作者：曹立宏（中國傳媒大學(xué)腦科學(xué)與智能媒體研究院院長(cháng)）
機器之心授權轉載
人工智能是一門(mén)既古老又嶄新的學(xué)科。早期的人工智能為早期的工業(yè)和互聯(lián)網(wǎng)發(fā)展做出了巨大的貢獻。但是，早期人工智能技術(shù)對大腦的認識尚很膚淺；近年來(lái)，伴隨腦科學(xué)的發(fā)展，人工智能正在進(jìn)入一個(gè)新時(shí)代。其中最為突出的是深度學(xué)習（Deep Learning）研究。發(fā)明者借用了大腦的多層結構這一基本思想，通過(guò)對傳統的人工神經(jīng)網(wǎng)絡(luò )改造，在諸如圖像識別、語(yǔ)音識別等感知識別問(wèn)題上已經(jīng)取得了重大突破。
隨著(zhù)深度學(xué)習在應用領(lǐng)域獲得的成功，相關(guān)研究日益得到廣泛的支持和關(guān)注。但是，由于對深度學(xué)習的核心基礎、特點(diǎn)和功能的理解不夠全面深入，相當數量的媒體報道和大眾認知對深度學(xué)習、特別是對深度學(xué)習與腦科學(xué)的關(guān)系，在認識上產(chǎn)生了一些想象與偏見(jiàn)：一方面，某些注重應用的人士認為，深度學(xué)習是人工智能技術(shù)的核心，與腦科學(xué)關(guān)系不大，因此深度學(xué)習研究不用關(guān)注腦科學(xué)發(fā)展；而另一方面，某些注重社會(huì )發(fā)展的人士則認為，類(lèi)人腦的人工智能時(shí)代已經(jīng)到來(lái)并威脅到人類(lèi)的生存。應該說(shuō)，這兩種理解都比較片面、各有偏差。然而由于目前國內腦科學(xué)工作者專(zhuān)門(mén)探討深度學(xué)習的論文相對較少，一些觀(guān)念未能及時(shí)討論和廓清，因此媒體對新一代人工智能技術(shù)的報道仍有不少誤區。
針對上述情形，本文擬在以下方面進(jìn)行努力：一，從深度學(xué)習的發(fā)展歷史、理論核心和計算特征等方面，闡明深度學(xué)習和腦科學(xué)之間的密切關(guān)系。二，分析深度學(xué)習的功能、局限及導致局限的核心原因。其應用局限表明，深度學(xué)習作為一種弱人工智能，遠未發(fā)展到威脅人類(lèi)生存的程度；而導致其功能局限的核心原因則在于其神經(jīng)模型的不完善。三，從神經(jīng)模型、計算特征、功能及可行性等方面將深度學(xué)習和仿腦計算進(jìn)行深入比較，指出仿腦計算在類(lèi)人腦的新人工智能發(fā)展領(lǐng)域的巨大優(yōu)勢和發(fā)展前景。
一、深度學(xué)習和腦科學(xué)的關(guān)系
關(guān)于深度學(xué)習和腦科學(xué)之間的深刻淵源和密切關(guān)系，筆者認為，如果說(shuō)深度學(xué)習是人工智能技術(shù)的核心，那么腦科學(xué)中的仿腦計算將是深度學(xué)習的核心基礎，而腦科學(xué)則是基礎的基礎。事實(shí)上，從技術(shù)發(fā)展和核心特征來(lái)看，深度學(xué)習的成功得益于腦科學(xué)發(fā)展所帶來(lái)的啟示，深度學(xué)習的兩大特點(diǎn)也都來(lái)自于對大腦的模仿。
