揭示大腦的奧秘一直是人類科學(xué)探索的方向之一，世界的科學(xué)家紛紛致力于“腦計劃”研究，共同向這一科學(xué)堡壘發(fā)起沖刺。通過對大腦奧秘的探究，實現(xiàn)模擬人腦功能，從而得到新的知識與判斷，或?qū)⑹?a href="http://www.asorrir.com/tags/ai/" target="_blank">AI從誕生到進(jìn)化的必由之路。大腦智能模擬與AI有何種緊密聯(lián)系？它將如何幫助AI“進(jìn)化”？今天這篇文章，將帶你探索AI與模擬大腦的奧秘。

人工智能這個詞，從誕生到一路坎坷地迎來輝煌，就注定與“模擬”緊密相連。

1956年，在新罕布什爾州達(dá)特茅斯學(xué)院的一次小型會議上，赫伯特西蒙、約翰麥卡錫、克勞德香農(nóng)等AI界的開山鼻祖?zhèn)儯吞岢隽恕爸悄艿娜魏翁卣鳎瓌t上都可以精確描述，因此我們可以制造機(jī)器來對它進(jìn)行模擬”。

當(dāng)代也有不少科學(xué)家堅信，觀察研究人類大腦，可以輕松解決新一代人工智能的設(shè)計問題。2013年，歐盟牽頭、26個國家135個合作機(jī)構(gòu)參與的“人類腦計劃”（Human Brain Project，簡稱HBP）也將重點放在了，如何通過超級計算機(jī)技術(shù)來模擬人腦功能，以期實現(xiàn)人工智能。

聽起來，模擬人腦的思維路徑，在此基礎(chǔ)上進(jìn)行推理運算，得到新的知識、判斷，似乎是AI從誕生到進(jìn)化的必由之路。

然而，遠(yuǎn)有日本雄心勃勃打造的能像人一樣推理的“第五代計算機(jī)”宣告破產(chǎn)，近有耗時10年、燒光10億歐元試圖模擬大腦的“藍(lán)腦計劃”（Blue Brain Project）徹底涼涼，連一個蠕蟲的大腦都沒模擬成功。

這不禁讓我們有些疑惑，AI與模擬大腦之間，到底存在著怎樣復(fù)雜糾結(jié)的聯(lián)系？

從熱戀到冷落：

模擬大腦如何成為AI的備胎

先解釋一下，雖然都是對大腦智能的“模擬”，但不同人工智能學(xué)派的理念卻各不一樣。

符號主義學(xué)派主張模擬人腦的邏輯思維。先把問題或知識表示為某種邏輯結(jié)構(gòu)，運用符號演算，從而實現(xiàn)表示、推理和學(xué)習(xí)等功能，典型代表就是專家系統(tǒng)。

聯(lián)結(jié)主義學(xué)派則主張模擬人腦的生理結(jié)構(gòu)和工作機(jī)理。通過人腦神經(jīng)網(wǎng)絡(luò)、神經(jīng)元之間的連接以及在神經(jīng)元間的并行處理，實現(xiàn)對人腦智能的模擬。現(xiàn)在街知巷聞的神經(jīng)網(wǎng)絡(luò)算法，就是這一理念的成功應(yīng)用。

而行為主義學(xué)派則主張直接模擬智能行為的感知和動作模式。不要考慮復(fù)雜的知識、表征、推理等等，讓AI在現(xiàn)實世界中通過自動控制過程與環(huán)境交互作用表現(xiàn)出來就好。

當(dāng)然也有像瑞士神經(jīng)科學(xué)家Henry Markram主導(dǎo)的“藍(lán)腦計劃”一樣，試圖用計算機(jī)創(chuàng)建復(fù)雜的數(shù)學(xué)模型，用來模擬人腦的86億個神經(jīng)元和100萬億的突觸，以幫助研發(fā)出更智能的機(jī)器人。

在當(dāng)時來看，所有模擬理論或多或少都有一些問題。比如符號主義很難說清楚，數(shù)字模型與人類心理相似性上的關(guān)聯(lián)；聯(lián)結(jié)主義只能粗略地模擬神經(jīng)系統(tǒng)，如果訓(xùn)練多層網(wǎng)絡(luò)使用的路徑，就很難找到與之對應(yīng)的生物學(xué)知識和匹配的硬件。行為主義只能實現(xiàn)低層智能，比如讓機(jī)器蟲爬來爬去，而復(fù)刻一個數(shù)字化大腦就更不現(xiàn)實了，因為想要從細(xì)胞層面構(gòu)建人腦模型、模擬860億個神經(jīng)元的運作與相互關(guān)聯(lián)，以今天的腦科學(xué)水平注定只是白花錢。

