如何再造一個硅基大腦

洪 波

清華大學為先書院院長、生物醫(yī)學工程學院教授

當今人類的生產生活已經被人工智能的浪潮裹挾，這不是第一次，也不會是最后一次。有智能行為的東西，很容易觸動人類內心的好奇和同情。人們喜歡和自己養(yǎng)的貓狗互動，跟我們喜歡和GPT胡亂聊天，喜歡看機器狗摔倒爬起，其實是一樣的心理。這種心理的背后深層次的原因，是人類總是試圖認識自身的思維和行為，從心理行為層面，從生理機制層面，甚至是從計算機制層面。如果從計算機制層面搞清楚了，那再造一個硅基大腦就有希望了。

物理學家費曼說過：我造不出來的東西，我就還沒理解。（What I cannot create, I do not understand.）反之，如果我們還沒有理解，當然也就造不出來。要造出一個硅基大腦，使它像生物大腦一樣有感知、有記憶、有決策、有行動，我們必須努力觀察和發(fā)現(xiàn)生物大腦運行的機制，并把它們構建成數(shù)學模型，感知、記憶、決策和行動才能在硅基的計算機中復現(xiàn)。

這是一本很有雄心的書，作者林賽試圖用10個數(shù)學模型來回答生物大腦的計算機制究竟是什么。這也是一本安靜的書，不適合那些想從腦科學中淘金，拿去人工智能領域變現(xiàn)的匆匆過客。如果你稍有一點耐心，坐下來一兩小時，試著讀一章，你就會被其中有趣而深刻的故事所吸引，一定會在某個地方受到震撼，得到啟發(fā)。不要擔心數(shù)學模型的深奧，正文里沒有一個公式，即使是附錄里的公式也是極其克制而簡潔的。

疫情防控期間，偶然的機會讀了本書的英文版Models of the Mind，立刻被作者試圖用10大數(shù)學模型總結大腦運行機制的雄心所打動。作者還用講故事的方式，介紹了這些數(shù)學模型背后的科學家以及他們之間的互動，硬核模型背后又平添了人性的溫度。湛廬能選中這本書翻譯出版，對那些試圖理解智能本質的人們是一件幸事。你盡可以把它當作一本大腦建模的旅游攻略，在其中走一遍會大開眼界，最重要的是，下次你想去哪個模型景點深度游的時候，就有了一張系統(tǒng)的文獻地圖和人物關系圖。作者顯然是計算神經科學領域的資深旅行者，對過去一個世紀腦科學和大腦建模的歷史了解得很通透。

這個星球上有兩種智能：生物智能和機器智能。生物智能是從自然界億萬年的生物進化中涌現(xiàn)出來的，是生命體為了自身生存，不斷攝取環(huán)境中的物質和能量，自下而上自監(jiān)督訓練出來的，簡單講是靠投喂物質和能量得到的生物體內活的碳基的神經結構；機器智能是人類受到生物智能，特別是人類自身智能行為的啟發(fā)，自上而下設計出來的，需要人為設定目標并監(jiān)督訓練。在當前階段，機器智能主要靠人為提供的計算體系和海量數(shù)據(jù)，簡單講是靠投喂信息得到的計算機里無生命的硅基神經網絡。這兩者的差別是不言而喻的，我深信前者更加優(yōu)雅，背后的數(shù)學模型也更加簡潔。

我們通常高估了人類頂層設計的智慧，低估了自然進化的智慧。我們也一定高估了人工智能發(fā)展的快變量――算力和數(shù)據(jù)，低估了人工智能顛覆性發(fā)展的慢變量――自然界放在我們眼前的生物智能結構。朝菌不知晦朔，蟪蛄不知春秋，在自然進化的生物智能面前，人類就是朝菌和蟪蛄。 這本書提醒我們，其實今天如日中天的人工智能就是在努力模仿生物神經網絡的核心結構和動態(tài)規(guī)律，只是人工智能的快速迭代，模糊了背后的神經科學背景。

書中的10個模型可以分為兩類：一類是功能輸出型的大腦模型，這類模型對人工神經網絡和人工智能的發(fā)展起到了非常直接的推動作用；另一類是數(shù)學抽象型的大腦模型，為腦科學研究提供了信息論、系統(tǒng)論與概率論的分析視角和工具。我重點提一下7個經典的功能輸出型的大腦模型，它們在過去70年人工智能的發(fā)展歷程中發(fā)揮了關鍵性的作用。