一是深度學(xué)習的神經(jīng)網(wǎng)絡(luò )結構特征。深度學(xué)習的成功是相對于傳統人工神經(jīng)網(wǎng)絡(luò )的局限而言的。早期的人工神經(jīng)網(wǎng)絡(luò )發(fā)展比腦科學(xué)發(fā)展要早幾乎半個(gè)世紀，因此，傳統人工神經(jīng)網(wǎng)絡(luò )中的神經(jīng)元、突觸模型以及網(wǎng)絡(luò )的構架和真實(shí)大腦相比都是極其粗糙而不準確的。深度學(xué)習相比傳統的人工神經(jīng)網(wǎng)絡(luò )在構架上有了很大的變化。例如Google Net的層數高達22層。人的視網(wǎng)膜粗分有3層，如果細一點(diǎn)可以有5層甚至更多。大腦皮層至少有6層。從視網(wǎng)膜到具有識別功能的大腦IT區域，至少需要經(jīng)過(guò)視網(wǎng)膜-LGN-V1-V2-V4-IT等6個(gè)區域，因此至少需要30多層，然而傳統的神經(jīng)網(wǎng)絡(luò )常常只有2、3層。因此，深度學(xué)習首先在結構上打破了傳統神經(jīng)網(wǎng)絡(luò )的傳統，向大腦的結構靠近了一大步。值得指出的是，伴隨結構深度的增加，神經(jīng)元和連接的數量也大幅提升，對計算的要求也相應提高。近年來(lái)GPU的發(fā)展正好滿(mǎn)足了深度學(xué)習的需求，為深度學(xué)習提供了良好的硬件基礎。
深度神經(jīng)網(wǎng)絡(luò )的另一核心特征是卷積計算。而在神經(jīng)網(wǎng)絡(luò )中采用卷積計算則是受到大腦視覺(jué)系統中感受野（神經(jīng)細胞所能感受到的空間區域）特征的啟示。傳統的神經(jīng)網(wǎng)絡(luò )在初始化時(shí)，常常是采用完全的連接，有大量的權重參數。在大腦中如果采用完全鏈接的話(huà)，大腦的空間也許要長(cháng)得像地球那么大才能容得下那么多的連接線(xiàn)。顯然，大腦通過(guò)演化達到了一定的優(yōu)化，使神經(jīng)元的數量和連接的數量比保持在一個(gè)合理的范圍。深度學(xué)習中的卷積計算就是充分利用了這個(gè)特點(diǎn)，大大減少了需要調整的權重參數的個(gè)數。因此，可以說(shuō)，目前深度學(xué)習的兩大特點(diǎn)都來(lái)自于對大腦的模仿。
二、深度學(xué)習的局限及其原因分析
從功能上看，目前深度學(xué)習的應用集中于人工智能中的模式識別，如圖象識別、語(yǔ)音識別等。但是，在人腦中，識別功能僅僅是整個(gè)大腦功能的一小部分，而且還不是核心部分，因為許多低級動(dòng)物也具有良好的視覺(jué)和聽(tīng)覺(jué)的感知與識別功能。人腦的核心功能在于學(xué)習與運用。在學(xué)習方面，大腦可以對具體事物進(jìn)行全方位的學(xué)習，并具有概念抽象的能力。在運用方面，大腦可以舉一反三、創(chuàng )造性地解決問(wèn)題。以人類(lèi)大腦的核心功能為參照來(lái)看，目前深度學(xué)習僅僅能對特定條件下的信息進(jìn)行處理，達到特定的目的，因此，認為深度學(xué)習帶來(lái)的新人工智能時(shí)代已經(jīng)到來(lái)并威脅到我們人類(lèi)的生存這一觀(guān)點(diǎn)大可不必。在有關(guān)文章里，我們也常?？吹綇氖律疃葘W(xué)習研究的學(xué)者們多次表示深度學(xué)習不會(huì )帶來(lái)這樣的威脅。
導致深度學(xué)習的功能局限、阻礙深度學(xué)習在功能上逼近大腦的核心原因，在很大程度上是由于目前深度學(xué)習技術(shù)中的神經(jīng)元模型和突觸模型還沒(méi)有突破傳統模型的限制。在自然界中的真實(shí)大腦的神經(jīng)信號都具有Spike這一特征；而傳統神經(jīng)元模型則把Spike簡(jiǎn)化為頻率，丟棄了時(shí)域中一些快速變化的信息。在學(xué)習方面，大腦中的突觸具有復雜多變、非線(xiàn)性動(dòng)力特征的可塑性，而在深度學(xué)習中還僅僅是些權重參數，不具有動(dòng)態(tài)特征。雖然有一種觀(guān)點(diǎn)認為，也許Spike只是鳥(niǎo)的羽毛，我們不需要羽毛也能造出飛機，但飛機在空中的生存技能還遠遠不如鳥(niǎo)類(lèi)。不具有動(dòng)態(tài)特征和精細的時(shí)域信息的神經(jīng)網(wǎng)絡(luò )，可以運算的更快，但一定在功能上會(huì )有缺陷（當然這也取決于具體的應用）。