所以，現(xiàn)實中的人工智能，正如圖靈所說，唯一需要做的事就是找到腦內(nèi)運行的程序，獲得正確的智能算法，然后在合適的硬件上運行它。

而時代的幸運兒就是深度學(xué)習(xí)。模擬人腦神經(jīng)網(wǎng)絡(luò)工作機(jī)制的深度學(xué)習(xí)方法，乘著互聯(lián)網(wǎng)的東風(fēng)直上青云，成為最適合將智能程序與算法下沉到社會機(jī)器上的核心技術(shù)。

在感知層面，利用現(xiàn)代計算機(jī)算力的提升，以及網(wǎng)絡(luò)數(shù)據(jù)量的暴漲，讓深度學(xué)習(xí)通過大規(guī)模數(shù)據(jù)集與訓(xùn)練來獲得數(shù)據(jù)模型成為了可能。

而在讓機(jī)器“看起來智能”的核心推理能力上，深度學(xué)習(xí)也展現(xiàn)了足夠強(qiáng)大的進(jìn)步。主要體現(xiàn)在兩個方面：一種是判別事物。在已知屬性的條件下，讓機(jī)器對某個事物進(jìn)行判斷與分類，比如找出垃圾郵件或攻擊性語言，亦或是從圖像、視頻中識別出某種特殊物體等等。

另一個能力則是生成。也就是通過訓(xùn)練好的模型，產(chǎn)生出符合該模型描述的數(shù)據(jù)。比如風(fēng)靡一時的AI換臉，越來越機(jī)靈的智能語音助手，自動編寫新聞的機(jī)器人等等。

得益于這種在應(yīng)用場景上快速打開商業(yè)想象力的優(yōu)勢，我們今天提到AI，絕大多數(shù)人的第一反應(yīng)，已經(jīng)不再是被替代的恐慌、超越人類的恐怖故事，而是如何讓數(shù)字世界為AI所用，再讓以深度學(xué)習(xí)及衍生技術(shù)為基石的AI反哺千行萬業(yè)，為社會生活提質(zhì)增效。

既然如此，為什么科學(xué)家們還是對模擬人腦的方案念念不忘呢？這恐怕要從“賽爾的中國屋”說起。

念念不忘，必有回響：

AI研究為何與模擬大腦再續(xù)前緣？

哲學(xué)家賽爾，曾經(jīng)用這樣一個例子，來表達(dá)他對模擬程序的“機(jī)器智能”并不認(rèn)可。

他想象自己在一個屋子里，有人會從窗口傳遞給他一個用中文書寫的問題，而他需要用中文給出答案。但賽爾完全不懂中文，也看不懂漢字，但他擁有了一套能幫他編寫答案的書。書中會告訴他復(fù)雜的規(guī)則，教他操作“無意義”的漢字符號，并將之變成答案。經(jīng)過了充分的練習(xí)之后，賽爾就可以熟練地用中文輸出答案了，乍一看，似乎和地道的中國人沒什么兩樣。

但顯然，我們并不能因此就認(rèn)為，賽爾會中文。哲學(xué)家本人也由此得出結(jié)論，一個由毫無理解能力的各種要素組成的綜合體是沒法變魔術(shù)似的產(chǎn)生理解力的。

這與深度學(xué)習(xí)的邏輯有著異曲同工之處。某種程度上，也反映了當(dāng)前智能的技術(shù)實現(xiàn)路徑，所具有的局限：

比如人類大腦能夠快速適應(yīng)不斷變化的環(huán)境，而機(jī)器在不確定性較高的環(huán)境中，性能就會大幅下降，因此只能用于一些特定的領(lǐng)域。正如谷歌公司前副總裁安德魯·摩爾所說，今天最精密的計算機(jī)也不過是只能“解決特定問題的智能計算器”。你沒辦法讓一個炒菜機(jī)器人自己學(xué)會送餐，也沒辦法讓人工智能主動“創(chuàng)建”并解決問題。

再比如學(xué)習(xí)效率上，人類大腦也與機(jī)器智能大相徑庭。谷歌的機(jī)器識別算法，在無監(jiān)督的情況下自動學(xué)習(xí)識別“貓”的視覺圖像，需要1000臺計算機(jī)聯(lián)網(wǎng)合作。然而一個人類小孩在幼兒園玩玩具的功夫就能辦到。機(jī)器如果真的有思維，恐怕早就變成檸檬精了。

而且，人腦決策時會運用許多隱知識（也就是下意識的直覺），而機(jī)器必須根據(jù)復(fù)雜多元的環(huán)境不斷調(diào)整并改變策略，這就導(dǎo)致機(jī)器決策會出現(xiàn)明顯的時延。比如在駕駛時，人類很容易就能夠通過觀察汽車、人行橫道與路標(biāo)，快速確定它們的通行順序與相對位置。而傳統(tǒng)的 人工智能算法卻需要在多個物體同時輸入系統(tǒng)之后去精煉它們的相關(guān)信息，才能做出判斷。這也是為什么自動駕駛只能在訓(xùn)練場里徘徊，遲遲無法走入真實道路的重要原因之一。

