造出能和人脑相比的聪明机器，是人类世世代代的梦想。但是怎么做？有着两条不同的思路。
第一种思路是既然人脑是世界上最聪明的系统，那么通过逆向工程完全仿照人脑进行复制就是最自然的捷径，也就是说，先搞清楚脑的工作机制，完全按照脑的结构和机制拷贝一个数字硅脑。
第二条思路是，人脑是进化的产物，进化是个修补匠而非工程师，大自然和工程技术采用的是完全不同的策略。所以工程技术只应该从脑功能或脑研究中寻求启发，如果脑科学家研究清楚的脑机制可以用于工程技术，自然再好不过；如果难以工程拷贝，那么不管脑内部的真实机制，完全采用工程技术手段实现智能的某些方面也行，这正是现在绝大多数人工智能研究者正在做的。尽管也有人在大声疾呼，认为人工智能进一步发展所要遇到的瓶颈就在于没照前一条路线去做。
顾凡及
复旦大学
生命科学学院退休教授
上海市欧美同学会留美分会顾问、中国大百科全书生物物理条目编委、科普公众号“返朴”编委和《科学画报》杂志科普顾问委员会委员，长期从事计算神经科学研究。退休后主要从事有关脑科学的科普创作和翻译工作，已出版16本科普著译，其科普译著曾获包括2017年中国好书、2019年上海市优秀科普图书、2017年上海市科技进步奖三等奖，2022年上海科普教育创新奖成果奖一等奖、2023年上海市优秀科普作品等10多个奖项。个人获得了第四届认知神经动力学国际会议（瑞典）授予的成就奖，以及2018年度上海市科技进步奖（科普人才奖）三等奖、2019年上海优秀科普作家称号等多个奖项。著有《三磅宇宙与神奇心智》、《脑海探险》、《脑科学的故事》等。
战胜国际象棋世界冠军的“深蓝”
——其实深蓝并无智能
1997年5月11日，电脑“深蓝”经过6盘鏖战最终以3.5比2.5的优势战胜了国际象棋世界冠军卡斯帕罗夫（Гарри Каспаров）。“深蓝”的胜利，并不意味着电脑已比人脑聪明。“深蓝”项目的创始人和“深蓝”计算机的系统设计师许峰雄博士说：“这场象棋大战实际上是在承担不同角色的两种人之间进行的：一方是棋手，另一方是工具制造者。卡斯帕罗夫和‘深蓝’弈战两次，结局不同。在1996年的比赛中，作为棋手的人获胜，而在1997年的比赛中，作为工具制造者的人获胜。”
关于“深蓝”计算机有没有智能的问题，他也直截了当地回答说：“‘深蓝’是没有智能的。它只是一个制作精良的工具，在一个限定的领域内能够表现出智能行为，卡斯帕罗夫是国际象棋大赛中的输家，但是他是真正有智能的棋手。”[11]由于卡斯帕罗夫多次抱怨大赛中有作弊行为，所以许峰雄不无揶揄地说：“‘深蓝’永远不可能像卡斯帕罗夫那样对他人进行无中生有的指责。”[19]
“深蓝”的胜利在当时震动了整个世界，余响至今没有完全平息。人们一直以为下棋是人类智力的皇冠，能战胜世界冠军该是多么的聪明？为什么许峰雄要说深蓝没有智能呢？那么究竟要怎样才算有智能？这就需要把智能和技能分分清楚。技能是指解决某个特定问题的能力。深蓝在下国际象棋方面有很高的技能，但是如果叫它做其他事，它就一筹莫展了。或者在对局前突然宣布大改下棋规则，那么笔者猜测它也会大败亏输。动物的本能也是一种技能，它们也可能有高超的技能而并无智能。让我们来看另一个例子。
▷Garry Kasparov和“深蓝”。图源：britannica
“聪明”的笨泥蜂
——技能精湛不等于有智能
这方面的一个广为人知的例子就是法国昆虫学家法布尔（Jean Henri Fabre）在其经典科普作品《昆虫记》中介绍过的泥蜂。
小小的泥蜂每次采集一小块湿泥巴后，就找一处温暖干燥的地方堆砌成一个个小桶，然后猎取一只蜘蛛并把它杀死后拖入桶底，在其最为肥美之处产下一颗卵，然后再外出猎取新猎物，堆放其上，如此重复直到把巢装满封口，这样幼虫在孵化出来后，先吃最陈旧的食物， 后吃比较新鲜的食物，从而保证食物一直维持适当的新鲜度，不致腐烂变质。这样的行为确实相当复杂，给人以聪明的印象。
但是它没有料到有一位喜欢“捣蛋”的科学家会捉弄它：每当它把蜘蛛拖进巢内飞走后，法布尔总是把蜘蛛连同上面的卵（如果有的话）给移走了，可怜的泥蜂不知是计，因为巢中食物没有装满，所以它一次又一次地外出拖进新食物，这样一直持续了两天，也许是由于筋疲力尽才不管巢内空空如也就封巢了事。这不又愚蠢到家了吗？因此尽管泥蜂从筑巢到为幼虫准备新鲜食物等方面都表现出高度的技巧，但是它对环境的变化却一无所知，也不能根据环境的变化改变自己的行为—没有适应能力，也就是说没有智能。
▷泥蜂，图源：Wikipedia
百家争鸣
