腦科學與類腦研究概述*

蒲慕明　 徐 波　 譚鐵牛1 中國科學院上海生命科學研究院神經科學研究所 上海 2000312 中國科學院自動化研究所 北京 1001903 中國科學院腦科學與智能技術卓越創新中心 上海 200031

腦科學與類腦研究概述*

蒲慕明1，3**徐 波2，3**譚鐵牛2，3**
1 中國科學院上海生命科學研究院神經科學研究所 上海 200031
2 中國科學院自動化研究所 北京 100190
3 中國科學院腦科學與智能技術卓越創新中心 上海 200031

編者按 腦科學和類腦智能技術是當前國際重要科技前沿，其對人類健康和新一代人工智能技術及新型信息產業的發展意義重大，是國際科技界必爭的重要戰略領域。我國即將啟動“中國腦計劃”（腦科學和類腦研究）重大科技專項，以期在未來15年內，使我國在該領域處于國際前沿地位。為此，本刊特策劃推出“腦科學與類腦智能”專題，系統評述國內外腦科學和類腦智能技術研究進展、未來15年發展趨勢和有望解決的重大科學問題，以及我國在該領域的特色和優勢。希望其對上述重大專項的實施、推進和我國相關領域的研究有所借鑒和助益。本專題由蒲慕明院士、郭愛克院士、譚鐵牛院士、張旭院士共同指導推進。

腦科學和類腦智能技術是兩個重要的前沿科技領域；二者相互借鑒、相互融合的發展是近年來國際科學界涌現的新趨勢。腦科學研究對大腦認知神經原理的認識，提升了人類對自身的理解和腦重大疾病的診治水平，也為發展類腦計算系統和器件、突破傳統計算機架構的束縛提供了重要的依據。文章概括性地總結了國際腦科學和智能技術領域的總體進展，未來 15 年的發展趨勢和有望解決的重大科學問題，以及我國在這兩領域發展的特色和優勢。

腦科學，神經網絡，腦疾病，人工智能，類腦研究，智能機器人

人類的大腦是生物演化的奇跡，它是由數百種不同類型的上千億的神經細胞所構成的極為復雜的生物組織。理解大腦的結構與功能是 21 世紀最具挑戰性的前沿科學問題；理解認知、思維、意識和語言的神經基礎，是人類認識自然與自身的終極挑戰。腦科學對各種腦功能神經基礎的解析，對有效診斷和治療腦疾病有重要的臨床意義；腦科學所啟發的類腦研究可推動新一代人工智能技術和新型信息產業的發展。

《國家中長期科學和技術發展規劃綱要（2006—2020）》對腦科學與認知科學研究做了戰略規劃：“腦功能的細胞和分子機理，腦重大疾病的發生發展機理，腦發育、可塑性與人類智力的關系，學習記憶和思維等腦高級認知功能的過程及其神經基礎，腦信息表達與腦式信息處理系統，人腦與計算機對話等?！苯陙?，腦科學在基礎研究和應用方面醞釀著歷史性的重大突破，發達國家紛紛推出大型腦研究計劃；我國政府亦將啟動“腦科學與類腦研究”國家科技重大專項：側重以探索大腦認知原理的基礎研究為主體，以發展類腦人工智能的計算技術和器件及研發腦重大疾病的診斷干預手段為應用導向。面對激烈的國際競爭以及迫切的社會需求，“腦科學與類腦研究”項目的實施，將有助于我國在腦認知原理、類腦人工智能和腦疾病診治的前沿領域取得重大突破，在國際上產生引領作用。

1 國際腦科學和類腦研究的回顧與前瞻

1.1腦科學的回顧

現代神經科學的起點是神經解剖學和組織學對神經系統結構的認識和分析。從宏觀層面，Broca 和 Wernicke 對大腦語言區的定位，Brodmann 對腦區的組織學分割，Penfield 對大腦運動和感覺皮層對應身體各部位的圖譜繪制、功能核磁共振成像對在活體進行任務時腦內依賴于電活動的血流信號等，使我們對大腦各腦區可能參與某種腦功能已有相當的理解。由于每一腦區的神經元種類多樣，局部微環路和長程投射環路錯綜復雜，要理解神經系統處理信息的工作原理，必須先具有神經元層面的神經聯結結構和電活動信息。20 世紀在神經元層面從下而上的研究也有了一些標志性的突破，如 Cajal 對神經系統的細胞基礎及神經元極性結構和多樣形態的分析， Sherrington 對神經環路和脊髓反射弧的定義，Adrian 發現神經信息以動作電位的頻率來編碼信息的幅度，Hodgkin 和 Huxley 對從動作電位的離子機制并發現各種神經遞質及其功能，Katz 和 Eccles 對化學突觸傳遞的分析，Hubel 和 Wiesel 發現各種視覺神經元從簡單到復雜的感受野特性，Bliss 和 Ito 等人發現突觸的長期強化和弱化現象，O'keefe 等人發現對特定空間定位有反應的神經元等，使我們對神經元如何編碼、轉導和儲存神經信息有了較清楚的理解，但是這些神經元的特性是如何通過局部環路和長程環路產生的，我們的理解還十分有限。至于對環路中的神經信息如何產生感知覺、情緒、思維、抉擇、意識、語言等各種腦認知功能的理解更為粗淺。問題的關鍵是，我們對腦功能相關的神經環路結構和神經信息處理機制的解析仍極不清楚。

