ADL 81 參會收穫：關於類腦計算的認識

2017年7月底來中科院計算所參加 CCF 的學科前沿講習班《類腦計算》。收穫甚大。我覺得，自己未來做類腦智能的研究，是一種命中認定必須要做的事情。目前類腦計算火，主要是因為時下深度學習以及人工神經網路的巨大成功。但也正因為如此，我們更應該端正態度，更應該冷靜下來， 踏踏實實推進這個嶄新學科的發展。

今天想探討如下幾個話題。

什麼是類腦計算？

人類一直以來有著一個非常偉大的夢想，那就是理解智能，理解我們的大腦。在「理解智能、 理解大腦」這個問題下，哲學、心理學、生物學、認知科學、神經科學等，都做了不計其數的工作。而近代以來，另外一個更加激動人心的夢想，如何自己創造一個大腦，如何自己創造出智 能，更是吸引了不計其數的天才和聰明的頭腦。但目前大多數的人工智慧專家其實從本質上說， 應該屬於模式識別專家。他們關注的是如何在從 X 到 Y 這個映射的模式識別過程中，提高更多的準確率。而如何實現真正的智能，他們可能其實並不是很關心。比如，丹尼特就曾經戲謔地說：「人工智慧研究者只是在發明他們所需要的機器，並顯示出對大腦認識的不可寬恕的無知。」[1] 中科院自動化所曾毅研究員就覺得，目前取得巨大成功的基於統計的機器學習方法，其實並沒有在人工智慧上取得任何進展，因為它們並不是在做人工智慧問題，而是在做模式識別問題。

OK，那回到正題。如何真正地創造智能？如何通向真正的通用人工智慧（Artificial General Intelligence，AGI）？北京大學黃鐵軍教授和清華大學施路平教授在這個領域做了很多的探索和思考。有很多痛苦的嘗試。在 2014 年的時候，黃教授覺得他終於找到了一條真正可行的路：基於神經科學的類腦計算。目前的人工智慧，無論是在方法，還是在器件上，黃教授認為都不是真正用來做智能的。比如在方法上。我們目前的 AI 對於視頻的處理，建立在「幀」上。但實際上， 物理世界對於眼睛上視網膜的刺激是連續不斷的，視皮層得到的是連續不斷的刺激，我們的原始感覺記憶也因此是連續的，並沒有所謂的「幀」。所以，AI 對於視頻的處理，在連續的幀之間看圖像的差異，是一種很不真實的方法。再比如三原色。我們真實世界的顏色並沒有紅綠藍三原色的，紅光到紫光之間每一個顏色都是對應著一定的波段。所以，目前 AI 對於顏色的處理也不是實際的。同時在物理器件上，現有廣泛採用的馮諾依曼架構計算機更是與智能的需求很不對接。每一種具備智能的動物的原始結構器件，都是神經元。而神經元的計算建立在目前馮諾依曼的 計算機的體系結構上，完全不搭邊。經典計算機本質是基於晶體管中的開關電路，而神經網路是基於神經元以及突觸之間的連接。我們一直在使用經典計算機來做智能，但經典計算機的結構 與神經網路的結構真的不是一回事。基於經典計算機的神經元模擬極其耗電耗能，因為神經元 的並行計算的本質並不適合開關電路進行計算。所以，總的來說，傳統人工智慧一直在使用錯誤的結構來追求想要的智能，所以受到種種限制。而通常來說，結構決定功能。沒有相應結構的支撐，真正智能的實現便是無稽之談。因此，開發神經元器件和神經形態晶元，是一種勢在必行的趨勢。我覺得曾毅研究員說得很狠，他說，近幾十年來這麼火熱的人工智慧，其實並沒有什麼真正的進展。

類腦計算在這種需求的催促下，開始逐漸顯露頭角。它要做的，就是在硬體和軟體上類腦（brain-inspired）或仿腦（brain-like）。類腦的意思是說，受腦啟發，結構機理類腦、認知行為類人（曾毅研究員的路線方針）；仿腦的意思是說，先結構後功能，先設計更先進的探測分析工具，從結構上解析大腦，然後再利用工程技術「照壺畫瓢」構造仿腦裝置，最後再培育這個人造大腦（黃鐵軍教授的路線方針）。當然，目前這個領域剛剛起步。大家都在初步探索，並沒有成熟的路 線和方案。

