北大黃鐵軍：強AI的「模擬主義」和神經計算機的「五原則」

新智元編譯

來源：IJAC；中國計算機學會

作者：黃鐵軍

編輯：零夏

【新智元導讀】過去，大概有四種方法來實現某些人工智慧：符號主義，聯結主義，行為主義和統計學， 這四種方法在不同的角度抓住了智能的一些特點。北京大學計算機系主任黃鐵軍提出：「模擬主義」可謂人工智慧方法中第五流派。

在人工智慧過去的六十年，大概有四種方法來實現某些人工智慧：符號主義，連接主義，行為主義和統計學。 這四種方法在不同的角度抓住了智能的一些特點，在人工智慧中取得了劃時代的成就。近年來，深入學習在全球崛起，特別是在圖像和語音識別方面取得了顯著的成功，將AI推向第三次革命。

近期，在刊物IJAC（International Journal of Automation and Computing）優先在線發表的幾篇論文中，北京大學黃鐵軍教授的綜述—「Imitating the Brain with Neurocomputer：A 「New」 Way Towards Artificial General Intelligence」—提出的「模擬主義」（Imitationalism）可謂人工智慧方法中第五流派！

這篇綜述成為近兩月優先發表論文中的亮點之一，這篇綜述也在Twitter上被國外學者轉發數次。文章不僅闡述了如何打破走向通用人工智慧的研究僵局、探索研製類腦神經計算機的新思路，還詳細描述了類腦神經計算機三個重要技術層次和國內外研究進展。

此前，黃鐵軍教授發布的《電腦傳奇（下篇）電腦涅槃》中把通用人工智慧的實現載體稱為「電腦（電子大腦）」。我們結合這篇文章，一起看看關於人工智慧「模擬主義」的前世因果、今生未來。

把「製造智能」寄希望於「理解智能」，本末倒置！

黃鐵軍在綜述開始提出一個問題：實現通用人工智慧，到底是模仿「智能」？還是模仿「大腦」？也就說，我們應該走「功能」路線？還是「結構」路線？

任何客觀對象都可以分為「結構」和「功能」兩個層次：簡言之，結構是功能的基礎，功能是結構的表現。大腦的「結構」是指各種神經元（神經細胞）通過神經突觸連接而成的複雜神經網路，「功能」是指大腦神經網路表現出的動力學行為，即思維和意識現象。所謂大腦奧秘這個終極性難題，實際上是指「大腦（結構）何以產生智能（功能）？」或簡稱為「理解智能」難題。

為了獲得通用人工智慧，到底是先「理解智能」？（即理解意識現象和功能背後的發生機理）還是先「製造智能」（即研製類似人腦的具有自我意識的智能機器）？——這是一個值得考慮的問題！

傳統人工智慧的思維定式是先理解智能再模仿智能。然而人類對自身智能的認識還處在初級階段，在對人類智能的理解還極其有限，「理解智能」這個終極性問題到底數十年還是數百年亦或數千年才能解決？都還是未知數。

因此，把「製造智能」寄希望於「理解智能」，實質上把解決問題的方案建立在解決另一個更難問題的基礎上，犯了本末倒置的錯誤。

「模擬主義」是一條「新」路線，在製造出強AI之後再尋求「理解智能」的解

如果我們跳出傳統思維的窠臼，就會發現通向通用人工智慧還有一條「新」路線——構建類腦神經計算機，這裡稱為「模擬主義」（Imitationalism）。說這是一條新路線，是因為它反轉了「理解智能」和「製造智能」的前後關係：即我們不再尋求「理解智能」的解，而是先模仿腦，即設計更先進的探測分析工具，從結構上解析大腦，再利用工程技術手段「照葫蘆畫瓢」式地構造仿腦裝置，最後通過環境刺激和交互訓練「模擬大腦」，實現類人智能。簡言之：先結構後功能。

人腦是強人工智慧最好的和唯一的參照物。正如歐盟「人類大腦計劃(Human Brain Project)」建議報告中指出的：「除人腦以外，沒有任何一個自然或人工系統能夠具有對新環境與新挑戰的自適應能力、對新信息與新技能的自動獲取能力、在複雜環境下進行有效決策並穩定工作直至幾十年的能力。沒有任何系統能夠在多處損傷的情況下保持像人腦一樣好的魯棒性，在處理同樣複雜的任務時，沒有任何人工系統能夠媲美人腦的低能耗性。」

「模擬主義」簡史

模擬大腦的努力可以追溯到20世紀80年代。美國諾貝爾生理或醫學獎獲得者—生物學家傑拉爾德·艾德曼(Gerald Maurice Edelman, 1929-2014)—在1978年左右轉向意識研究。他的基本思想可概括為「神經群體選擇理論(neuronal group selection)」，即神經系統產生感知、行為、學習、記憶以及意識的機理與生物適應自然環境的自然選擇機制類似，因此被稱為「神經達爾文主義」(Neural Darwinism) 。

為了驗證這一學說，從1981年開始，他提出了統稱為「綜合神經建模(synthetic neural modeling)」的理論，即逼近真實解剖和生理數據的神經系統大規模模擬，並研製了一系列名為「Darwin（達爾文）」的「仿腦機」(Brain-Based-Devices, BBD) 。