1.2腦科學領域的重大問題：從圖譜制作到機制解析

就像 20 世紀 90 年代“全基因組測序”是理解生物體基因基礎的關鍵，“全腦圖譜的制作”已成為腦科學必須攻克的關口。核磁共振等腦成像技術大大推動了人們在無創條件下對大腦宏觀結構和電活動的理解［1］。但是由于這些宏觀成像技術的低時空分辨率（秒、厘米級），不能滿足在解析大腦神經網絡結構和工作原理時的需求，目前急需有介觀層面細胞級分辨率（微米級）神經網絡的圖譜和高時間分辨率（毫秒級）的載體神經元集群的電活動圖譜。完整的全腦圖譜制作的必要過程中，對每個腦區神經元種類的鑒定是必要的一步。目前使用單細胞深度RNA測序技術對小鼠大腦進行的鑒定中，已發現許多新的神經元亞型。利用在這些神經元亞型特異表達的分子作為標記，可以繪制各腦區各種類型神經元的輸入和輸出聯接圖譜。對一個神經元亞型的最好的定義是連接和功能的定義：接受相同神經元的輸入并對相同腦區的相同神經元有輸出的一群神經元。在建立結構圖譜后，需要描敘各個神經聯接在進行腦功能時的電活動圖譜，這就需要有對神經元集群在體內的觀測手段。有了神經元層面的網絡電活動的圖譜，并進一步用操縱電活動的方式來決定該電活動與腦功能的因果關系，就能逐步解析腦功能的神經基礎。

上述三類腦圖譜（神經元種類圖譜、介觀神經聯接圖譜、介觀神經元電活動圖譜）的制作將是腦科學界長期的工作。以目前已有的技術，鑒別小鼠全腦的所有神經元的類型和介觀層面的全腦神經網絡結構圖譜制作至少需要10—15年，而對非人靈長類（如獼猴）則可能需要20—30年以上的時間。當然，與過去人類基因組測序一樣，腦結構圖譜制作的進展速度很大程度上依賴于介觀層面觀測新技術的研發，后者又依賴于對新技術研發和圖譜制作的科研投資。值得注意的是，在全腦神經聯接圖譜未完成前，神經科學家針對特定腦功能的已知神經環路，對其工作機制已作出了許多有意義的解析。尤其是在過去 10 年中，使用小鼠為模型，利用光遺傳方法操縱環路電活動，對特定神經環路的電活動與腦認知功能之間的因果關系的理解，取得了前所未有的進展［2，3］。神經系統內所有的腦功能環路都存在于彼此相連的神經網絡之中，許多認知功能的神經環路都牽涉到許多腦區的網絡，全腦的結構和電活動圖譜是完整地理解大腦功能神經基礎所必需的［4］。

許多動物都具有基本腦認知功能，例如感覺和知覺、學習和記憶、情緒和情感、注意和抉擇等，這些功能的神經環路和工作機理研究，可使用各種動物模型（包括果蠅、斑馬魚、鼠、猴等）；但是對高等腦認知功能，如共情心、思維、意識、語言等，可能有必要使用非人靈長類（如獼猴和狨猴）為實驗動物。介觀神經網絡的神經元類別、結構性和功能性的聯接圖譜繪制，在未來 20 年將是不可或缺的腦科學領域。我國科學家有望在此領域發揮引領作用。

1.3腦健康領域的重大問題：腦疾病的早期診斷和干預

據世界衛生組織定量評價，全球各類疾病給社會造成的負擔中，腦疾病占 28%，已超過心血管疾病或癌癥。其中備受關注的腦疾病包括神經發育疾病（如自閉癥）、精神疾?。ㄈ缫钟舭Y）和神經退行性疾病（如老年癡呆癥等）。神經發育疾病是一類由腦部生長和發育缺陷導致的疾病，表現為情緒、認知等功能的異常。不少病變發生的時期較早，在嬰兒期或童年期就有表現。其中自閉癥（又稱孤獨癥）主要表現為人際交往、情感、語言交流等方面的障礙，以及狹隘的興趣和重復刻板等怪異行為。我國 0—6 歲低齡兒童占人口總數近 8%，自閉癥的發病率很高，一般平均在 1% 左右。根據局部抽樣調查數據保守推算，我國患兒人數已過百萬，受自閉癥困擾的人群可能達千萬。精神疾病是由神經系統病變導致的行為和心理活動紊亂，表現為認知、情感、意志等精神活動出現不同程度的障礙。其中抑郁癥最為普遍，據中國疾病預防控制中心調查，我國抑郁癥的發病率超過 4%，患者人數超過 3 000 萬，已成為影響我國人民生產生活的主要病癥之一。神經退行性疾病是一類以神經元的結構和功能逐漸喪失以至死亡為特征的神經系統病變。其中常見的是老年癡呆癥（又稱為阿爾茨海默綜合征），在 65 歲及以上的人群中發病率約 13%，并且發病率隨著年齡的增長而大幅提高。85 歲及以上的人群，約有一半以上患有此病。2014 年我國老齡人口已突破 2 億大關，并且將以每年 100 萬的速度增長。我國屬老年癡呆癥的高發地區，目前患者人數超過 600 萬，居全球首位，且呈明顯上升趨勢。

目前科學界對這三類重大腦疾?。ㄓ啄昶谧蚤]癥和智障、中年期抑郁癥和成癮、老年期的退行性腦疾病）的病因仍不了解，治療的措施也十分缺乏。早期診斷和早期干預將是對腦疾病最有效的醫療方式。人類需要繼續探索這些腦重大疾病的致病機理，致病機理的完全理解仍有賴于闡明腦認知功能的神經基礎［5］。在完全理解機理之前，急需研發出有效的腦重大疾病預警和早期診斷的各種指標，包括基因變異的檢測、血液體液和腦脊液中的分子成分、腦影像及腦功能的指標等。對診斷出的早期患者，需要早期干預，以延緩或預防腦疾病的出現。我們需要研發早期干預的藥理、生理和物理新技術和新儀器。目前醫療界已在使用一些物理刺激技術來治療腦疾病，如穿顱磁刺激（TMS）、穿顱直流電刺激（tDCS）、深度腦刺激（TMS）等，這些刺激方法的精度和刺激模式需進一步優化，而優化的過程仍依賴于腦科學對認知功能的神經環路所獲得的新信息。新藥物和新型生理物理干預技術的研發，需要合適的動物模型，因此，建立腦重大疾病的非人靈長類模型是不可或缺的一環。