類腦計算是否可行？

上面說到，現有經典計算機的體系架構拆碎了時空信息，並不適合做智能發生的基礎結構， 因此催生了神經形態晶元等類腦計算的需求。那為什麼基於類腦計算的方案又適合於處理智能問題？它又為何是實現「強人工智慧」或「通用人工智慧」（Artificial General Intelligence，AGI）的一條可行的路線？北大黃鐵軍教授提供了他的思考。

我們可能一直以來有一種錯誤的觀點，就是「技術是基於科學」。如果沒有原理，沒有機理， 沒有模型，沒有基礎，我們怎麼可能實現相應的技術？所以一直以來，我們做人工智慧的路線都是，先「理解智能」，然後再「創造智能」。但認識腦、洞察腦這個問題太難了，這個終極問題是數百年還是數千年被解決，都不確定。比如，曾毅研究員說，神經科學家可能是最謙虛的一群 人。因為，他在詢問大多神經科學的大家關於神經科學的進展時，通常得到的答案是：近幾十年來，神經科學的進展就是，我們對於腦還是一無所知。也正因此，從腦科學出發，再開始創造AGI，是一條幾乎不可行的路線。所以，我們需要反轉一下思路，先技術上「創造智能」，再從科學上「理解智能」。其實自古以來，往往技術都是領先於科學的，都是先有實踐再有理論。比如飛機。我們都知道馮卡門開闢了空氣動力學，沒有他和錢學森，就不可能有如今的航空航天技術。但，是先有空氣動力學，還是先有飛機呢？其實是先有飛機。1903 年，萊特兄弟發明了飛機。1908 年，馮卡門第一次親眼看見了飛機。於是他決定弄明白為什麼飛機能飛。直到 1939 年， 錢學森先生在馮卡門的指導下，才完成了著名的「卡門-錢學森公式」。1946 年，馮卡門在《超聲速空氣動力學的理論和應用》中完整提出空氣動力學，才終於回答了「飛機為什麼能飛上天」這個問題。之後的航空航天技術，才在空氣動力學的指導下做得越來越好。但毫無疑問，技術絕大多數情況下都是領先於科學的。比如中國古代的四大發明。他們不知道為什麼指南針能指南，他們也不知道火藥為什麼會爆炸。但指南針和火藥就這麼出現了。

同樣，在腦科學這個領域也一樣。我們必須先理解機器智能，才有可能理解人腦智能。我們 知道腦的智能的產生是基於神經元。那我們就按照大腦內神經元的樣子，照葫蘆畫瓢，模仿得一 模一樣。只要我們能抓住一定程度的結構相似性，就有可能湧現出大腦內一定的智能形式。所以，黃鐵軍教授追求仿腦（brain-like），甚至想做得一模一樣，而不是類腦（brain-inspired）的受腦啟發。他說，我們要做仿腦工程（brain imitating engineering）：結構層次模仿腦（大腦反向工程）、器件層次逼近腦（神經形態工程）、智能層次超越腦（智能培育工程），最終實現從「神經科學」到「神經計算機」最後到「類腦智能」的階梯性超越。

當然，清華大學施路平教授的觀點不同。他說，類腦晶元不一定要從零開始架構。已有的馮諾依曼體系結構是已知的、清楚的、可控的。我們只需要在傳統 I/O + Memory + CPU/GPU 的架構之外，再多加一個 BICU 晶元處理非結構化信息即可。所以，他追求 Brain Inspired 而不是Brain Like。另外，他覺得，Brain Inspired 涵蓋了 Brain Like。

類腦計算在我國的發展

類腦計算目前是國家的戰略發展制高點。2015 年，中科院、清華、北大，相繼成立「腦科學與類腦智能研究中心」。中國腦計劃也作為重大科技項目被列入國家「十三五」規劃，2015 年也在雄心勃勃地開始進行。中國腦計劃的總體戰略是「一體兩翼」：

1. 認識腦：以闡釋人類認知的神經基礎為主體和核心（一體）

2. 保護腦：預防、診斷和治療腦重大疾病（一翼）

3. 模擬腦：類腦計算（一翼）

2016 年被稱為類腦計算元年。這個領域正蓄勢待發，急需大量人才。我覺得在我們未真正理解腦、理解智能的本質之前，所有的 AI 工作，不過都是玩具。但也正是這些玩具，或許就會像 1903 年的飛機一樣，可能導致我們思考出真正的智能的本質。毫無疑問，類腦計算，是一個真正在做智能的學科！

參考文獻

[1] 哈尼什, 心智, 大腦與計算機: 認知科學創立史導論. 浙江大學出版社, 2010.

作者：王超名

聯繫方式：oujago@gmail.com

推薦閱讀：