——究竟怎样才算有“智能”？
上面两个例子都说明光是表现出能完成某个特定的复杂任务，不一定说明有智能，只是技能高超而已，这在动物有可能是出于本能，而在机器则有可能是设计者早就设计好了的。那么究竟什么是“智能”呢？这是一个至今争论不休的话题，可以举出上百种不同的定义。
其实，智能就像许多术语一样有许多不同的方面，不同的人，甚至同一个人在不同场合谈到智能一词时表达的是不同的意思。不过大概不太会有人反对，智能就是主体当碰到一个以前从来也没有碰到过的情况时，依然能在大多数情况下做出虽然未必尽善尽美，但是大体上令人满意的解决方法。不过这只是一种比较直观的想法，一个比较理想的智能定义，需要既合理，又严谨而可付诸实用。
王培教授在其杰作《智能论纲要》[20]一书中给智能下了下面的工作定义：“智能是一个信息系统在知识和资源相对不足时的适应能力。”智能是“获得技能的‘元能力’”。在这里王培教授把智能和技能严格地区分了开来。他所说的技能就是完成某个特定任务的能力，技能可以很复杂，但是不能适应，也就是说，如果情况变了，碰到了以前从来也没有碰到过的新情况，那么就完全无法应对。这也就是说，原有的知识已不足以解决新问题了，或者用老一套虽然原则上可以解决问题，但是在实际上所需要耗费的时间过长而没有价值。这在生物学上就是本能。按王培教授的说法，这在技术上就是“计算”。泥蜂和深蓝正是这样的例子。
从蓝脑计划到欧盟人脑计划再回归蓝脑计划
——马克拉姆的人工脑之梦
估计绝大多数读者都知道，或者至少听说过 2013年秋启动的欧盟人脑计划（EU Human Brain Project, HBP）及其发起人马克拉姆（Henry Markram）。该计划费时10年，耗资6亿欧元[21]。在人脑计划提出时，马克拉姆以10年内建立人工全脑为目标而吸引了全球的眼球。
这一核心思想在2012年他为申请欧盟人脑计划造势的一篇文章《人脑计划》中讲得十分清楚：“我们的研究方法的关键在于精心研究脑赖以产生的基本蓝图：也就是在整个进化过程中，并在胚胎发育过程中再一次构造出脑的整套原则。从理论上来说，这些原则正是我们动手建造脑所需要的全部信息。人们的质疑不无道理：这些原则所生成的复杂性是惊人的—所以我们才需要超级计算机来解决这个问题。不过发现这些原则本身要好办得多。如果我们找到了这些原则，那么从逻辑上来说，我们没有理由不能利用生物学上产生脑的蓝图去同样建造一个‘硅脑’。”[22]
马克拉姆因他提出的目标不现实，以及管理不民主受到科学家的群起杯葛。2015年他不得不从人脑计划领导岗位上黯然下台，回到了他领导的由瑞士政府资助的蓝脑计划（Blue Brain Project, BBP），不过他依然坚持创建人工脑的目标，虽然不再是人脑，而是他一再声称在3年之内就能实现而至今未能实现的鼠脑。由于他的思想和工作在“人工脑”研究中比较典型，影响也大，因此可以看做是前一条路线的典型代表。在笔者看来，在他的思想中既有合理的部分，也有大量的极端不实之词，需要把两者分清；对于他的所作所为，不管是成功还是失败都值得仔细探究，从中吸取相应的经验教训。
▷马克拉姆。图源：Wikipedia
（1）马克拉姆其人
出生于南非的以色列神经科学家马克拉姆长期在瑞士洛桑理工学院（Ecole Polytechnique Fédérale de Lausanne, EPFL）工作。他从学生时代起就对脑是如何工作的这一问题非常感兴趣。毕业以后作为一名博士后在神经科学实验上取得了不俗的成绩，其中影响最大的是他有关依赖于锋电位定时的突触可塑性（spike timing-dependent synaptic plasticity， STDP）研究。
但是在20世纪90年代，他对自己的实验工作不再满意。他对自己说：“我知道我在我的科学生涯上可以这样二三十年地做下去，但这无助于使我能认识脑是如何工作的。”后来他又说道：“每年都会发表6万篇有关脑研究的论文，每篇都是出色的研究，但是每一篇都局限于一隅。”
他觉得神经科学已经并正在飞速地积累起大量的数据，但是依然缺乏一个能跨越脑的各个层次的统一的认识，应该把所有这一切知识组织在一起。他认为如果不能认识脑的工作机制，就不能正确认识脑的病理及开发相应的治疗手段和药物，也不能用机器来实现人类智能。虽然他知道这在20世纪90年代是做不到的，但是根据摩尔定律，计算机的算力差不多每两年就会翻一番，他据此认为到21世纪的20年代就有可能在超级计算机上仿真整个人脑。马克拉姆为此大声疾呼：“在脑研究方面，现在是改变的时候了！”[22]