1.4人工智能發展的回顧

1956 年夏季，以麥卡錫、明斯基等為首的一批有遠見的年輕科學家探討用機器模擬智能，并提出了人工智能這一術語，60 年來該領域的理論和技術都得到了迅速的發展。

圖靈獎獲得者 Allen Newell 以認知心理學為核心，探索認知體系結構。至今在認知心理學與人工智能領域廣泛應用于心智建模的認知體系結構 SOAR 與 ACT-R 都是在 Newell 直接領導下或受其啟發而發展起來的，并以此為基石實現了對人類各種認知功能的建模［6，7］。David Marr 不但是計算機視覺的開拓者［8］，還奠定了神經元群之間存儲、處理、傳遞信息的計算基礎，特別是對學習與記憶、視覺相關環路的神經計算建模作出了重要貢獻［9-12］。Hodgkin 與 Huxley 依據生理實驗結果創建了第一個精細的動作電位模型［13］，Misha 等人構建了神經元之間的突觸計算模型［14］。由瑞士洛桑聯邦理工大學（EPFL）發起的“藍腦計劃”自 2005 年開始實施，經過 10 年的努力，目前專注于極為精細的微觀神經元及其微環路建模，較為完整地完成了特定腦區內皮質柱的計算模擬［15］。但總體而言，以上工作要真正實現認知功能的模擬還有很大鴻溝需要跨越［16］。

人工智能符號主義研究的出發點是對人類思維、行為的符號化高層抽象描述，20 世紀 70 年代興起的專家系統是該類方法的代表。而以人工神經網絡為代表的聯接主義的出發點正是對腦神經系統結構及其計算機制的初步模擬。人工神經網絡的研究可以追溯到 20 世紀 40 年代［17］，有些還借鑒了腦神經元之間突觸聯接的赫布法則作為其學習理論［18］。感知器（Perceptron）是淺層人工神經網絡的代表，由于其權值自學習能力引起了巨大關注［19］。Minsky 等人指出，單層感知器無法表示異或函數的缺陷使得人工神經網絡研究一度陷入低谷，而反向傳播算法的提出解決了多層感知機學習的難題［20］。隨后 Minsky 在文獻［19］中提出的第二個問題，即當時計算能力的提升不足以支持大規模神經網絡訓練的問題長期限制了人工神經網絡的發展，直至深度學習的誕生及其支撐硬件平臺的發展［21］。在深度學習提出之前，Rumelhart 等人重新提出誤差反向傳播算法，其在非線性模式分類中顯示的強大性能帶動了人工神經網絡研究和應用的一輪熱潮［22］。LeCun 等人提出的卷積神經網絡受到了 Fukushima 等人更早提出的 Neocognitron 的啟發［23，24］。深度學習算法提出之后，隨著 GPU 并行計算的推廣和大數據的出現，在大規模數據上訓練多層神經網絡成為可能，從而大大提升了神經網絡的學習和泛化能力。然而，增加層數的人工神經網絡仍然是腦神經系統的粗糙模擬，且其學習的靈活性仍遠遜于人腦［16］。

在人工神經網絡的研究中，大多數學者主要關心提升網絡學習的性能。Poggio 及其合作者的工作是人工神經網絡向更類腦方向發展的典范，特別是其模仿人類視覺信息處理通路構建的 HMAX 模型上的一系列工作［25，26］。此外，Bengio 及其合作者融合了腦的基底神經節與前額葉的信息處理機制，提出了類腦強化學習，也是人工神經網絡向更類腦的方向發展有較大影響力的工作［27］。加拿大滑鐵盧大學 Eliasmith 團隊的 SPAUN 腦模擬器是多腦區協同計算領域標志性的工作［28］。由 Hawkins 提出的分層時序記憶（Hierarchical Temporal Memory）模型更為深度地借鑒了腦信息處理機制，主要體現在該模型借鑒了腦皮層的 6 層組織結構及不同層次神經元之間的信息傳遞機制、皮質柱的信息處理原理等［29，30］。

從問題求解目標講，幾乎所有的人工智能系統都需要首先進行人工形式化建模，轉化為一類特定的計算問題（如搜索、自動推理、機器學習等）進行處理，因而人工智能系統都被稱為專用人工智能系統。IBM DeepBlue 系統擊敗國際象棋世界冠軍卡斯帕羅夫、IBM Watson 問答系統在“危險邊緣”挑戰賽中擊敗人類對手、Siri 等自動人機對話與服務系統的出現、Google 汽車自動駕駛等都從不同視角展示了這個領域的進展。而最為震撼的是，2016 年 3 月份 Google 的 AlphaGo 程序首次利用深度學習技術擊敗人類圍棋世界冠軍。這些人工智能系統的出現，有力地推動了人工智能技術和應用的發展，也使得人工智能成為目前 IT 領域最為引人注目的領域。

1.5類腦人工智能發展的重大問題：具有自主學習能力的智能系統

人工智能技術代表著國家競爭力，并正在以前所未有的速度滲透到現代服務業、工業和軍事等領域中。隨著老齡化社會的到來，需要大量具備能理解人類意圖并進行人機協同工作的智能機器人，歐盟 SPARC 就啟動了全球最大的民用機器人研發計劃；以 IBM Watson 為代表，將有大量具備復雜數據整合和分析能力的人工智能用于醫療、法律、政府決策等領域，正在替代很多專業領域的白領工作；通過人工智能技術實現無人駕駛，不但釋放大量勞動力、提高生活質量，且是另外一個萬億級規模產值的領域。我國人口紅利的消失也迫切需要發展各種智能機器人替代藍領工人，智能化成為未來工業發展的必然趨勢。德國“工業 4.0”，軟銀集團的孫正義提出 2050 年機器人拯救日本經濟，美國總統奧巴馬提出的以機器人為核心的高端制造業回歸，無不對中國智能產業發展構成重大挑戰。美國的 X47-B 無人機實現在航母上的自主起降，美國的 BigDog 能在多種復雜環境中自如穩定行進，世界軍事強國已逐步形成以加速發展智能化武器裝備為核心的競爭態勢。可以說，沒有智能技術武裝的服務業、工業和軍事的大國之間的較量，就猶如侏儒和巨人的格斗。

