美国科学家用DNA制造出首个人造神经网络

　据美国媒体近日报道，美国科学家朝人工智能领域迈出了关键的一步：他们使用DNA，在试管中制造出了首个人造神经网络，这个相互作用的分子组成的电路能像人脑一样，基于不完整的模式进行回忆。科学家表示，这样的系统将有助于人们回答基本的生物学问题或诊断疾病;然而，其运行效率目前还很低下，需要进一步提高其性能。
DNA制成人造神经网络
　　该神经网络包含4个人造神经元，由112个不同的DNA片段组成。
　　加州理工大学的科学家在一个名为线性阈函数的简单的神经模型上建立了该神经网络。这个神经元模型接收输入信号，并通过一个正权数或负权数来增强每个信号，如果输入信号的加权总和超过某个阈值，神经元会放电，产生一个输出信号。该研究的联合作者、加州理工学院计算机科学和神经系统副教授埃瑞克·温弗利表示，这个模型是对真实神经元的过度简化，但其在探索一些简单的计算元素的集体行为如何导致联想回忆和模式完成等类似大脑的行为方面，确实非常有效。
　　为了建成这个DNA神经网络，该团队的科学家们使用了一个自行研发的、名为链置换级联的过程，此前，该团队也使用链置换级联过程制造出了迄今最大最复杂、能计算平方根的DNA电路。
　　这个过程使用了单链和双链DNA分子的一部分。双链DNA是双螺旋结构，其中的一个链像尾巴一样伸出，当单链漂浮在水溶液表面时，可能会偶然遇见双链DNA的一部分，如果两者的碱基对完全互补，单链就会抓住双链的尾巴并依附于其上，踢开双螺旋的另一个单链。因此，这个单链就像输入;而被踢开的双链的一部分就像输出，它接着可以同其他分子相互作用。因为科学家能使用任何碱基序列来合成DNA片段，因此，他们可以对这些相互作用编程让其像神经元模型一样工作。
可像人脑一样基于部分特征识别事物
　　随后，科学家们同该神经网络进行了一个“测心术”游戏：让该神经网络基于一定的线索确定4名科学家中的一位。科学家们首先“训练”神经网络“认识”4名科学家，每名科学家的个性特征由4个是非题来表现，例如，该科学家是否为英国人等等。通过使用计算机模拟让该网络中的每个DNA单链的浓度协调一致，科学家们能教导单链记住与每个科学家有关的是非题的答案模式。
　　当一个玩家想到某个科学家，就会向该神经网络提出一些能部分展示该科学家特征的问题，接着通过将对这些问题作出反应的DNA片段卸下放入试管中，从而将相关线索传递给神经网络。通过荧光信号进行连接，该神经网络能确切“说”出玩家想的是哪位科学家。
　　科学家们使用了27种(总共有81种)不同的回答问题的方式同该神经网络进行了这项游戏，网络每次都作出了正确的反应。该研究的联合作者、加州理工大学计算和神经系统以及电子工程学教授乔舒亚·布瑞克表示，这表明，该神经网络能基于部分特征识别事物，这是大脑独特的属性之一。
　　领导此项研究的加州理工学院生物工程专业博士后钱璐璐(音译)在发表于7月21日出版的《自然》杂志上的论文中写道：“这个人造‘大脑’可不简单，它使得我们识别事物、形成记忆、做出决定并采取行动，这表明，一个由相互作用的分子组成的人造神经网络也能展示与大脑一样的行为。”
在医学和化学领域意义重大
　　科学家们表示，具有人工智能或者拥有某些基本决策能力的生物化学系统在医学、化学和生物学研究领域都具有非常重要的价值，未来，这样的系统能在细胞内操作，帮助回答基本的生物学问题或诊断疾病。另外，能对其他分子的出现作出智能反应的生物化学过程使工程师能用分子制造出越来越复杂的化学物质或者建立新的结构。钱璐璐说：“尽管几十年来，科学家们一直假设，人造生物化学系统能表现出像大脑一样的行为，但一直没有实现。”
　　这样的系统也让科学家可以间接理解智能的进化。钱璐璐解释道：“大脑进化前，单细胞有机体也能处理信息、做决定并对周围环境作出反应。”这样的复杂行为必须由一个漂浮在细胞内的分子网络完成，“或许高度进化的大脑和单细胞内看到的有限的智能形式分享同样的计算模式，只是采用不同的基质来编程。”
　　布瑞克补充道，他们的实验可以看成神经—计算原理在分子和细胞层面上的简单展示，一个可能的解释是，或许这样的原理在生物信息处理领域随处可见。
需进一步改善其性能
　　不过，科学家们也表示，尽管这个实验表明科学家能用DNA制造出会阅读思考的神经网络，但是，这个神经网络还非常有限。人脑包含1000亿个神经元，但仅使用40个(实验中使用的神经元的10倍)由DNA制造出的神经元来编织出一个网络都是一个大的挑战。而且，该系统的工作效率很低，其找出每个科学家需要花费8小时。另外，任务完成后，分子也被耗尽，无法分开并同另外的DNA单链配对，因此，该游戏只能进行一次。
　　或许在未来，一个生物化学神经网络能通过多次重复游戏来改进其性能;或通过遭遇新环境来学会新记忆。制造出能在身体内或仅仅在细胞内或一个有盖培养皿内操作的生物化学网络还需要很长时间，因为使得这种技术能在试管内工作也是另一个需要很大精力来应对的挑战。