雖然深度學(xué)習(xí)發(fā)展到現(xiàn)在，已經(jīng)借由許多其他技術(shù)的引入，改變和彌補了最初的一些不足，比如元學(xué)習(xí)的引入，讓機(jī)器學(xué)習(xí)開始擺脫對數(shù)據(jù)量的依賴；與強(qiáng)化學(xué)習(xí)相結(jié)合，能夠讓智能體在自我對抗中學(xué)習(xí)推理……但總體而言，人腦恰好就是那種非程序的智能，而機(jī)器學(xué)習(xí)注定不是“終極答案”。

所以，AI轉(zhuǎn)而尋找模擬大腦這個“真命天子”，也就順理成章了。

回心轉(zhuǎn)意，腦機(jī)合體：

AI能否實現(xiàn)極限操作？

事實上，近年來AI界已經(jīng)認(rèn)識到了人腦生物系統(tǒng)本身在處理信息上的優(yōu)越性，研究者們都在試圖復(fù)制這種模式，設(shè)計一個模仿大腦的神經(jīng)網(wǎng)絡(luò)。

比如韓國科學(xué)技術(shù)院的生物和大腦工程系李相完，就發(fā)表了“前頭葉控制”理論，即人腦可以自行評價對外部環(huán)境的認(rèn)知度，通過外部信號來處理信息。將該原理應(yīng)用于AI算法和機(jī)器人等領(lǐng)域，可以設(shè)計出能夠根據(jù)外部情況變化，在性能、效率、速度等各個方面自動平衡到最佳狀態(tài)的智能系統(tǒng)。這一成果也被收錄在了機(jī)器人工學(xué)領(lǐng)域的國際學(xué)術(shù)雜志《科學(xué)》上。

最近，在《科學(xué)報告》雜志上的一篇文章中，以色列巴伊蘭大學(xué)的科學(xué)家也證明了，基于大腦動力學(xué)（大腦計算速度比70年前的電腦還更慢）設(shè)計出的新型人工智能算法，性能遠(yuǎn)遠(yuǎn)超過了當(dāng)前最先進(jìn)的AI算法。

在研究中，科學(xué)家認(rèn)為神經(jīng)生物學(xué)和機(jī)器學(xué)習(xí)不應(yīng)該到現(xiàn)在還在獨立發(fā)展。甚至認(rèn)為“大腦因復(fù)雜規(guī)則學(xué)習(xí)而變慢，也可以是一種優(yōu)勢”。因為人腦能夠在樹突（也就是每個神經(jīng)元的末端）進(jìn)行“元控制”，也就是在沒有明確學(xué)習(xí)步驟的情況下，根據(jù)異步輸入的信息快速完成自適應(yīng)。

這種沒有經(jīng)過學(xué)習(xí)的“學(xué)習(xí)”方式，以前往往被認(rèn)為是不重要的弱權(quán)重控制器，但在實驗中，無論是小型和大型網(wǎng)絡(luò)，融合了大腦動力學(xué)樹突式學(xué)習(xí)的系統(tǒng)，學(xué)習(xí)速度都快的驚人，這也為基于高速計算機(jī)的新人工智能出現(xiàn)提供了可能。

難怪研究人員不無期待地稱，人類對大腦基本原理的洞察必須再次成為未來人工智能的中心。谷歌的技術(shù)團(tuán)隊也認(rèn)為，觀察人類大腦能夠解決工程學(xué)無法解決的AI算法問題。

看來，這對CP的牽手只差一個產(chǎn)業(yè)端的集體“官宣”了。

在送出祝福之前，我們不妨來暢想一下，二者的結(jié)合可能打開哪些想象？

一個是如前面科學(xué)家們所說，為人工智能算法找到新的突破口，脫離“模擬程序智能”的桎梏；

而另一個機(jī)器人的智能也可以得到顯著提高。“多任務(wù)訓(xùn)練”一直是當(dāng)下人工智能的突破難點，隨著模擬人腦的深入，既不用讓人類辛辛苦苦地對其進(jìn)行“毆打”，來訓(xùn)練其靈活處理信息的能力，避免了不少倫理難題；還有可能將人類智能導(dǎo)入機(jī)器，培養(yǎng)出能夠執(zhí)行復(fù)雜任務(wù)的“多功能”機(jī)器人。

或許也只有這樣，AI才能擁有一個真正智慧的“大腦”。不同道路在未來的交匯，將為AI的極限發(fā)揮埋下一個漂亮的引線。

來源：聯(lián)想創(chuàng)投