（1）人工智能要滿足現實需求還缺乏足夠的適應性。圖靈機計算的本質是需要人們對現實世界進行形式化的定義，模型能力取決于人對物理世界的認知程度，因此人限定了機器描述問題、解決問題的程度。這使得目前的智能系統在感知、認知、控制等多方面都存在巨大瓶頸。例如還難以實現海量多模態信息的選擇性感知與注意、模式識別與語言理解在處理機制與效率等方面與人腦相比還存在明顯不足，需要針對某個專用問題非常依賴人工輸入知識或提供大規模標記訓練樣本［16］。

（2）目前的人工智能技術缺乏通用性。語音識別、圖像處理、自然語言處理、機器翻譯等采用不同的模型和不同的學習數據，兩種不同的任務無法采用同一套系統進行求解，不同任務之間知識也無法共享。而人腦卻采用同一個信息處理系統進行自動感知、問題分析與求解、決策控制等。

（3）目前基于深度學習方法已經在人工智能領域取得了很大的成功，然而其代價是高耗能。例如在執行AlphaGo 這樣的任務時，共動用了 1 202 個 CPU 核和 176 GPU 核，采用了 40 個搜索線程進行計算。按照這個耗能計算，我們還無法想象要實現一個具備大腦功能的智能系統按照目前的水平需要多少供電。而人類大腦的功耗僅在 20W 左右。

Ailamaki 等人［31］指出：“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、新信息與新技能的自動獲取能力、在復雜環境下進行有效決策并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，在處理同樣復雜的任務時，沒有任何人工系統能夠媲美人腦的低能耗性?！苯陙?，腦與神經科學、認知科學的進展使得在腦區、神經簇、神經微環路、神經元等不同尺度觀測的各種認知任務中，獲取腦組織的部分活動相關數據已成為可能。人腦信息處理過程不再僅憑猜測，而通過多學科交叉和實驗研究獲得的人腦工作機制也更具可靠性。因此，受腦信息處理機制啟發，借鑒腦神經機制和認知行為機制發展類腦智能已成為近年來人工智能與計算科學領域的研究熱點［16］。

新一代人工智能需要在上述腦研究啟發下，以多腦區、多模態和多任務協同為核心，研究神經網絡微觀刺激調控和宏觀動態演化、視聽觸感認知通道及協同、長時短時記憶與決策、運動視覺與規劃控制等，建立具有生物和數學基礎的計算模型與學習方法，實現具有自主學習能力的智能系統。

2 國際大型腦研究計劃概述

近年來國際上興起了腦科學研究的熱潮，發達國家紛紛推出大型腦研究計劃。其中最受關注的是 2013 年美國和歐盟分別提出的“通過推動創新型神經技術開展大腦研究計劃（Brain Research through Advancing Innovative Neurotechnologies，BRAIN）”和“人腦計劃 （Human Brain Project，HBP） ”，以及 2014 年日本啟動的“腦智（Brain/MIND）計劃”。美國的腦計劃側重于新型腦研究技術的研發［32，33］，從而揭示腦的工作原理和腦的重大疾病發生機制，其目標是像人類基因組計劃那樣，不僅要引領前沿科學發展，同時帶動相關高科技產業的發展。在未來 10 年將新增投入 45 億美元。參與此計劃的機構包括美國政府科研資助機構（如 NIH、NSF、DARPA）、民間基金會（Kavli、Simon 基金會）和研究所（Allen 研究所）。在計劃啟動之初，美國 NIH 成立了工作小組，邀請專家在全美各地召開討論會征求意見，并為此計劃提出了 9 項優先發展的領域和目標，其中依序為：鑒定神經細胞的類型并達成共識；繪制大腦結構圖譜；研發新的大規模神經網絡電活動記錄技術；研發一套調控神經環路電活動的工具集；建立神經元電活動與行為的聯系；整合理論、模型和統計方法；解析人腦成像技術的基本機制；建立人腦數據采集的機制；腦科學知識的傳播與人員培訓。

歐盟是世界最大的經濟體，多年來對腦科學及相關疾病的研究有大量投入。2012 年 7 月“歐洲第七框架計劃（FP7）”將“腦部疾病防治”和“涉及健康、材料、神經科學與神經機器人的信息通信技術”作為新的資助主題，共投入 19.2 億歐元。2013 年 1 月歐盟正式公布“人腦計劃”（HBP）為未來新興技術旗艦計劃（FETFlagship）的兩大計劃之一。該計劃原由瑞士的神經學家 Henry Markram 構思并領導籌劃［34］，初始目標是用超級計算機來模擬人類大腦，用于研究人腦的工作機制和未來腦疾病的治療，并借此推動類腦人工智能的發展。參與的科學家來自歐盟各成員國的 87 個研究機構。

日本在2014年啟動的國家腦計劃的目標是“使用整合性神經技術制作有助于腦疾病研究的大腦圖譜（ Brain Mapping by Integrated Neurotechnologies for Disease Studies，Brain/MINDS）”［35］，為期 10 年，第一年 2 700 萬美元，以后逐年增加。此計劃聚焦在使用狨猴為動物模型，繪制從宏觀到微觀的腦聯結圖譜，并以基因操作手段，建立腦疾病的狨猴模型。

