腦科學與人工智能技術融合發展研究

徐晨

國家工業信息安全發展研究中心，北京，100040

0 引言

仿人智能技術以實現人類智能為目標，能解決當前人工智能技術發展所面臨的數據、泛化、能耗等瓶頸難題，將對未來國防、經濟等領域發展產生重要影響。因此，仿人智能技術已成為近年來學術界和業界的一個重要研究熱點。

近年來，美、日等國均結合本國實際情況制定了“腦科學”研究計劃，以探索腦科學精髓，推進仿人智能技術發展進程。美國2013年啟動“通過推動創新型神經技術開展大腦研究計劃”（BRAIN），預計10年內將投入45億美元，旨在揭示腦工作原理和腦重大疾病發生機制，了解大腦和機體如何產生思維、情緒和感覺，重點開展大腦結構建模、類腦理論建模、腦機接口等研究。同年，歐盟啟動“人類腦計劃”（HBP），預計10年內投入10億歐元，旨在用超級計算機模擬人類大腦，用于研究人腦工作機制和未來腦疾病治療，重點開展人腦模擬、神經形態計算、神經機器人等研究，并借此推動腦智能的發展。日本2014年啟動“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/MINDS）項目，預計10年內投入3.65億美元，旨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。此外，韓國“腦科學研究戰略”、澳大利亞“大腦聯盟”等都對腦智能研究進行了部署[1-4]。

當前，仿人智能技術已取得了一些技術突破和應用成果，其發展熱點主要聚焦于腦科學、類腦計算芯片、人工神經網絡、腦機接口等方面。

1 發展現狀

1.1 腦科學研究助力人工智能技術實現突破，但仍有眾多“未解之謎”

人工智能技術的多次突破都與嘗試借鑒腦結構機理和行為特征密不可分，如谷歌Deep Mind Alpha產品的成功就是從動物學習的研究中汲取的靈感，計算機視覺領域的卷積神經網絡模型設計靈感則來自視覺皮層的結構。因此，進一步開發腦認知功能、挖掘腦信息處理機制和原理、建立腦結構模型，將有助于人工智能在技術瓶頸上實現新突破。

腦科學研究主要從生物醫學角度對腦可塑性、腦功能結構、腦圖譜等腦工作機制進行深入研究，并以此為仿人智能建模提供生理學原理、數據和機制。目前，國外大腦圖譜繪制及神經元連接機制研究主要以線蟲、果蠅以及小型哺乳動物等為樣本，并已完成了大部分腦圖譜的繪制工作。2019年，美國哥倫比亞大學團隊成功繪制出秀麗隱桿線蟲（腦細胞占比超過30%）全部神經元的完整圖譜以及全部神經元之間所有的7000個連接，解釋了信息在線蟲神經網絡里的傳遞流程與規律，對解密大腦功能產生機理具有重要意義；美國谷歌公司基于果蠅的大腦切片，自動重建了40萬億像素的果蠅大腦神經圖，加速了果蠅大腦的學習、記憶和感知機理的研究；德國馬克斯·普朗克腦研究所重建了約50萬立方微米體積的小鼠桶狀皮質神經網絡，首次闡釋了哺乳動物神經元的連接機理，為進一步探明大腦高效計算原理奠定基礎。

此外，腦研究還在持續發現一些新的現象。2019年，美國艾倫腦科學研究所針對小鼠大腦視覺皮層中近6萬個神經元研究發現，近90%的神經元并不按傳統模型做出反應，小鼠的視覺皮層的工作機制比想象要復雜得多；2020年，加州大學洛杉磯分校發現人腦最外層的樹突細胞會產生“尖峰”電信號，是否為人類智能專屬尚未定論；瑞典卡羅琳學院對大腦中表達的所有蛋白質進行了全面概述，揭示了人與動物大腦之間存在著眾多差異，意味著選擇動物作為人類精神和神經疾病的模型時應謹慎行事[1,5]。

當前，腦科學研究受解剖技術、顯微成像技術、弱信號檢測技術的限制，仍處在初步探索階段，人類對大腦的認知極為有限，眾多腦現象還難以解釋，如傳統腦模型失效、異常腦信號等。此外，人類大腦難以獲取和保存，迫使只能選擇低智能大腦作為研究樣本，人腦智能的精髓還很難被真正觸及。

1.2 類腦計算芯片突破“馮諾依曼”瓶頸，制備工藝技術是實現產業化的最大難題

人工智能技術的進步伴隨著數據信息處理量的爆發性增長，基于“馮諾依曼”架構的傳統芯片面臨“存儲墻”、功耗、散熱等技術瓶頸，嚴重影響計算能力提升。因此，人們試圖借鑒大腦運算機制，設計出低功耗高功效、性能接近或優于人腦的通用計算芯片。

