現(xiàn)如今，在大數(shù)據(jù)時(shí)代下，當(dāng)我們提到大數(shù)據(jù)，我們通常想到的網(wǎng)站：十億社交媒體的用戶，數(shù)以百萬(wàn)計(jì)的手機(jī)感應(yīng)器，成千上萬(wàn)的維基百科的貢獻(xiàn)詞條等等。由于最近的創(chuàng)新，網(wǎng)絡(luò)級(jí)數(shù)據(jù)現(xiàn)在也可以來(lái)自一個(gè)小但非常復(fù)雜的對(duì)象——大腦。

分布式計(jì)算的新進(jìn)展正在改變神經(jīng)科學(xué)家處理結(jié)果數(shù)據(jù) 的方式，并可能在這個(gè)過(guò)程中，改變我們對(duì)計(jì)算的看法。

大腦由許多神經(jīng)元組成，一只蒼蠅或斑馬魚(yú)幼體有十萬(wàn)的神經(jīng)元，老鼠有數(shù)百萬(wàn)的神經(jīng)元，人有數(shù)十億的神經(jīng)元。其功能依賴(lài)于神經(jīng)元的活動(dòng)以及它們彼此如何溝通。長(zhǎng)期以來(lái)，神經(jīng)活動(dòng)的記錄一度僅限于少數(shù)的神經(jīng)元，但最近的一些進(jìn)步使我們能夠監(jiān)測(cè)整個(gè)成千上萬(wàn)個(gè)神經(jīng)元，在某些情況下（如斑馬魚(yú)幼蟲(chóng)），甚至是整個(gè)大腦的反應(yīng)。

許多這些方法是光學(xué)方法：動(dòng)物被基因工程改造以使它們的神經(jīng)元的字面點(diǎn)亮?xí)r的這些活動(dòng)模式顯微鏡捕獲圖像的活性，以及動(dòng)物表現(xiàn)出不同的行為。由此產(chǎn)生的數(shù)據(jù)到達(dá)每小時(shí)TB級(jí)，對(duì)分析和理解提出了重大挑戰(zhàn)。它們需要兩個(gè)低層次處理（“munging”）和高級(jí)別分析。因此，我們要用多種方式查看每個(gè)數(shù)據(jù)集，如有關(guān)動(dòng)物行為或?qū)嶒?yàn)的神經(jīng)反應(yīng)方面，或通過(guò)識(shí)別大量的的相關(guān)活動(dòng)模式。我們永遠(yuǎn)無(wú)法提前知道答案，有時(shí)我們甚至不知道從哪里開(kāi)始。

我們需要探索大型數(shù)據(jù)集以及開(kāi)發(fā)新分析的靈活性的互動(dòng)工具。到現(xiàn)在為止，單一的工作站解決方案，如在一個(gè)功能強(qiáng)大的機(jī)器上運(yùn)行Matlab，已經(jīng)成為神經(jīng)科學(xué)的標(biāo)準(zhǔn)，但這些解決方案擴(kuò)展很差。在分布式計(jì)算替換中，我們發(fā)現(xiàn)Apache Spark的平臺(tái)提供了核心優(yōu)勢(shì)。首先，Spark的抽象的內(nèi)存緩存使得夠在數(shù)秒或數(shù)分鐘內(nèi)迅速找到大型數(shù)據(jù)集，加速了數(shù)據(jù)探索。其次，Spark提供在Scala、Java和Python中強(qiáng)大，靈活，直觀的API。Python的API是 特別有吸引力，因?yàn)樗梢宰屛覀兘Y(jié)合Spark與各種現(xiàn)有的Python工具進(jìn)行科學(xué)計(jì)算（NumPy，SciPy和scikit-learn）和可視化（matplotlib，seaborn，mpld3）。

用Spark為大型計(jì)算平臺(tái)，我們正在開(kāi)發(fā)名為迅雷的開(kāi)放資源庫(kù)來(lái)模塊式地表達(dá)、分析Python常用工作流的時(shí)空數(shù)據(jù)。（這個(gè)庫(kù)以及應(yīng)用實(shí)例，在最近同米沙阿倫斯實(shí)驗(yàn)室合作發(fā)表的論文中被提及。）