3 中國腦計劃

過去兩年內，在科技部的組織下，中國腦科學和智能技術相關領域的專家舉行了 10 余次討論。這些會議達成的基本共識是，我國急需啟動一項國家級“腦科學和類腦研究”計劃；并建議此計劃應依據我國的特色、優勢、需求和目前的科研力量，以理解腦認知功能的神經基礎為研究主體，以腦機智能技術和腦重大疾病診治手段研發為兩翼，在未來 15 年內使我國的腦認知基礎研究、類腦研究和腦重大疾病研究達到國際先進水平，并在部分領域起到引領作用 （圖 1）。腦認知原理的研究將可能產生有重大國際影響的基礎科學成果；腦重大疾病的研究可望建立早期診斷與早期干預的技術體系，大幅度降低腦疾病的經濟與社會負擔。類腦研究和腦機智能技術是未來高科技領域的關鍵；類腦計算系統的突破將推動我國信息產業并帶動工業、農業、金融及國防等領域的跨越式發展。

圖1　中國腦計劃的總體格局

在腦計劃討論中，專家們提出了一些未來研究的重點內容。在腦認知的神經基礎原理領域，包括基本腦認知功能（感覺和知覺、學習和記憶、情緒和情感、注意和抉擇等）以及高等腦認知功能（同理心、思維、自我意識、語言等）的神經環路和工作機理、人腦宏觀神經網絡和模式動物介觀神經網絡的結構性及功能性全景式圖譜的繪制。在類腦計算與腦機智能技術領域，包括類腦計算理論和新一代人工神經網絡計算模型、類神經形態的處理器和類腦計算機、類腦計算系統所需要的軟件環境和應用平臺、可自我學習和能適應環境而成長的機器人、腦機接口和腦機融合的新模型和新方法、腦活動（電、磁、超聲）調控技術等。在腦重大疾病與健康領域，包括了闡釋腦重大疾?。ㄈ缬啄昶谧蚤]癥和智障，中年期抑郁癥和成癮、老年期的退行性腦疾?。┑闹虏C理、確立腦重大疾病預警和早期診斷的各種指標（包括基因譜、血液和腦脊液、腦影像和腦功能指標）、腦重大疾病早期干預、治療與康復的（藥理、生理和物理）新手段和器件的研發、建立非人靈長類動物（獼猴為主）的腦重大疾病模型等。為支撐這些研究，需要建立關鍵核心技術研發與推廣的三類全國性平臺：腦結構與功能研究新技術平臺、腦重大疾病臨床研究技術平臺、類腦研究工程平臺。總之，與歐、美、日新啟動的腦計劃相比，中國腦計劃所包含的內容更為廣泛，同時對社會需求有更直接的對應［36］。

4 中國腦科學和類腦智能技術的優勢領域

《國家中長期科學和技術發展規劃綱要（2006—2020）》將“腦科學與認知”列入基礎研究 8 個科學前沿問題之一?！?73” “863 ”計劃和科技支撐計劃等對腦科學研究總投入約 14 億元人民幣，國家自然科學基金資助腦研究的經費近 20 億元人民幣，2012 年起中科院啟動的 B 類先導專項“腦功能聯結圖譜計劃”，每年投入經費約 6 000 千萬元人民幣。通過以上項目的實施，我國已培養了一批積極參與國際腦科學前沿工作的科學家團隊，建立了一些國際先進水平的技術平臺；在腦和神經元發育的分子機制、基因組分析和基因操作技術、突觸可塑性、膠質細胞與神經元的交互作用、視覺感知功能環路、情感情緒的調控機制、學習記憶和抉擇等腦認知功能的神經基礎、多模態腦成像技術、腦電信號采集分析、宏觀和介觀層面腦網絡結構的觀測和分析技術等方面，已取得了一批國際水平的成果；理解腦疾?。ㄈ缋夏臧V呆癥、帕金森病、抑郁癥、精神分裂癥、毒品成癮等）的發病機制、精神類疾病的相關基因研究、精神神經藥物研發和進一步研發腦疾病的預防、早期診斷和治療手段等方面已具有了初步的條件；腦疾病的轉基因獼猴模型制作，已居國際領先；多種腦重大疾病患者的資源庫建設、致病基因和早期生物標記的篩選等領域已建立了一定的基礎。但是，與發達國家相比，整體水平仍有相當差距，尤其是支撐腦科學研究的先進技術的原創和研發能力差距甚大；國際影響力有限，同時缺乏整體、系統性的統籌規劃。面對時不我待的新形勢，我國必須抓住機遇，推動腦科學研究的跨越式發展。

腦機智能也得到了我國“973”“863”和自然科學基金項目的支持，其分布在《國家中長期科學和技術發展規劃綱要（2006—2020）》前沿技術中的“智能感知”和“虛擬現實”等領域，同時在重點領域與優先主題中“數字媒體內容技術”也包含了人工智能技術。“973”“863”計劃和科技支撐計劃等從不同角度對人工智能研究進行了支持。自 2008 年開始，國家自然科學基金委啟動了重大研究計劃“視聽覺信息的認知計算”，連續 5 年資助了 73 個項目?！霸诟兄卣魈崛?、整合和表達”“感知數據的機器學習和理解”以及“多模態信息協同計算”等核心科學問題上取得進展。2012 年起中科院啟動的 B 類先導專項“腦功能聯結圖譜計劃”，從 2015 年開始也專門將智能技術納入其中，進行融合。

通過以上項目的實施，我國在計算機視覺、語音識別、機器翻譯和自然語言理解等領域已達國際先進水平，并在產業化方面邁出了堅實的步伐。同時我國也在深度學習芯片體系架構方面有所創新，并在類腦智能機器人方面率先進行了布局。但是，與發達國家相比，在支撐類腦智能的前沿研究以及軟硬件結合的類腦智能機器人領域的原創與研發能力方面差距甚大。我們迫切需要按照“頂天立地”的原則，一方面抓兩個學科的融合，產生原始創新的理論和方法；另一方面要進一步加強技術的應用和產業化，迎頭趕上人工智能浪潮的到來。