類腦計算芯片是借鑒大腦在行使記憶、學習和認知決策功能時的多模態信息編碼-解碼原理發展起來的新型信息處理芯片，旨在像腦一樣以低功耗和高效率，通用地、智能地解決各種復雜非結構化信息處理問題。類腦計算芯片的技術發展包括三個層次：結構層次模仿腦、器件層次逼近腦、智能層次超越腦。其中，結構層次模仿腦是指將大腦作為物質和生理對象進行解析，獲得基本單元（各類神經元和突觸等）功能及其連接關系（網絡結構）；器件層次逼近腦是指研制能夠模擬神經元和突觸功能的器件，從而在有限的物理空間和功耗條件下構造出人腦規模的神經網絡系統；智能層次超越腦是指通過對類腦計算機進行信息刺激、訓練和學習，使其產生與人腦類似的智能甚至涌現自主意識，實現更高智能。

近年來，類腦計算芯片已研發出樣機，并在實驗室實現了小規模應用。2017年，美國空軍研究實驗室（AFRL）宣布與美國IBM公司合作研發由64個“真北”類腦芯片組成的全新類腦超級計算機系統；2019年8月，清華大學研發出第二代“天機芯”（Tianjic）類腦芯片，已成功在一輛無人駕駛自行車上實現了實時視覺目標探測、目標追蹤、自動過障和避障、自適應姿態控制、語音理解控制、自主決策等功能；2020年3月，美國英特爾公司（Intel）宣布研制出“Pohoiki Springs”系統，由768塊“Loihi”芯片集成，擁有1億個“神經元”，計算能力相當于小型哺乳動物的大腦水平；2020年5月，馬薩諸塞大學和美空軍實驗室（AFRL）聯合開發出由八層憶阻器堆疊構成的“類腦”計算電路，可直接在硬件上實現卷積神經網絡計算，實現復雜的機器學習算法，并在手寫數字和移動物體邊緣輪廓識別方面達到了媲美軟件的精度[6]。

當前，類腦計算芯片的性能開發還有很大的上升空間，其技術發展也呈現出多種路線并行發展的態勢，如基于非易失性器件和基于憶阻器，雖已實現小規模實驗應用，但技術發展仍處于初級階段。此外，腦計算芯片實現產業化的最大障礙是制備工藝技術的薄弱，研發低成本、低復雜度的制備工藝技術對類腦計算芯片的發展同樣至關重要。

1.3 人工神經網絡模型已成功解決眾多實際問題，但與腦神經網絡能力在“質”上差距巨大

人工神經網絡是受生物神經網絡行為特征啟發而設計的信息處理模型，其目標是從信號處理的角度對人腦神經網絡結構進行抽象，實現智能。人工神經網絡的能力可以在一定程度上像人一樣通過學習（也可稱為訓練）來獲得，經過幾十年的發展，已有數十種網絡模型，在語音識別、計算機視覺、自然語言處理、機器博弈等領域成功解決了許多實際問題。

人工神經網絡為代表的結構主義模擬智能方法主要有以下特點：①作為一個大規模復雜系統，具有大量可供調節的參量（包含大量人工神經元以及它們之間的復雜連接）；②采用并行處理機制，具有高速處理信息能力（網絡模型內各個神經元或層內各個神經元之間都可以并行工作和調節）；③可實現信息的分布存儲（信息存儲在眾多神經元的連接權值上），具有聯想和記憶功能；④對于不同環境和任務具有自適應能力（網絡化的拓撲結構）；⑤具有容錯性和堅韌性（包含的巨量神經元和超巨量的連接關系構成的冗余）；⑥作為非線性系統和非編程系統，可以通過學習（訓練）或者以任務為中心的設計進行問題求解。

近年來，人工神經網絡的研究取得了一定的進展。2018年，IBM公司開發了一套能夠自動選擇人工智能優化算法的系統，其核心是提出模擬神經突變的進化算法，可以為機器學習任務自動選擇最合適的算法，選擇速度提升了超過5萬倍，錯誤率僅上升0.6%，有效緩解了當前尋找最優的機器學習算法耗時的問題；2019年，美國谷歌大腦項目研究團隊發現，人工神經網絡的智能水平由網絡的整體形狀決定，并特別適合于某些特定任務，這為創建通用型神經網絡模型開辟了新的途徑；科大訊飛“新一代語音翻譯關鍵技術及系統”采用端到端神經網絡機器翻譯技術，實現了機器翻譯框架性的變革，榮獲2019世界人工智能大會最高榮譽SAIL(SuperA.I.Leader，即卓越人工智能引領者獎)應用獎[3]。

當前，人工神經網絡很難做到像大腦一樣的互聯規模，與腦神經網絡能力在“質”上差距巨大，且在難以被形式化甚至數值化的應用領域依然受限。此外，人工神經網絡在可解釋性、對抗攻擊魯棒性、應用計算高效性等方面依然不足，未來技術的發展仍然面臨不少挑戰。

1.4 腦機接口技術顯現出巨大潛力，已從復雜的實驗室環境走向人體試驗，展現了巨大應用價值

腦機接口是指不依賴常規的脊髓/外周神經肌肉系統，在腦與外部環境之間建立一種新型的信息交流與控制通道，實現腦與外部設備之間的直接交互的技術。鑒于腦機接口技術對社會發展和國防安全可能帶來革命性影響，2018年，美國商務部將腦機接口技術納入針對最新14大類關鍵技術和相關產品的出口管制框架。

