模仿大腦而生的人工神經網路，如何回過頭來幫助了解人類腦神經？過去，腦科學研究經常遇到對「軟體」了解不夠的困境，台灣大學物理學系教授朱士維表示，人類腦袋就像一台電腦，單純拆解外殼和電路板，對內部運作的了解依然有限，「所以需要活體影像，而且速度要追得上神經活動。」
因此，在國科會「腦科技創新研發及應用計畫」支持下，朱士維攜手清華大學工程與系統科學系教授吳順吉，與台灣大學藥理學科暨研究所副教授潘明楷，組成跨領域團隊開發超高速4D顯微鏡，在三維空間（長、寬、高）之外、加入時間維度，幫助AI更了解人類腦神經；而類神經網路的AI技術也立大功，將腦部影像清晰度提升近10倍。
國科會開發「超高速4D顯微鏡」，能提升10倍影像清晰度、提高成像速度
負責高速深組織影像技術的朱士維說明，運用物理光學原理，新開發的超高速4D顯微鏡採取雙光子技術，除了加強雷射束穿透深度，也能夠在一塊有厚度的細胞組織中，捕捉單一層、不受雜訊干擾的影像。此外，藉由超音波透鏡技術，則有效提高成像速度至每秒千張，全體積成像時間只需要傳統影像的千分之一。
只不過曝光時間愈短，影像就愈模糊。為了克服成像對比度差的問題，吳順吉以超高速顯微鏡產生的大量影像，利用降噪技術「Noise2Noise」訓練AI模型，「看到的雜訊不一樣，不代表裡面的結構不同，深度學習模型就會想辦法把兩張圖像弄到一樣，保留共同的東西、把不一樣的拿掉，結構就會呈現。」吳順吉表示，因為重複捕捉了密集的影像資訊，即使不提供作為正確解答的基準真相（Ground Truth），AI也能在影像交互比對中過濾掉雜訊，重建出高解析度的影像。
腦神經像GPU，洞悉人腦還能為AI節能？
透過超高速4D顯微鏡，團隊試圖揭秘腦中的細胞之間如何「聊天」，例如，在活體鼠小腦中，團隊發現控制動作的神經元分佈就像GPU，彼此平行排列運算；同時觀察不同層的神經網路，則會發現相鄰神經元即使收到相似的訊號，傳遞到細胞本體的結果卻不同。
本身是神經科醫師的潘明楷表示，過去細胞之間怎麼溝通，只有在手術房才有機會一探究竟，「從小動物腦波，就會知道這些神經訊號加起來長什麼樣子，橋接到人類身上，也能了解這些神經放電的電訊號。」
而對於小腦神經運動的理解，也有助於未來發展「節能的AI」。潘明楷表示，一個AI模型運作的耗能大約是人腦的10萬倍，「當我們了解人腦怎麼做到這件事，個別單位減少幾個（耗能）數量級，能堆疊的運算單位就多。」
吳順吉也表示，AI雖然是模仿、觀察大腦怎麼運作的類神經網路，但數學模型和神經實際運作狀況仍有差異，「神經之間在溝通其實是不連續訊號，連續訊號每個點都要給能量，不連續就是ON和OFF，有ON的地方才需要放能量。」
透過「腦科技創新研發及應用計畫」發展的工具，揭秘腦區神經元的實際運作，未來團隊也有機會建構一個更貼近神經元的AI模型，為腦科學與AI技術建立正向循環。