（2）蓝脑计划的早期成就（2005—2012）
2005年5月，马克拉姆在EPFL的脑与心智研究所（Brain and Mind Institute）提出了蓝脑计划，其目标是把所有已知的脑数据和知识整合在多层次、多尺度的脑模型中，由此建立起从分子水平直到全脑，在许多细节方面有生物学真实性的哺乳动物脑模型，首先是鼠脑模型，最终是人脑模型，以此认识脑结构和功能的基本原理。
同年底，他们在以前工作的基础上建立起三维的具有生物学真实性的神经元模型。在这些神经元模型中考虑了200种不同的离子通道及其在细胞膜上的分布，还有神经元的形态。由于认为大脑皮层功能柱是皮层的基本功能单位，在皮层的各个区域有很大共同性，他们搜集了对鼠体感皮层1.5万次实验中所得到的有关新皮层柱的解剖结构、基因和电生理数据，2006 年底在一台有8192个处理器的并行超级计算机“蓝基因”（Blue Gene/L）上建立起了功能柱模型。
2009年，他们所用的由IBM公司以优惠条件提供的蓝基因超级计算机有超过16000个处理器，浮点运算的峰值速度可达56万亿次/秒（teraflops）。仿真所产生的海量数据由另一台超级计算机作进一步的分析处理与可视化。在此基础上，他们构建了一个出生2周后大鼠的新皮层柱模型，其中包括1万个简化的神经元模型；同时考虑了几百种不同类型神经元在新皮层柱中的分布与密度，每个神经元又可能跟好几千个神经元发生联系。对这些联结用计算机进行了优化。
通过此模型得到了一个出乎意料的结果，就是模型中涌现出γ振荡现象，也就是说在仿真中表现出有频率在40Hz左右的振荡，这种振荡一般认为在把同一对象的不同特性整合成一个整体中起重要作用，而这是他们仿真的前提假设中所没有的。2011年，他们又把100个这样的功能柱相互联结起来，以探讨微观神经回路如何相互联结而构成介观神经回路的问题。当然，由于计算量大大增加，他们使用的是有30 万个处理器的新型号蓝基因超级计算机。然而这样复杂的模型并没有能实现任何有实际应用价值的认知功能。
（3）欧盟人脑计划风云（2013—2015）
2009年，正当马克拉姆因IBM偏向支持自己旗下的莫德哈（Dharmendra Modha）团队而闹得不可开交之时，机缘凑巧，同年12月，欧盟宣布要资助两个2013—2023年度高风险但可能带来巨大变革的“未来和新兴技术（future and emerging technologies, FET）旗舰项目”，当时宣布的每个项目的资助额为10亿欧元，为期10年。马克拉姆作为27名顾问团的成员之一，不失时机地以其蓝脑计划为基础，在经过近2年的筹备之后，于2012年10月联合86个欧洲及其他国家的研究单位（后来发展到123个成员单位），共同提出名为“人脑计划”的申请。
人脑计划在其提出时的总目标是建立起为未来神经科学、医学和计算所需的全新信息和计算技术（ICT）基础设施，由此促进全球的合作研究，总结现有关于人脑的一切知识，并通过在超级计算机仿真重建人脑，直到其各个细节。该计划声称，这将使我们对人脑及其疾患有全新的认识，并且开发全新的计算技术和机器人技术。不过由于这一计划耗资巨大，抢占了欧盟用于脑研究的经费中的很大份额，然而研究内容和方法偏于信息学一隅，其 10 年内数字重建人脑的总目标并不现实，再加上以马克拉姆为首的三人执行小组大权独揽，容不得不同意见，葡萄牙神经科学家迈嫩（Zachary Mainen）批评说：HBP“很不民主，都是亨利（马克拉姆）说了算，您要么听他的话，要么就滚蛋”。这不能不引起一群圈外科学家的公愤。
引起激烈反应的最后一根稻草是：2014年5月底，HBP的三人执行小组把HBP中唯一一个不在分子或突触层次上工作的神经科学领域——认知科学子计划从HBP的核心计划中剔除了出去。2014年7月7日，有超过150名科学家联名给欧盟委员会发公开信，批评HBP已“偏离正道”，要求对计划的科学内容和管理两方面进行独立的严格评估，以决定是否继续资助。他们声称如果欧盟不采纳他们对评估所提出的要求，就将抵制并号召同行也抵制参与和HBP有关的伙伴计划。签名者迅速发展到800多人。
事情闹到这一步，欧盟不得不介入进行调解。为此设立的调解委员会认可了公开信中的主要批评意见，并在2015年3月9日发布了调解报告，指出HBP的当务之急是要重新取得公众和科学家的信任。在HBP的科学内容方面，报告认为仿真人脑“难望其成功”，HBP应该将其目标重新定位到有限时间和有限资源条件下可望实现的具体目标上。就这样，欧盟人脑计划不再以数字重建人脑作为其目标了。马克拉姆也退出了欧盟人脑计划的领导机构。