• 單個神經細胞的動力學模型。烏賊粗大的神經纖維給了科學家精確測量細胞膜內外電流的機會，再借鑒電子電路的思想，定量刻畫了一個神經細胞是如何放電的，構建了泄漏整合發(fā)放（Leaky Integrate-and-Fire，LIF）模型和霍奇金-赫胥黎（Hodgkin-Huxley，HH）模型，這成為后來的脈沖神經網絡的出發(fā)點和依據(jù)。一個神經細胞雖然簡單，但是離子通道豐富多變的動力學特性，以及神經細胞樹突的豐富形態(tài)，為脈沖神經網絡建模帶來了極大的想象空間。
• 多層前向神經網絡感知機。把單個人工神經細胞拼接起來，形成多層結構，并發(fā)展出相應的學習算法，這樣建成的感知機可以識別手寫體數(shù)字，成為第一個有用的人工神經網絡。感知機看上去像一個玩具模型，但它無愧于一個頂天立地的智能英雄，一方面開啟人工神經網絡的工業(yè)化應用，另一方面把圖靈所提出的可學習可教育的機器變成了現(xiàn)實，使智能理論邁出了一大步。
• 模仿視覺大腦的卷積神經網絡。把貓的初級視覺皮層簡單細胞和復雜細胞處理圖像邊緣的機制，抽象為兩個層次的圖像卷積操作，并模仿視覺通路的層次化結構，不斷重復這樣的分層卷積，最終構建了能夠識別復雜圖像的卷積神經網絡。這個多層結構幾乎復制了猴子和人類的腹側視覺通路。 加上反向傳播算法的發(fā)明，以及此后網絡深度的快速提升，開啟了基于深度學習網絡的智能新時代。
• 模仿海馬等大腦認知模塊的循環(huán)神經網絡。把記憶等大腦內生狀態(tài)抽象為循環(huán)連接的神經網絡，基于神經可塑性的赫布法則，把需要記憶或者臨時處理的信息（及其序列），以吸引子的方式隱藏在復雜的網絡連接系數(shù)中，構建出霍普菲爾德網絡、玻爾茲曼機、連續(xù)吸引子網絡等。這一升級，使人工神經網絡有了動態(tài)的隱空間，網絡的行為也變得更加靈活而智能。
• 大腦運動控制的群體向量模型。猴子運動皮層單個神經細胞總是偏好某個特定方向，大量運動腦區(qū)的神經細胞用放電頻率來投票，共同決定了手的運動。在數(shù)學上，用一個簡單的線性回歸模型，就可以從一群神經細胞放電頻率推算出猴子的手如何運動。這一模型雖然存在爭議，但它幾乎是腦機接口解碼運動參數(shù)的標準算法，非常可靠。有時候我甚至懷疑，這是運動皮層神經細胞在粗暴算法的逼迫之下快速學習和適應的結果，而不是什么解碼。
• 模仿生物獎懲學習行為的強化學習算法。生物體在環(huán)境中尋求獎勵的過程是不斷探索、不斷更新預期的過程，大腦深部的神經細胞會根據(jù)預期誤差的大小，釋放適量的多巴胺，來指導生物體的下一步行動。這種機制對應的數(shù)學模型就是著名的強化學習算法――時間差分學習。如果把游戲終局時的獎勵，通過深度學習網絡投射到玩家當前位置的預期，強化學習會更加精準有效，于是就催生了DeepMind Alpha系列的各種超級智能。
• 生物神經網絡陰陽平衡的機制模型。大腦是由千億個神經細胞連接形成的復雜網絡，這些細胞是如何協(xié)作，確保這個復雜系統(tǒng)不會崩潰的呢？背后是興奮性和抑制性神經細胞之間的陰陽平衡。這兩類神經細胞可能一直處于勢均力敵的拔河狀態(tài)，神經活動中觀測到的所謂噪聲和震蕩實際上就是這兩種力量來回拉鋸。這種拉鋸狀態(tài)使得大腦可以快速有效地處理外界的輸入。拔河力量失衡的大腦，就會出現(xiàn)癲癇或者其他精神疾病。