仿腦機模擬的是不同腦區（如海馬或小腦），通過從多種模擬神經迴路中進行選擇而實現學習。起初是軟體，1992年開始採用硬體。基於仿腦機的足球機器人在2004年至2006年參加RoboCup機器人足球公開賽，曾5局全勝卡內基梅隆大學的經典人工智慧系統。

2009年，在藍色基因超級計算機上實現了8.61T個神經突觸的貓腦模擬，在哺乳動物大腦皮層上經常能觀測到的阿爾法振蕩（10Hz左右）和伽馬振蕩（40Hz左右的信息整合）現象，也在這個「軟體大腦」上出現了。在接受視覺模式刺激時，這個「軟體大腦」還出現了在哺乳動物視皮層上才能觀察到的特定群體響應潛伏現象。同樣在2009年，馬克拉姆團隊在藍色基因超級計算機上構造出剛出生兩周的大鼠的新皮質柱精細模型，包括1萬個神經元和數千萬個突觸連接，同樣出現了伽馬振蕩現象。由馬克拉姆領銜的歐洲「人類大腦計劃」於2013年1月獲得歐盟批准，提出將信息技術和生命科學結合，整合從單分子探測到大腦整體結構解析，實現全腦模擬模擬。

在人類大腦計劃支持下，2016年完成了20塊晶圓、400萬個神經元和10億個突觸的神經形態計算系統，速度比生物系統快1萬倍。2022年（也就是人類大腦計劃結束前）的目標系統現在尚未敲定，預計構造一個500塊或5000塊晶圓組成的大型系統。即使是500塊的方案，也能同時模擬5億個神經元，比人腦速度高上萬倍，因此將具備實時模擬人類大腦的能力。

如果說Neurogrid、BrainScaleS、SpiNNaker和TrueNorth等神經形態計算系統代表了神經計算機的今天，那麼全新的神經形態器件將決定神經計算機的明天。要在一個有限的物理空間中以較低功耗實現大腦規模的神經計算機，必須研製尺度和功耗都與生物相當甚至更小的神經形態器件。

中國在神經形態器件方面已經有10多年的研究歷史，北京大學、清華大學、南京大學、中科院上海微系統所、華中科技大學和國防科技大學等單位的成果表明，中國很有可能對這一領域產生巨大影響。儘管這些器件應用於神經計算系統還有很長的路要走，但它們將從根本上塑造神經計算機的未來，就像晶體管和集成電路對經典計算機的貢獻一樣。

神經計算機「五原則」

為了和經典計算機區分，真正的「電腦」可稱為「類腦計算機」或「神經計算機」，是仿照生物神經網路，採用神經形態器件構造的，以多尺度非線性時空信息處理為中心的智能機器。背後的基本理念是繞過「理解智能」這個更為困難的科學難題，先通過結構模擬等工程技術手段製造出類腦計算機，再通過訓練間接達到智能模擬的目的。這條技術路線可總結為三個層次：結構層次模仿腦，器件層次逼近腦，智能層次超越腦。

黃鐵軍提出，借鑒生物大腦和神經系統的精細結構模型，研製能夠對多尺度非線性信息進行高效處理的「電腦」，需要遵循以下原則：

1.先結構，後功能：應該從對生物神經系統的結構模擬出發，而不是從生物智能的功能模擬出發，即科學基礎主要是神經科學，而不是認知科學；

2.器件層次逼近腦：必須研製功能和尺度都逼近乃至超越生物神經元和生物突觸的神經形態器件，以製造大規模神經網路硬體系統；

3.結構層次模仿腦：需要借鑒生物神經網路的結構設計新的體系結構，在實現類似生物智能後，再進行簡化、優化和擴大規模；

4.功能層次超越腦：使用互聯網大數據、物聯網感測器和虛擬環境等多種刺激，訓練硬體神經網路，「培育」智能；

5.先理解機器智能，再理解生物智能：對機器智能產生的動力學過程進行建模和分析，理解機器智能，再將這種理解外推到生物系統，補充生物實驗，理解生物智能乃至人類意識。

沿著上述原則研製的「電腦」，並不需要等待腦科學認知原理的突破，就有可能製造出類似生物一樣的強人工智慧，甚至湧現出自我意識，這將是揭開大腦終極奧秘的重要一步。

超越將同時發生

一旦「電腦」變為現實，超越就同時發生了：

1.速度：神經形態器件可以快多個數量級；

2.規模：沒有顱骨的限制；

3.壽命：電子系統即使有損耗，也可以複製遷移到新系統而永生；

4.精度：生物大腦的很多缺陷和「短板」可以避免和彌補；

5.協作：電腦之間「精誠合作」、「萬眾一心」；

6.進化：電腦自己設計自己；

7.……

這正是：

惚恍顱中物，灼灼銀河星；

更有千千結，長程聯短程；

染色百年技，光電透皮層；

列國腦計劃，十年欲圖窮；

微納仿突觸，人工造神經；

結構摹人腦，行為生智能；

跨越生物限，提速再增容；

心浩連廣宇，惟有慨然行。

參考列表：

1. 綜述「Imitating the Brain with Neurocomputer

2. 《電腦傳奇（下篇）：電腦涅槃》 ：《中國計算機學會通訊》2017年第2期。http://www.jdl.ac.cn/%7Etjhuang/eBrain.html

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！