（4）重回蓝脑计划（2015— ）
马克拉姆在从HBP的领导岗位上退下之后，重回蓝脑计划，在他的这块“自留地”中继续追逐他数字重建哺乳动物全脑之梦，不过不再是人脑，而是鼠脑。
2015年，马克拉姆等人在《细胞》杂志上发表了一篇截止到当时为止他们在仿真鼠脑这一方向上所取得进展的总结性文章[23]。此项工作历时20年，由国际上82位科学家合作，仿真了幼鼠体感皮层中相当于一个功能柱组织的一块1/3立方毫米大小的组织，其中包含30000个神经元和4000万个突触。
他们分析了这些神经元的形态、在皮层各层中的分布和放电模式，据此区分出207种不同的神经元类型。再按照不同类型神经元在此柱状组织中的密度，在仿真组织中安排虚拟神经元的分布。每个神经元的细胞膜都考虑了与跨膜电位以及钙离子浓度有关的13种不同离子通道。形成突触联系的概率取决于轴突终扣密度和树突大小。最终在这些虚拟神经元之间建立起3700万个突触联系。207种不同神经元可能形成207×207种不同的突触联系。由于缺乏这方面的实验资料，不得不进行假设。
这样仿真得到的结果和动物实验吻合得相当好。例如两者的行为都和细胞外钙离子浓度以及细胞体的去极化程度有关：细胞外钙离子浓度控制网络对突触输入的响应，而去极化程度则控制神经元的自发发放。控制这两个参数就可以让网络在两种不同的动力学状态之间翻转。
对于这一工作，美国神经科学家科赫（C. Koch）称颂为“迄今为止对一块可兴奋脑物质所进行的最完整的仿真。考虑到在这个模型中做了极大数量的近似和外推，这些神经元既没有像癫痫放电那样乱放一气，也不像昏迷那样沉寂，而是在一级近似之下就像脑片上的神经元那样活动。这本身就是一种卓越的成就”。[24]
马克拉姆在文章发表之后说道：“您可以想象得到，在当下那种基于二手消息的极度偏见的氛围之下，这篇文章的发表艰苦异常。现在至少所有的人都可直接从文章作出判断了。”他如释重负地说：“这是我在刚进瑞士联邦洛桑理工学院时许诺要实现的，而我现在做到了。”
不过他显然是忘了或者有意不提自己在2009年接受《发现》（Discover）记者采访时所做的许诺：“从技术方面来说，利用计算机和数据采集技术，我们有可能在10年内建立起人脑模型。实际上这只是经费资助的问题……我们的下一步是在3年内建立一个大鼠的全脑模型，以及大鼠脑内2亿个神经元详细到分子水平的相互作用模型。”[25]
也就是说，按照他对《发现》杂志记者的许诺，他本应在2012年完成对鼠全脑的仿真。但是在2012年，他本人又在《科学美国人》（Scientific American）上撰文[22]，在列举今后目标的时间表时，他又把仿真全鼠脑的许诺延迟到了2014年。但是到他2015年发表此文时，离第2次许诺又是一个3年过去了，这一目标依然没有实现，直到今天，仿真鼠全脑依然在蓝脑计划的官方网站上列为该计划的目标[26]，可见虽然离他第一次做出许诺3年内完成仿真鼠全脑已经过去了好几个3年，但是这一目标依然只是挂在驴头前的那根胡萝卜。
当前的蓝脑计划网站对其目标定位为：“眼下蓝脑计划所做的重建还未考虑对人脑功能起重要作用的许多解剖与生理特性。蓝脑计划今后的工作要对重建进一步加以改进，模型需要考虑神经-血管-胶质细胞系统、神经调制、各种形式的可塑性以及缝隙连接，把它们和神经机器人系统耦合在一起，因此可以仿真研究知觉、认知及行为。”“其次还要致力于尺度超过神经微观回路的重建与仿真。蓝脑计划早就和HBP 以及更广范围的同行合作，对整个脑区（体感皮层、海马、小脑、基底神经节）和最终还有整个鼠脑进行数字重建。这一工作将为在各种尺度和不同详细程度上重建人脑铺平道路。”[26]
理性很丰满，但是在完成上述目标时，在实际上又有多少进展呢？据报道，他们把星型神经胶质细胞加到了他们的模型之中。2018年，他们发布了首个数字三维鼠脑细胞成像，提供了有关鼠脑中所有737个脑区中主要细胞（包括不同类型的神经元和胶质细胞）的类型、数量和位置信息。这就像是对鼠脑中的细胞做了一次“人口普查”。应该讲人口普查对社会是重要的，但是这毕竟和阐明社会的运行机制是两回事。人口普查并不是对社会的数字重建！
在笔者看来，马克拉姆始终主要只是在细胞层次左右徘徊，这是因为在这些层次上有以霍奇金- 赫胥黎模型为代表的理论框架的支持，但是一到回路层次以上，由于关于全脑还没有任何哪怕是很粗浅的理论框架，所以数字拷贝全脑也就只能是根驴头前的胡萝卜罢了。