三、仿腦計算的優(yōu)勢、可行性及其前瞻
怎樣能使神經(jīng)網(wǎng)絡(luò )模型更加精細和具有動(dòng)態(tài)特征呢？仿腦計算在這方面表現出巨大的優(yōu)勢。仿腦計算則不但要從結構上模仿大腦，而且還要從神經(jīng)元和突觸的模型上模仿大腦，所以某種意義上講，仿腦計算也可看成是深度學(xué)習將來(lái)的發(fā)展方向。由于需要從神經(jīng)元和突觸這樣的微觀(guān)模型上模仿出宏觀(guān)的大腦功能，仿腦計算面臨著(zhù)諸多的挑戰。有人甚至認為仿腦計算還很遙遠。真的是如此遙遠而不可及嗎？我們先來(lái)看看這些挑戰以及可能的解決方案。
神經(jīng)元的信號是指細胞內外的電壓差。它主要來(lái)自眾多突觸受體的電流變化以及自身離子通道的特性。早在1960左右的HH方程已經(jīng)相當精確地描述了神經(jīng)信號的發(fā)生機理。因此，理論上講，HH方程就是神經(jīng)元最精確的模型。但是，HH方程是一套非線(xiàn)性動(dòng)力學(xué)方程，沒(méi)有數學(xué)上的解析解，只能采用數值計算方法，一步一步地以逼近的方式進(jìn)行推演計算。為了確保逼近的精確度，每一步步長(cháng)都非常短（例如0.01毫秒）。所以對于現在的計算機而言，一個(gè)十萬(wàn)或百萬(wàn)個(gè)神經(jīng)元的神經(jīng)網(wǎng)絡(luò )的計算是個(gè)十分沉重的負擔。因此，如何能快速計算HH方程或者修改HH方程達到快速計算的目的成為了一個(gè)重要的研究方向。LIF模型是一類(lèi)對HH模型的簡(jiǎn)化模型。由于LIF模型起碼保持了Spike的特征，受到許多研究團隊的認可。目前，美國和歐盟的腦計劃中的硬件類(lèi)腦計算模型就是基于LIF模型，期望達到大規模、低能耗的類(lèi)腦功能?？梢宰C明的是，對LIF模型的進(jìn)一步簡(jiǎn)化可以形成傳統的人工神經(jīng)元模型。因此，不管如何，基于Spike的神經(jīng)網(wǎng)絡(luò )（也稱(chēng)SNN）應該會(huì )比深度學(xué)習基于的傳統人工神經(jīng)網(wǎng)絡(luò )（ANN）展示出更優(yōu)良的性能。
突觸是信號傳遞以及使大腦具有學(xué)習功能的主要微觀(guān)結構。突觸在大腦里的數量比神經(jīng)元還要高出1000倍左右。突觸不但數量大，而且模型十分復雜。雖然可以分成興奮和抑制兩大類(lèi)型，但由于不同的神經(jīng)遞質(zhì)受體的差異，它們的特征各有千秋。在深度學(xué)習中，用一個(gè)簡(jiǎn)單的權重參數來(lái)描述突觸的性能，實(shí)在是對那么多蛋白質(zhì)功能的極大藐視。如果大腦的突觸只有一種蛋白質(zhì)的話(huà)，相信一定早就被自然界淘汰了。所以，絕大部分腦科學(xué)家不會(huì )認為深度學(xué)習會(huì )給腦科學(xué)帶來(lái)多大貢獻。但是，仿腦計算則采用比權重參數更復雜的突觸模型，盡量逼近真實(shí)的突觸模型。例如，采用簡(jiǎn)單但與時(shí)間相關(guān)的STDP模型，人們已經(jīng)可以模擬出類(lèi)似于狗的條件反射實(shí)驗，這代表了動(dòng)物的聯(lián)想式的學(xué)習功能。所以科學(xué)家們對仿腦計算有更高的期盼。
