區分電子顯微鏡圖像中的神經元和其他物體。CNN通常用于與圖像相關的任務，例如將物體從背景中分離出來(例如，將奶牛從田地中分離出來)，生成描述圖像中物體的標題，甚至生成新圖像。

同樣的CNN方法也被用在FFN中，用于將神經元彼此分離，并與腦組織中的其他物體分離。在這種情況下，挑戰的主要部分是識別小組織體積中的許多神經元。

即使是這樣一個相對較小的樣本，研究每一個連接也是一個主要的計算挑戰。以4納米的橫向分辨率成像的立方毫米組織產生大約2Petabyte的數據。正如Uram所解釋的那樣，這是一個巨大的問題——即使對我們目前擁有的最強大的機器來說也是如此。

利用目前實驗室用來分割物體的神經網絡，Uram和他的同事們利用Aurora（阿貢的超級計算機）的全部計算潛力，可以在幾天內分割一立方毫米的組織。更重要的是，隨著科學家們希望擴大這項研究的規模，這個問題變得越來越嚴重。

Uram說:“展望未來，如果我們想重建一個完整的老鼠大腦，那就是一立方厘米的數據。”“這是一千倍的數據量。整個Aurora需要3000天，這意味著9年或10年。我們在接下來的十年里都無法進入整個Aurora。所以很明顯，我們需要比現在更多的計算能力。”

這里更有趣的是我們需要多少計算能力來繪制整個人類大腦。Uram說，人類的大腦大約比老鼠的立方厘米大1000倍。這將導致計算需求增加1000倍，并且將需要Aurora的所有資源連續300萬天。

未來會怎樣?

顯然，使用世界上最強大的計算機之一的所有資源連續300萬天都是不可能的。Uram承認，在我們開始認真考慮繪制整個人類大腦之前，我們需要創造更強大的機器。

這項技術可能還沒有準備好繪制整個人類大腦的連接圖，但Uram和他的同事們所做的工作為未來的工作奠定了基礎。

然而，他也指出，解決方案并不是簡單地制造比我們現有的機器大300萬倍的機器。“更有可能的是，我們將看到我們正在使用的技術取得重大進步，”Uram說。“如果我們能在分割方面顯著加快神經網絡的速度，那么我認為我們可以在現有的機器上做得更好，我們希望在下一代或兩代機器上也能做到這一點。”

Uram提到，在這一點上，大多數人都熟悉在ChatGPT等模型中可以看到的錯誤類型。當科學家試圖分割結構精細的神經元時，同樣的錯誤也存在。這就產生了大量必須由人工校對的數據。

他特別提到了另一個有效的項目。這些研究人員估計，人類用于糾正蒼蠅分割的時間約為數千小時。

除了減少人工校對的時間外，科學家們還需要解決一個存儲問題。目前，研究人員正在處理他們所擁有的立方毫米大腦樣本中PB級的數據。對于他們想要做的更大的工作，存儲需求將遠遠超過EB級的數據。我們如何存儲和移動這些數據將需要新的創新。

這顯然是一項艱巨的任務，繪制完整的人類大腦只會遇到更多的障礙。然而，Uram似乎已經準備好迎接挑戰。“我一直對生命中的重大問題很感興趣，”Uram說。“大腦是如何工作的是一個復雜而令人煩惱的問題。這是一個巨大的未知數。”