圖2　中科院腦科學與智能技術卓越中心參與單位

圖3　中心科研攻關問題與團隊組織

5 中科院腦科學與智能技術卓越創新中心

為配合國家科技發展的戰略需求和相應的體制與機制改革，中科院在“四類機構”改革的框架下，于 2014 年 8 月成立了“腦科學卓越創新中心”，以上海生科院神經科學所為依托單位。鑒于腦科學與類腦研究交叉和融合發展的需求，“腦科學卓越創新中心”在 2015 年擴容為“腦科學與智能技術卓越創新中心”（簡稱為“腦智中心”）。腦智中心是跨學科、跨院校的組織；目標在以科學問題為導向，凝聚中科院的科研實力，通過團隊合作和學科交叉融合，解決在腦科學和類腦智能技術兩個前沿領域的重大問題。

腦智中心有 4 個特點：（1）中心的科研骨干來自中科院 20 個研究所和中科院外若干高校（圖 2）。每位科研骨干加入中心后，都須參與一個或多個研究團隊，以合作的形式對團隊成員共同感興趣的重大前沿科學問題進行攻關（圖 3）。（2）與其他已有的實驗室聯盟不同，中心明確要求每位學術骨干把主要的工作精力投入到完成中心團隊的研究課題中。依據中心、學術骨干、骨干所在單位簽訂的“三方工作協議”，所在工作單位將積極支持骨干完成中心任務，提供必要的科研條件，并按照中科院制定的《卓越中心章程》認定與采納中心對參與成員的考核結果。（3）中心所組織的全國性科研團隊，將配合或承擔國家中長期重大科研項目的任務。（4）中心也是中科院科研體制改革的實驗平臺，將探索各種機制，以期最大程度地避免中科院各單位間研究內容的同質化與碎片化。腦智中心的共建單位多、學科多樣、文化差異較大，給有效交流合作帶來相當的難度。為此中心采取了一些措施，包括中心成員每年必須在中心其他共建單位蹲點兩個星期以上，進行開課、講座和實驗工作；啟動雙導師研究生制度等。腦智中心將不斷嘗試新的機制，促進不同研究背景的科學家之間的交流合作，并建立團隊合作，攻克重大科學問題。

中心的科研工作包括 5 個領域：（1）在“腦認知功能的環路基礎”領域，中心將研究感覺輸入是如何啟動和調節動物的本能行為、神經元震蕩活動在多感覺信息處理和整合中的作用、記憶儲存與提取的神經機制、適應性行為和高級認知功能（如自我意識、共情心和語言等）的神經環路基礎。（2）在“腦疾病機理與診斷干預”領域，中心正在利用基因操作技術，研制腦疾病的猴類模型和腦認知研究的工具猴。中心也在研究人類特有基因在調節腦容量和腦疾病致病機理的作用；研制能早期診斷發育性、精神性和神經退行性腦疾病的基因、分子和認知功能指標。（3）在“腦研究新技術”研究方向，中心正在完善鑒別神經元類型的單細胞基因分析方法、病毒感染示蹤標記神經環路的方法、記錄電信號和化學信號的微電級陣列技術，以及各種觀測腦結構和功能的光學、磁共振影像新技術。（4）在“類腦模型與智能信息處理”研究方向，中心在介觀和宏觀水平對光學和磁共振成像數據進行全腦聯結組分析，研發多感覺模態感知和能準確辨認圖像、語音并理解語義的信息計算模型。（5）在“類腦器件與系統”研究方向，中心正在研發類神經元計算芯片、新一代的神經網絡計算器件、類腦智能機器人以及人機協同的智能訓練和生長環境。

6 結語

雖然，腦科學與類腦研究是兩個目標完全不同的領域：腦科學的目標是要理解大腦的結構和功能、演化來源和發育過程，以及神經信息處理的機制。類腦研究的目標是研發出新一代的智能技術，推動信息產業的發展。但在競爭激烈的國際科技界，哪個國家能領先占領腦科學和類腦研究的高地，很大程度要看誰能首先做到這兩個領域真正地融合發展。中科院腦科學與智能技術卓越創新中心的成立，邁出了重要的一步。

1 Van Essen， D.C. Cartography and Connectomes. Neuron， 2013，80:775-790.

2 AdamantidisA et al. Optogenetics: 10 years after ChR2 in neurons--views from the community. Nature Neuroscience，2015， 18（9）:1202-1212.

3 Rajasethupathy P， Ferenczi E， Deisseroth K. Targeting Neural Circuits. Cell， 2016， 165（3）:524-534.

4 Kandel， E. The New Science of Mind and the Future of Knowledge， Neuron， 2013， 80: 546-560.

5 Insel TR， Landis SC. Twenty-five years of progress: the view from NIMH and NINDS. Neuron， 2013， 80:561-567.

6 Anderson J R. How can the human mind occur in the physical universe？ Oxford， UK: Oxford University Press， 2007.

7 Laird J E， Newell A， Rosenbloom P S. SOAR: an architecture for general intelligence. Artificial Intelligence， 1987， 33（1）: 1-64.

8 Marr D. Vision: a computational investigation into the human representation and processing of visual information. New York，USA: W.H. Freeman and Company， 1982.

9 Marr D. A theory for cerebral neocortex. Proceedings of the Royal Society of London B， 1970， 176: 161-234.

10 Marr D. Simple memory: a theory for archicortex. Philosophical Transactions of the Royal Society B: Biological Sciences， 1971，262 （841）: 23-81.