雖然自HH方程的提出，就有仿腦計算的想法，但真正嘗試百萬(wàn)個(gè)神經(jīng)元的大規模仿腦神經(jīng)網(wǎng)絡(luò )的計算還是近些年的事。從目前公開(kāi)報道的情況看，還沒(méi)有任何一個(gè)研究團隊成功實(shí)現類(lèi)人的人工智能。這可能有多種原因：1，采用的模型也許還過(guò)于簡(jiǎn)單；2，其中的某個(gè)模型過(guò)于簡(jiǎn)單而引起的短板效應；3，大腦還有更多的秘密。從目前的情況看1和2的可能性很大。許多研究團隊都希望用最簡(jiǎn)單有效的方法模擬出大腦的功能。如果失敗，再增加復雜性，提高仿真度，逐步向真實(shí)的大腦逼近。至今為止，雖然仿腦計算還沒(méi)有實(shí)現類(lèi)人的人工智能，但很多人相信這只是時(shí)間問(wèn)題。核心原因是：人腦是可以模仿的，而且可行性越來(lái)越大。采用現代GPU技術(shù)我們已經(jīng)可以實(shí)現百萬(wàn)級神經(jīng)元的仿腦神經(jīng)網(wǎng)絡(luò )的計算。伴隨憶租器技術(shù)的進(jìn)一步發(fā)展，將來(lái)有望直接實(shí)現高仿真神經(jīng)網(wǎng)絡(luò )的硬件系統。因此，仿腦計算也并非十分遙遠，而且已經(jīng)成為了國際科研領(lǐng)域的熱點(diǎn)。
在我國，由于長(cháng)期以來(lái)，從事計算機研究的和從事腦科學(xué)研究的學(xué)者屬于兩個(gè)群體，甚至從基礎學(xué)科開(kāi)始就有較大分歧，計算機研究人員常常是數理類(lèi)學(xué)科出身，而腦科學(xué)研究者常常是生化醫學(xué)類(lèi)教育背景，所以從事仿腦計算研究的人還很少。在國外，由于腦科學(xué)起步較早，與之相關(guān)的交叉學(xué)科近年來(lái)得到迅速發(fā)展。計算神經(jīng)學(xué)（Computational Neuroscience）已經(jīng)成為一門(mén)重要的交叉學(xué)科，仿腦計算也成為計算神經(jīng)學(xué)的核心目標。
仿腦計算不但可以作為深度學(xué)習未來(lái)發(fā)展的方向，而且還將引領(lǐng)計算技術(shù)的革命。目前，計算機還面臨許多難題，離類(lèi)人腦的人工智能水平還差得很遠。很多人腦能輕松搞定的事情，計算機還無(wú)能為力?，F在的深度學(xué)習只是解決了一些和感知相關(guān)的識別問(wèn)題，和大腦的整體功能相比還相差甚遠。從本質(zhì)上看，現代計算機是具有處理器與儲存器分離特征的馮諾依曼結構計算機，而大腦對信號的處理與儲存不完全分離，甚至在很大的程度上是分不開(kāi)的。目前計算機面臨的許多難題都與馮諾依曼結構相關(guān)（也稱(chēng)馮諾依曼瓶頸），而仿腦計算的研究有望突破馮諾依曼瓶頸，實(shí)現新一代非馮計算機。
深度學(xué)習方興未艾，仿腦技術(shù)悄然崛起。類(lèi)人的新人工智能即將到來(lái)也并非危言聳聽(tīng)。早做準備才不至于坐以待斃。如果能率先掌握并把控好這一人類(lèi)歷史上即將出現的重大技術(shù)，則將是對全民族和全人類(lèi)的最大福報。伴隨我國腦計劃即將拉開(kāi)序幕，我們有理由相信，我國的仿腦計算也將成為新的亮點(diǎn)。
作者介紹：
曹立宏，中國傳媒大學(xué)腦科學(xué)與智能媒體研究院院長(cháng)，教授，博士生導師；北京市協(xié)同創(chuàng )新研究院智能傳媒技術(shù)中心主任。美國國家衛生總署（NIH）博士后。北京市首批“腦科學(xué)研究”專(zhuān)項指導組受聘專(zhuān)家。
聯(lián)系客服