进化不是工程师
——分清脑启发机器和逆向工程拷贝脑
数字拷贝全脑不仅是马克拉姆之梦，也是许多科学家朝思暮想的宏愿。但是他们中没有一个人取得过什么突破性成就。对照近日完全采用工程技术手段的聊天机器人的抢眼表现，这就值得深思了。
2018年，美国神经科学家林登（David J. Linden）邀请过40位神经科学的领军科学家就他们最急于告诉公众的问题写篇文章，汇编成了本《思想库：40位神经科学家探讨人类体验的生物学根源》[27]。巧合的是书的最后两篇正好代表了上述有关智能机器的两种截然不同的思想。
（1）从原则上来说，没有任何理由使我们最终造不出有思维的机器
其中，毛克（Michael D. Mauk）所写的一篇文章的题名表述了他的中心思想：《从原则上来说，没有任何理由使我们最终造不出有思维的机器》[28]。在文中，他承认脑的规模惊人，也还有一些细节不清楚，但是他认为要想构建人工心智却并没有跨越不过的鸿沟，所需要的只是“辛勤工作”，再加上速度更快和存储量更大的计算机。
他认为，“就像任何计算装置一样，要想认识脑所需要的是指出其中主要元件（神经元）的特性，神经元之间的联结（突触）的性质和相互联结的模式（线路图）。其数目确实惊人，但是关键在于神经元及其联结所服从的规则是有限和可以理解的。”
他强调现在知道的神经元一共只有几百种，所以我们可以研究清楚其中每一种的输入-输出规则。认识不同突触的性质及其可塑性的规则也是有限的和可以认识的。他认为虽然联结数很大，但是这些联结并非随机的，它们也要服从一些能识别得出的规则。现在大规模“连接组学”（connectome）计划的研究将提供全脑的神经线路图。因此，他认为要建造人工脑，只要认识这些有限的规则就行。这些话是不是和马克拉姆的话异曲同工啊？
▷图源：Katya Dorokhina
（2）不可能用任何图灵机仿真人脑
就在毛克的文章之前，书中刊载了尼可莱利斯所写的《人脑是万物的真正创造者，不可能用任何图灵机来加以仿真》[29]，其题目也准确地表明了他的中心思想。虽然他并没有正面反驳毛克的论点，但是其内容在很大程度上指出了毛克论点中的根本问题。
他的论点主要是：当前社会上甚至学术界中某些人有一种错误而带有误导性的说法，那就是人脑只是一种信息处理机器，或者说是一种肉体版的数字计算机。由这种说法出发可以得出结论认为：有朝一日可以用超级计算机仿真甚至拷贝人脑，并且可以把人一生中有意识和无意识的所有体验都存储到某个数字媒体中去，从而实现数字永生；另一方面，也可以把复杂的内容上传到脑中去，由此使人可以在一刹那就会使用或者拥有一种新的语言或新技术、新知识。
他指出脑及其许多高级功能在图灵意义下是不可计算的。因此不管超级数字计算机如何先进，都不可能复制人脑。脑的运作既有数字的成分又有模拟的成分，这两者之间还存在着递归的、非线性的动态相互作用，这更远超图灵机的能力之外。
尼可莱利斯虽然没有点名批评毛克和马克拉姆，不过他有段话说得很重：“如果这种荒谬的说法仅仅局限于好莱坞的科幻电影之中，那倒没多大关系。但是只要某些计算机科学家，甚至神经科学家也在公众面前重复这种神话，并向欧洲和美国的纳税人索要几十亿美元，毫无意义地去追求实现在数字媒介上模拟人脑的企图，问题就变得远远严重得多。”[29]
（3）大自然喜欢多样性和竞争
除此之外，笔者在和卡尔·施拉根霍夫合著的“脑与人工智能”系列套书中曾指出：“大自然并不像工程师那样行事。工程师喜欢均一性，而大自然更喜欢变异性和多样性。工程师在建造某一系统之前，心中先有一张蓝图。他们希望元件的种类尽可能少，同一类中的每个元件都完全一样，这样他们在进行分析、设计、建造和修理时都比较方便。”
“然而大自然并不刻意地设计生物，它让多少有所不同的个体彼此竞争，没有两个个体是完全一样的。在竞争中只有更适应其环境的个体才更有机会存活并产生下一代。埃德尔曼的神经达尔文主义也假定在神经系统的回路或模块之间存在竞争，只有适合于完成其目标的回路或模块才能保存下来。”[30]马克拉姆等人把希望寄托在这种乌有的自然“蓝图”上当然是缘木求鱼。
（4）进化是个修补匠
另外，还有一个道理就是如分子生物学家雅各布（Francois Jacob）所说：“进化是个修补匠，而不是工程师。”当面临新任务时，大自然并不从顶层按照逻辑做全新的设计，而只是在现有的基础之上叠加新东西，这就决定了脑并非如一般人所想的那样完美无缺。
