庞大的新数据集突破了神经科学的极限！

像前额叶皮层这样的区域，每个神经元都对一大堆事物做出反应，看起来更像是一个车间，每个工匠都拥有各种任务的专业知识。有些人可能具有投掷生粘土的特殊才能，而另一些人可能特别擅长施釉——当他们一起工作时，他们可以制作各种物品。这种多样性是一个优势，它可能对人类如此擅长的复杂问题解决和推理技能至关重要。（在前额叶皮层的研究中, Fusi 证明，当神经元群体对不同情况表现出丰富多样的反应时，猴子往往在记忆任务上表现得更好。）另一方面，高度专业化的神经元群体是不灵活的，就像装配线一样：他们只能完成这么多不同的事情。

不过，装配线非常容易理解。可以独立检查流程中的每个步骤，以准确确定它对整体产品的贡献。但是不能孤立地看待一个高度互动的工作室中的工匠，也不能孤立地看待前额叶皮层等区域的神经元。而这些集体活动模式对于人类来说太复杂了，如果没有数学工具的帮助，就无法掌握。“这不是你可以想象的东西，”Fusi 说。

因此，神经科学家使用一种称为“降维”的方法来实现这种可视化——他们从数千个神经元中获取数据，并通过应用线性代数的巧妙技术，仅使用几个变量来描述它们的活动。这正是心理学家在 1990 年代所做的，他们定义了人类人格的五个主要领域：开放性、随和性、尽责性、外向性和神经质。他们发现，只要知道一个人在这五个特征上的得分，他们就可以有效地预测这个人将如何回答数百个性格测试问题。

但是从神经数据中提取出来的变量并不能用“开放性”这样的一个词来表达。它们更像是主题，即跨越整个神经群体的活动模式。其中一些主题可以定义绘图的轴，其中每个点代表这些主题的不同组合——它自己独特的活动概况。

将来自数千个神经元的数据减少到几个变量是有缺点的。就像拍摄 3D 城市景观的 2D 图像会使某些建筑物完全不可见一样，将一组复杂的神经元数据塞入仅几个维度会消除大量细节。但是在几个维度上工作比一次检查数千个单独的神经元要容易得多。科学家可以在图案定义的轴上绘制不断变化的活动模式，以观察神经元的行为如何随时间变化。事实证明，这种方法在运动皮层中特别有效，该区域令人困惑、不可预测的单神经元反应长期以来一直困扰着研究人员。然而，从整体上看，神经元追踪规则的，通常是圆形的轨迹。与速度有关。

奥尔森说，他预计科学家将使用降维从复杂数据中提取可解释的模式。“我们不能一个接一个神经元，”他说。“我们需要统计工具、机器学习工具，它们可以帮助我们在大数据中找到结构。”

但这种研究脉络仍处于早期阶段，科学家们难以就模式和轨迹的含义达成一致。“人们一直在争论这些事情是否属实，”约翰霍普金斯大学神经病学和神经科学教授约翰克拉考尔说。“他们是真的吗？它们可以被简单地解释为 [作为单神经元反应] 吗？他们感觉不那么扎实和具体。”

Churchland 说，将这些轨迹带入地球需要开发新的分析工具——艾伦研究所等大规模数据集的可用性肯定会促进这项任务。该研究所的独特能力、雄厚的财力和庞大的研究人员，将使其能够产生更多的数据来测试这些工具。奥尔森说，该研究所的功能就像一个天文台——没有一个实验室可以为它的技术买单，但整个科学界都受益于它的实验能力，并为它的实验能力做出了贡献。

他说，目前，艾伦研究所正在试行一个系统，来自整个研究界的科学家可以建议应该展示什么样的刺激动物，以及它们应该做什么样的任务，同时记录它们的数千个神经元. 随着记录能力的不断提高，研究人员正在努力设计更丰富、更现实的实验范式，以观察神经元如何对推动其集体能力的现实世界、具有挑战性的任务做出反应。“如果我们真的想了解大脑，我们不能一直只向皮层显示定向条，”Fusi 说。“我们真的需要继续前进。”