11 Marr D. Approaches to biological information processing. Science， 1975， 190: 875-876.

12 Marr D， Poggio T. Cooperative computation of stereo disparity. Science， 1976， 194 （4262）: 283-287.

13 Hodgkin A L， Huxley A. A quantitative description of membrane current and its application to conduction and excitation in nerve. The Journal of physiology， 1952， 117 （4）: 500-544.

14 Tsodyks M， Pawelzik K， Markram H. Neural networks with dynamic synapses. Neural Computation， 1998， 10（4）: 821-835.

15 Markram H. The blue brain project. Nature Reviews Neuroscience， 2006， 7 （2）: 153-160.

16 曾毅， 劉成林， 譚鐵牛. 類腦智能研究的回顧與展望. 計算機學報， 2016， 39（1）: 212-222.

17 Farley B G， Clark W A. Simulation of self-organizing systems by digital computer. IRE Transactions on Information Theory，1954， 4（4）:76-84.

18 Minsky M L， Papert S. Perceptrons: introduction to Computational Geometry. Cambridge， USA: The MIT Press，1969.

19 Werbos P. Beyond regression: new tools for prediction and analysis in the behavioral sciences. Ph.D Thesis. Cambridge，UK: Harvard University， 1974.

20 Hinton G E， Osindero S， Teh Y W. A fast learning algorithm fordeep belief nets. Neural Computation， 2006， 18 （7）: 1527-1554.

21 Hinton G E， Osindero S， Teh Y W. A fast learning algorithm for deep belief nets. Neural Computation， 2006， 18 （7）: 1527-1554.

22 Rumelhart D E， Hinton G E， Williams R J. Learning representations by back-propagation errors. Nature， 1986，323（9）: 533-536.

23 LeCun Y， Boser B E， Denker J S， et al. Handwritten digit recognition with a back-propagation network. Advances in Neural Information Processing Systems 2. San Francisco， USA: Morgan Kaufmann Publishers， 1990， 396-404.

24 Fukushima K， Miyake S. Neocognitron: a new algorithm for pattern recognition tolerant of deformation and shifts in position，Pattern Recognition， 1982， 15（6）: 455-469.

25 Riesenhuber M， Poggio T. Hierarchical models of object recognition in cortex. Nature Neuroscience， 1999， 2（11）: 1019-1025.

26 Serre T， Oliva A， Poggio T. A feedforward architecture accounts for rapid categorization. Proceedings of the National Academy of Sciences， 2007， 104（15）: 6424-6429.

27 Rivest F， Bengio Y， Kalaska J. Brain inspired reinforcement learning. Advances in Neural Information Processing Systems 17. Cambridge， USA: The MIT Press， 2004: 1129-1136.

28 Eliasmith C， Stewart T C， Choo X， et al. A large-scale model of the functioning brain. Science， 2012， 338（6111）: 1202-1205.

29 Hawkins J. On intelligence. New York， USA: Times Books，2004.

30 George D， Hawkins J. Towards a mathematical theory of cortical micro-circuits. PLoS Computational Biology， 2009， 5（10）: e1000532.

31 Ailamaki A， Alvandpour A， Amunts K， et al. The human brain project: a report to the european commission. Technical Report，2012.

32 Alivisatos AP， Chun M， Church GM， et al.The brain activity map project and the challenge of functional connectomics. Neuron，2012， 74:970-974.

33 “Advisory Committee to the Director”. Brain Research through Advancing Innovative Neurotechnologies （BRAIN） Working Group. National Institutes of Health. Retrieved 14 April 2013.

34 Markram H （2012） The human brain project. Sci Am 306:50-55.

35 Okano H， Miyawaki A， Kasai K.Brain/MINDS: brain-mapping project in Japan. Philosophical Transactions of the Royal Society B: Biological Sciences. 2015， 370:1668.

36 Poo， M-m. Where to the mega brain projects？ Natl. Sci. Rev. 2014， 1: 12-14.

蒲慕明 中科院外籍院士，中科院上海生命科學院神經科學所所長、研究員，中科院腦科學與智能技術卓越創新中心主任。1970 年畢業于臺灣清華大學物理系，1974 年于美國 Johns Hopkins 大學獲生物物理學博士學位。1976—1985 年在美國加州大學艾文分校生物物理系任助理教授、副教授、教授，1984—1986 年任北京清華大學生物系主任，1985—2000 年任美國耶魯大學、哥倫比亞大學、美國加州大學圣地亞哥分校講座教授，2001—2006 年任美國加州大學伯克利分校分子與細胞生物學系講座教授和神經生物學部主任，2006—2013 年任該校 Paul Licht 生物學杰出講座教授。1999 年起任中科院神經科學所首任及現任所長、神經可塑性研究組組長。獲得獎項及榮譽稱號包括：美國科學院院士、中科院外籍院士、美國 Ameritec 獎、法國巴黎高等師范學院和香港科技大學榮譽博士學位、中華人民共和國國際科學技術合作獎、求是杰出科學家獎、中科院杰出科技成就獎（集體）、Gruber 神經科學獎等。2011 年起任科技部重大科學問題導向“973”計劃“人類智力的神經基礎”首席科學家，2012 年起任中科院戰略性先導科技專項（B類）“腦功能聯結圖譜”首席科學顧問。E-mail: mpoo@ion.ac.cn