正如林登在其《不完美的大脑》一书中所说：“无论从哪个层次看，从脑区、回路到细胞、分子，脑都是个设计拙劣、效率低下的团块，可又出人意料地运作良好。脑不是终极且万能的超级计算机，它不是一个天才在白纸上即兴完成的创作。脑是一座独一无二的大厦，积淀着数百万年的进化历史。”[31]视网膜中感光细胞在光路的最后面，而传向脑的视神经和血管在最前面，从而造成盲点就是明显的例子。没有一位工程师会这样的设计成像系统。
（5）要借鉴不要拷贝
人脑是5亿多年进化的产物，我们也许可以逐步认识脑功能的奥秘，但是极少人敢断言到什么时候才能把脑功能认识清楚，马克拉姆曾满怀信心地预言他能在2023年做到这一点，但是时至今日，他离这一目标的距离比他发出豪言壮语时并没有近多少。因此当工程技术上迫切需要解决某些类似人脑某种功能的问题时，就不能静等搞清楚相应的脑机制后再去制定方案，而只能从有关脑的已知知识中寻求启发， 或者干脆就撇开脑机制完全从工程技术上寻求解决之道。
另外即使知道了脑机制，照搬到工程上也未必实用。埃德尔曼按照小脑运动控制机制设计的“达尔文机”虽然也能在由交通隔离锥隔成的弯道中自由行驶（下图），但是最后真正在公路上自动行驶的无人驾驶车使用的却是纯工程的人工智能技术，而非达尔文机。当然，达尔文机对加深理解小脑的运动控制机制是有意义的，是否对无人驾驶车有借鉴意义，至少到目前为止还看不出有多大前景。
▷达尔文机在弯道中自由行驶。图源：参考文献32
因此，在可能的时候，工程师确实应该从脑研究中寻求启发，采用工程技术上合适的手段来实现某些和脑类似的功能，但不能盲目照搬生物脑的结构和机制。现在人工智能中红翻半爿天的深度学习也许就可以作为“脑启发”的一个典型例子，启发来自视觉系统不同层次中神经细胞感受野的多重投射，提取对象越来越全局性的特征。IT 工程师用工程技术手段这样做了，并取得了举世瞩目的成就，虽然其算法和生物视觉系统的机制极为不同。
当然，如果脑中的机制正好也是适合工程技术实现的，那自然没有必要为了上面讲的理由而不去借鉴大自然的方案，这里不存在绝对的界线。从目前的研究情况来看，人们对低层次的脑组织，例如神经元的结构和功能研究得比较清楚，因此借鉴的细节也就比较多和深入。这方面的一个比较成功的案例是“神经形态芯片”（neuromorphic chip），生物神经元就其速度、可靠性等方面虽然都无法与电子器件相比，但是其脉冲输出形式却使其功耗远远低于目前的电子器件，模拟这一点的神经形态芯片在目前就已可以在功耗上降低了4个数量级，因此有望在能耗要求很高的场合得到应用，例如航天工程。这就是下一小节要讲的内容。
向脑学习
——神经形态工程的故事
美国计算机科学家米德（Carver Andress Mead）是大规模集成电路的先驱，也对脑如何进行计算的问题深感兴趣。他说道：“我对于动物视觉系统的机制越来越佩服。我老是对自己说：‘我永远也想不到这一点，但是这确实是一个好主意。’”这样他就在20世纪80年代末提出了神经形态工程（neuromorphic engineering）的概念。
最初这一概念指的是采用由模拟电路构成的超大规模集成电路模仿神经构筑来实现相应的神经功能。现在这一概念已不限于模拟电路，而可以是用模拟电路、数字电路或混合电路构成的超大规模集成电路甚至软件系统来建立神经系统的模型。
（1）硅视网膜
20 世纪末正是通过学习视网膜的神经机制，米德指导他的一位博士生马霍瓦尔德[Michelle（Misha）Mahowald]研制出“硅视网膜”。马霍瓦尔德的硅视网膜是一个模拟视网膜头三层解剖结构（感光细胞、水平细胞和双极细胞）和功能原理的芯片（下图）。这一人工视网膜能够产生和生物视网膜类似的输出信号，例如表现出类似马赫带那样的现象。以后该实验室开发出来的人工视网膜和人工耳蜗成为神经形态工程在医学上得到实际应用的第一批成果之一。他们的另一项成是用CMOS电路直接模拟离子通道，并在此基础上构建出硬件的“硅神经元”。他们的这些工作成为神经形态工程的发轫之作。
▷硅视网膜线路的示意图
（2）神经形态芯片
近年来，许多大学和公司的实验室都纷纷出资研制神经形态芯片，企图由此开发能耗小、速度快的新型信息处理装置，甚至开发出超越冯·诺伊曼架构的新一代计算机。究其原因，这是因为人们发现传统计算机虽然在计算和逻辑操作上远超人脑，但是其耗费的能量和在执行模式识别和运动控制方面的速度都远不如人脑。