通過(guò)將大腦反應(yīng)與外部世界屬性相聯(lián)系，很多分析建立了大腦的統(tǒng)計(jì)“映射”。比如，斑馬魚(yú)呈現(xiàn)了正朝著不同的方向的模式，我們可以計(jì)算出一個(gè)抓住了每個(gè)神經(jīng)元的反應(yīng)呈現(xiàn)出不同的方向的映射。這很像投票取向映射——人民投票支持的候選人，神經(jīng)投票支持方向。在另一個(gè)例子中，我們比較了神經(jīng)元對(duì)動(dòng)物的游泳的反應(yīng)，發(fā)現(xiàn)當(dāng)動(dòng)物在游泳時(shí)，腦部的大部分反應(yīng)激烈，但另一部分在不游泳時(shí)反應(yīng)激烈，這些神經(jīng)元的功能仍然是個(gè)謎。

這種映射是靜態(tài)的，但我們的數(shù)據(jù)基本上是動(dòng)態(tài)的，因?yàn)樯窠?jīng)元活性隨時(shí)間變化。一系列基于降維（這里審查）的方法從高維時(shí)間序列數(shù)據(jù)開(kāi)始，恢復(fù)低維表示，用于捕獲關(guān)鍵動(dòng)態(tài)特性，盡管用的是簡(jiǎn)單的形式。這些一次性檢查了全部數(shù)據(jù)的分析特別依賴(lài)于分布式計(jì)算。

我們的長(zhǎng)期目標(biāo)是要利用這些技術(shù)來(lái)揭示神經(jīng)編碼原則。大多數(shù)神經(jīng)科學(xué)家認(rèn)為，大腦的計(jì)算引擎非常有效，比一臺(tái)筆記本電腦消耗的能量少，切能夠在毫秒內(nèi)識(shí)別目標(biāo)，定位一個(gè)充滿障礙的環(huán)境，并協(xié)調(diào)復(fù)雜的運(yùn)動(dòng)計(jì)劃。了解這些功能將反過(guò)來(lái)刺激人工智能的進(jìn)步的想法由來(lái)已久。實(shí)際上，所謂的神經(jīng)網(wǎng)絡(luò)，包括最近的深信念網(wǎng)絡(luò)熱潮，大腦結(jié)構(gòu)的模擬物：它們由許多彼此傳遞信號(hào)的類(lèi)似“神經(jīng)細(xì)胞”的節(jié)點(diǎn)建立。有些網(wǎng)絡(luò)解決任務(wù)，如對(duì)象和語(yǔ)音識(shí)別，以及令人印象深刻。

但是，這些網(wǎng)絡(luò)和現(xiàn)實(shí)的大腦之間仍存在著顯著差距。在大多數(shù)的人工網(wǎng)絡(luò)中，每個(gè)節(jié)點(diǎn)本質(zhì)上不一樣，任何時(shí)候我們都能看到大腦的多樣性。成百上千種不同的神經(jīng)元，具有不同的形態(tài)，功能，連接模式，以及溝通的方式。真正的生物不解決只是一個(gè)有明確目標(biāo)（如人臉識(shí)別）、非常具體的任務(wù)。它們靈活地同一個(gè)動(dòng)態(tài)的、不斷變化的世界進(jìn)行互動(dòng)。這種神經(jīng)多樣性的作用與生物計(jì)算的基本原則仍是一個(gè)謎。但大量的努力，映射整個(gè)神經(jīng)系統(tǒng)的活動(dòng)，以及有系統(tǒng)地表征神經(jīng)元形態(tài)和解剖連通，將有助于鋪平解決問(wèn)題的道路。

在短期，可能還有另一種神經(jīng)科學(xué)的研究方法會(huì)影響計(jì)算，數(shù)據(jù)挖掘和人工智能。數(shù)據(jù)神經(jīng)學(xué)家正在進(jìn)行收集，與其它數(shù)據(jù)進(jìn)行對(duì)抗，不僅是在規(guī)模上，而且在復(fù)雜性上。神經(jīng)科學(xué)會(huì)越來(lái)越受益于更廣泛的數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)的社區(qū)。例如，我們的映射分析類(lèi)似于從大的衛(wèi)星圖像數(shù)據(jù)或地理統(tǒng)計(jì)學(xué)習(xí)功能。而且，只要我們的數(shù)據(jù)是時(shí)間序列的集合，它們會(huì)像網(wǎng)站上隨時(shí)間變化的用戶統(tǒng)計(jì)數(shù)據(jù)或出現(xiàn)在我們的身體的傳感器和我們家里的信號(hào)。

D1Net評(píng)論：

不管是什么來(lái)源，科學(xué)家們?cè)诓煌瑢用娑济媾R著類(lèi)似的挑戰(zhàn)——前處理、分布式管道、算法模式發(fā)現(xiàn)和可視化，我越來(lái)越相信我們可以，而且應(yīng)該，開(kāi)始一起解決這些問(wèn)題，只是時(shí)間問(wèn)題。