Poo MumingDirector of Institute of Neuroscience， CAS， Head of Laboratory of Neural Plasticity， and Director of CAS Center for Excellence in Brain Science and Intelligence Technology. Poo received B.S. degree in physics from Tsinghua University （Taiwan）， China in 1970 and his Ph. D in biophysics from Johns Hopkins University in 1974. Since 1976， he was on the faculty of UC Irvine， Yale University， Columbia University， UCSD， and UC Berkeley， where he had served as the Head of Division of Neurobiology of Department of Molecular and Cell Biology （2001—2006） and Paul Licht Distinguished Professor in Biology. He was the founding Chairman of Department of Biological Sciences and Biotechnology of Qinghua University （Beijing） during 1984—1986. Poo had received Ameritec Prize （2001）， China International Science & Technology Cooperation Award （2005）， QiushiDistinguished Scientist Award （2011）， Gruber Prize in Neuroscience （2016）， and Docteur Honoris Causa from Ecole Normale Supérieure （Paris） and Hong Kong University of Science and Technology. He is a member of Academia Sinica， National Academy of Sciences （USA）， and Chinese Academy of Sciences. He is currently the Chief Scientific Advisor of the CAS Strategic Priority Research Project （Class B） on “Mapping Brain Functional Connections”. Dr Poo's research interests focus on cellular and molecular mechanisms underlying axon guidance， synaptogenesis and synaptic plasticity. E-mail: mpoo@ion.ac.cn

徐 波男，中科院自動化所所長、研究員，中科院腦科學與智能技術卓越創新中心副主任，中國中文信息學會副理事長。 曾任國家“863”計劃信息技術領域專家組專家。長期從事語音識別與人工智能研究，主要研究領域包括：語音識別、多語言處理與理解、認知計算模型與類腦智能。E-mail: xubo@ia.ac.cn

Xu BoMale， professor， President of Institute of Automation， Chinese Academy of Sciences， and deputy director of the Center for Excellence in Brain Science and Intelligence Technology， Chinese Academy of Sciences. He also serves as an associate president of Chinese Information Processing Society of China. He was a steering committee member of National high-tech Programme （“863” Program）. His main research interests include speech recognition， multilingual language understanding and translation， cognitive model and brain-inspired intelligence. E-mail: xubo@ia.ac.cn

譚鐵牛男，模式識別與計算機視覺專家。中科院院士，中科院副院長、黨組成員，中科院自動化所研究員、智能感知與計算研究中心主任。1964 年出生于湖南省茶陵縣。1984 年畢業于西安交通大學，并于 1986 年、1989 年分別獲得英國帝國理工學院碩士與博士學位。2013 年當選中科院院士，2014 年當選英國皇家工程院外籍院士，2014 年當選發展中國家科學院（TWAS）院士，2015 年當選巴西科學院通訊院士。曾任模式識別國家重點實驗室主任、中科院自動化所所長、中科院副秘書長、中科院副秘書長兼任國際合作局局長。中共“十六大”“十七大”“十八大”代表。主要從事模式識別、圖像處理和計算機視覺方面的研究。曾任或現任 IEEE T-PAMI、 Pattern Recognition、 Pattern Recognition Letters 等多個國際學術刊物的編委以及 International Journal of Automation and Computing 和 《自動化學報》主編。中國人工智能學會副理事長，國際電子電氣工程師學會（IEEE）和國際模式識別學會 Fellow，曾任國際模式識別學會第一副主席和 IEEE 生物識別理事會主席。先后獲國家自然科學獎二等獎、國家技術發明獎二等獎和國家科技進步獎二等獎等。E-mail: tnt@nlpr.ia.ac.cn

Tan TieniuMale， professor of computer vision and pattern recognition， Vice President of the Chinese Academy of Sciences. He is Member of the Chinese Academy of Sciences， International Fellow of the UK Royal Academy of Engineering， Fellow of The World Academy of Sciences for the advancement of sciences in developing countries （TWAS）， Corresponding Member of the Brazilian Academy of Sciences， and Fellow of the IEEE and IAPR （International Association for Pattern Recognition）. Tan received his BSc in electronic engineering from Xi'an Jiaotong University， China in 1984， and his MSc and PhD degrees in electronic engineering from Imperial College London， UK in 1986 and 1989 respectively. In October 1989， he joined the Department of Computer Science， The University of Reading， UK， where he worked as Research Fellow， Senior Research Fellow and Lecturer. In January 1998， he returned to China to join the National Laboratory of Pattern Recognition （NLPR），CAS Institute of Automation as a full professor. He was the Director General of the Institute from 2000—2007， Director of the NLPR from 1998—2013， and Deputy Secretary-General of the Chinese Academy of Sciences from 2007—2015. He is currently Director of the Center for Research on Intelligent Perception and Computing at the Institute of Automation. He has published more than 500 research papers in refereed international journals and conferences in the areas of image processing， computer vision and pattern recognition， and has authored or edited 11 books. He holds more than 70 patents. His current research interests include biometrics， image and video understanding， and information forensics and security. E-mail: tnt@nlpr.ia.ac.cn

Brain Science and Brain-Inspired Intelligence Technology—An Overview

Poo Muming1，3Xu Bo2，3Tan Tieniu2，3
（1 Institute of Neuroscience， Shanghai Institutes for Biological Sciences， Chinese Academy of Sciences， Shanghai 200031， China；2 Institute of Automation， Chinese Academy of Sciences， Beijing 100190， China；3 Center for Excellence in Brain Science and Intelligence Technology， Chinese Academy of Sciences， Shanghai 200031， China）

Brain science and brain-inspired intelligence technology are two important frontier areas in science and technology. There is an emergent trend in recent years for interaction and fusion of ideas and approaches in these two areas. Elucidation of the basic neural circuit principles of cognitive processes in the brain not only allows us to understand ourselves better but also facilitates the diagnosis and intervention of brain diseases. It also helps the development of brain-like computing methods and devices， and provides the basis for a new generation of computers with design beyond von Neumann architecture. Here we provide an overview of the current status and recent international development， future trend andprospects for solving major problems， and special features and advantages of Chinese researchers in these two areas.

brain science，neural network，brain disease， artificial intelligence，brain-inspired research，intelligent robot

10.16418/j.issn.1000-3045.2016.07.001

*資助項目：中科院戰略性先導科技專項項目（B類）（XDB0200000）
** 通訊作者
修改稿收到日期：2016年7 月10日