人脑工作消耗的能量几乎和冰箱里灯泡差不多，大概只有20瓦。如果采用最简单的神经元模型，在传统计算机上用软件计算一个其中节点数和人脑中神经元数目相仿的神经网络，那么即使耗尽一个超大城市的全部电力也还不够。其原因在于作为传统计算机基本元件的门电路需要在两个相差数伏的不同电平之间来回切换，需要不断消耗能量；而生物神经元则只有在发送脉冲的很短时间里才消耗能量。
另外在传统计算机中处理单元和存储单元是分隔开来的，需要在两者之间不断通信，这也需要消耗大量能量。而脑并没有彼此分离的中央处理器和存储器，处理和存储在当地就都解决了。因此当计算规模非常大时，能耗和速度就成了用传统计算机仿真某些脑功能时的瓶颈，更不要说具体应用了。
工程师们由此受到启发，试图构建仿神经网络，其中的每个节点（神经元）都是通过脉冲来进行通信，并在神经形态芯片中设置很多微小的处理器，每个处理器都有少量的本地内存使得能在当地同时进行数据存储和处理。这样就可以节约大量能耗。工程师们甚至希望由此发展新一代计算机。这就是近年来倍受重视的神经形态芯片。
目前正在研发的例子很多，如美国斯坦福大学米德以前的学生包汉（Kwabena Boahen）用硅神经元开发的神经网格超级计算机（Neurogrid supercomputer）、IBM公司印度裔美国科学家莫德哈（Dharmendra S. Modha）开发的“真北”（TrueNorth）系统、在欧盟人脑计划（EU Human Brain Project, EU HBP）神经形态计算平台（Neuromorphic Computing Platform）下的两个项目：英国曼彻斯特大学的弗伯（Steve Furber）领衔的“脉冲发放神经网络构筑”（Spiking Neural Network Architecture，SpiNNaker）项目和由德国海德堡大学（Ruprecht-Karls-Universität Heidelberg）的迈尔（Karlheinz Meier）领衔的“神经形态混合系统脑启发多尺度计算”（Brain-inspired multiscale computation in neuromorphic hybrid systems, BrainScaleS）项目，以及英特尔（Intel）公司的洛以希（Loihi）芯片等。
这些系统中的神经元数都达到了百万级或以上，而消耗的能量要比在传统计算机上仿真有同样节点数的神经网络降低4个数量级以上。这些系统的共同特点是采用脉冲发放神经元作为基本元件，并用脉冲进行通信。不过在实现脉冲发放神经元时则各显神通，有用传统数字电路、模拟电路的，也有用硅神经元的。这些竞争对手究竟最后谁胜谁负，目前还难逆料。下文笔者只介绍几个例子。
▷图源：Señor Salme
（3）规模堪比人脑的机器——“神经形态适应性可塑可扩缩电子学系统”计划和“真北”系统
从2008年开始，美国国防先进研究计划署（Defense Advanced Research Projects Agency，DARPA）资助了一项称为“神经形态适应性可塑可扩缩*电子学系统”（Systems of Neuromorphic Adaptive Plastic Scalable Electronics，SyNAPSE）的计划，这一计划的目的是开发一种在形态、功能和结构上都类似于哺乳动物脑的认知计算机。莫德哈领导的团队承担了其中的一部分。
2009年11月，莫德哈宣称编写了一个仿真猫脑的程序。2012年11月，他宣称在由96台IBM 的蓝基因超级计算机组成的红杉（Sequoia）超级计算机上仿真了5300亿个神经元和137万亿个突触，其规模大体上和人脑相当。即使如此，为了实现类似于人脑的某些功能，其速度仅为人脑速度的1/1500。如果想把速度提高到和人脑相仿，那么就需要12吉瓦的能量，即需要耗尽整个纽约加上洛杉矶的电力。不过，元件的规模并非一切，就“神经元”本身以及它们相互连接的复杂性上而言，都无法与人脑相比，更不用说脑中除去神经网络之外的各种因素以及和身体的联系了。
2014年，他又宣称在硬件上开发出这样的芯片。每块芯片都有4096个核，这些核进行并行分布式处理，并且不用时钟控制，而由事件驱动。核把记忆、计算和通信整合在一起。因此即使个别的核坏了，芯片还能继续工作，同时也能按需要无缝扩展。下图就是这样的一块电路板，其上有4X4块芯片。这种称为“真北”（TrueNorth）的芯片上有100万个电子“神经元”和25600万个电子“突触”，运行功率仅为70毫瓦，要比在传统计算机上运行同样功能少4个数量级。其速度是每秒每瓦执行460亿次突触运算。