近兩年，腦機接口技術的應用更是滲透到了醫療、國防等領域。2019年4月，加州大學舊金山分校的神經外科學家開發出一種解碼器，可以將人腦神經信號轉化為語音，可幫助聾啞患者實現發聲交流；2019年7月，美國人埃隆·馬斯克的神經鏈接公司（Neuralink）利用一臺神經手術機器人向人腦中植入數十根直徑只有4～6微米的“線”以及專有神經芯片，以讀取大腦信號；2019年7月，美國臉譜公司（Facebook）資助的加州大學舊金山分校腦機接口研究團隊，首次證明可以從大腦活動中提取人類說出的詞匯等語言內容并轉換為文本；2020年1月，浙江大學完成國內第一例侵入式腦機接口精準控制機械臂拿飲料、吃油條等，也是國際上最高齡（72歲）的侵入式腦機接口實驗。2022年5月4日，美國腦機接口公司Synchron宣布，在紐約西奈山醫院招募到了FDA批準的美國臨床試驗的第一位患者，意味著首個實現商業應用的腦機接口產品可能即將誕生。Synchron產品最大的特點就是無需進行開顱手術，它的外觀像一個血管支架，能夠通過微創手術放置在大腦血管中，經過幾天的細胞生長期，與大腦建立鏈接[7]。

雖然腦機接口技術的應用仍面臨著人體排異反應及顱骨向外傳輸信息會減損等難題，且未達到自然交互的溝通速度和準確性，但隨著神經科學、神經接口和機器學習技術的進步，腦機接口技術的爆發指日可期。未來，腦機接口技術除了在醫療領域應用外，在現代智能生活領域、教育娛樂領域、國防智能化建設領域都將發揮重要作用。

2 發展趨勢

雖然基于腦科學與類腦科學（智能）的人工智能研究正向機器智能進化，但仍有很多技術難題需要攻克，如機器人還不能達到人類那樣的協調性和靈活性，還需要大規模的高質量數據樣本進行更加精確的計算；人工智能還無法具備高級認知能力和深度學習能力，與人腦的學習能力存在巨大的差距；現有算法與期望結果之間的差距，迫切需要對腦科學進行更加深入和精準的研究等，這一系列問題也為仿人智能的發展提出挑戰和發展方向。

2.1 腦科學不斷催生顛覆性技術

腦科學是極其復雜的一門學科交叉學科，與遺傳學、化學、物理學、材料學、工程學、計算科學、數學、心理科學、社會學以及其他基礎學科高度交叉。隨著新型成像技術、納米科技、生物技術、信息技術、認知科學以及生物大數據概念的提出，為腦科學提供了全新的研究思路和有效方法。科學家將深入理解神經系統的感覺、學習和決策的神秘機制，致力于特定腦功能神經連接通路和網絡結構的解析以及模擬，依此研發一系列新技術，包括各種神經影像技術、腦-機接口、神經科學生物銀行、功能性移植腦刺激、虛擬現實及遠程監控技術等[2]。

2.2 類腦芯片將向高速運算、高集成度、高智能化發展

人腦相較于計算機而言具有低功耗的特點，為了進一步提升類腦芯片的運算效率，降低功耗，就必須更加深入地模仿人腦神經網絡的行為，包括對人腦神經信號和神經網絡架構的模擬。隨著激發式類腦芯片的提出，其低功耗、低延遲、高速處理、時空聯合等特點，代表了類腦芯片的一個極具前景的長遠發展方向[8-9]。

2.3 腦機接向非侵入式方向發展

目前，腦機接口技術發展方興未艾，無論是馬斯克的侵入式“腦機接口”，還是Synchron公司的非侵入式“腦機接口”都彰顯了科學家在該領域的不斷深入探索和研究。近日，我國南開大學的非侵入式“腦接口”已在羊腦血管內成功介入，并采集到了腦電信號，標志著我國在腦科學領域達到國際先進水平。與非侵入式采集設備相比，侵入式腦機接口能夠獲得更高質量的神經信號。然而，侵入式的腦機接口存在組織損傷，機體的排異、感染，系統異常等問題，同時，因為腦機接口不光存在“讀取”功能，還可能存在“寫入”的功能，很可能帶來惡意干擾和操控的現象。因此，未來的發展趨勢是研究開發非植入式或微創植入式的高質量神經信號采集技術與相關傳感設備[10]。

3 結語

腦科學和類腦智能技術是當前國際重要科技前沿技術，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具有重大意義。據資料稱，人類對大腦的了解還不到5%，開展腦科學與人工智能技術的融合發展將加速“腦科學時代”的到來。同時，可以讓人工智能走得更遠。未來，隨著對腦科學以及機器學習的不斷深入研究，讓機器人像“人”一樣具有“智能”將成為世界科學家的終極目標。