这种芯片在实现像模式识别等复杂功能方面比传统芯片要强得多，例如能实时识别环境中的不同对象，如行人、自行车骑手、卡车、汽车、大巴等。虽然传统技术也能实现类似功能，但是真北系统的速度要快得多，而能耗则少得多。其远期目标是建立起有100亿个神经元和100万亿个突触的系统，但是其体积只有两升，而能耗仅为1000瓦。
▷左：由16个真北芯片构成的电路板（引自维基百科）。右：真北系统识别物体，它用不同颜色标记不同对象，例如粉色标志自行车骑手，绿色标志行人，从而实时识别不同对象[33]。
为了方便而有效地运行这种芯片，需要为此开发合适的软硬件环境，也就是他们所谓的“生态系统（ecosystem）”。其软件包括模拟程序（simulator）、编程语言（programming language）、集成编程环境（integrated programming environment）、算法和应用程序库、固件（firmware）、使用说明等，这相当于对传统软件从头来起。应用这种系统，他们现在已经可以运行深度学习和卷积网络。为了推广这种系统，IBM甚至成立了一所虚拟的网上“突触大学（Synapse* University）”进行这种新语言的编程教学。
真北系统最后能否成功，在一定程度上将取决于应用者是否愿意重新投资学习这种新语言进行编程，以换取提高速度和减低能耗。据他们 2016年11月份的报道，当时已有30个以上的大学和政府或公司的实验室正在使用这种系统，但是这和现在几乎所有实验室和产业界都在使用的传统计算机比较起来仍然只是沧海一粟。
尽管人们常常把真北系统称为人工脑，但是莫德哈强调说：“让我们把事情讲清楚：我们没有建立起脑，也没有建立任何脑一样的东西。我们所建立的只是一种受脑启发而来的计算机。这个计算机的输入和输出都是脉冲。从功能上说起来，它只是把输入脉冲的时空流变换成输出脉冲的时空流。”这可能是因为他在2009年曾声称仿真猫脑饱受马克拉姆的攻击而吸取了教训吧。他的这段话也适用于其他神经形态芯片。不过他在另一个场合又说道：“在无机硅技术允许的范围之内，我们力图使系统尽可能接近于脑。”
明日之星？——
欧盟人脑计划旗下的两大神经形态系统
英国曼彻斯特大学的计算机工程师史蒂夫·弗伯（Steve Furber）在20年前就构思了 SpiNNaker，为此他已经设计了10多年。弗伯表示，在对作为SpiNNaker基础的小型数字芯片进行了大约6年的努力之后，他和他的同事们在2011年实现了全部功能。从那时起，他们的研究团队一直在将芯片组装成规模不断扩大的机器，最终在2018年底建成了有百万处理器的机器[34]。弗伯预计，SpiNNaker应该能够对小鼠脑中的1亿个神经元进行实时建模，而传统的超级计算机做起来要慢1000倍左右。
▷SpiNNaker 系统的构建模块。每个 SpiNNaker 芯片与存储器封装在一起（左上角），然后拼接成较大的设备，如右上角的 48 节点板。多个板子可以连接在一起，形成更大的 SpiNNaker 系统（下图）。（图片来源：UNISEM 欧洲有限公司）
目前，神经科学家们开始在SpiNNaker硬件上运行自己的程序，以仿真脑特定子系统（如小脑、皮层或基底神经节）中所进行的高级处理。例如，研究人员正试图仿真一个小的重复结构单元—皮层微柱，微柱是位于脑外层的负责大多数高级功能的结构单元。弗伯说道：“虽然微柱很小，但它仍然有8万个神经元和25亿个突触，所以要想对此建模并非轻而易举。”
他补充说：“接下来，我们开始考虑系统层面的问题，而不仅仅是单个的脑区。”我们正逐步接近作为人智能之源的、有850亿个神经元的器官的全脑模型。
SpiNNaker、真北等芯片都能以生物的实际速度运行对神经元和脑的仿真，这意味着研究人员可以使用这些芯片来实时识别刺激，如图像、手势或声音，并立即进行处理和作出响应。这些能力还可以让机器人实时感知环境并做出反应，同时只消耗极少的电力。这比大多数传统的计算机有很大的进步。
在灵活性和学习能力方面，目前的人工智能系统仍然落后于脑。弗伯说道：“一旦给谷歌网络看过1000万张猫的图像，它就会变得非常善于识别猫的图像，但如果你给我两岁的孙子看一只猫，他就会一辈子都识别得出猫。”
2023年12月澳大利亚西悉尼大学（Western Sydney University）的科学家联合其他澳大利亚和德国的科学家声称将在2024年4月把他们研制的一台称为“深南”（DeepSouth）的有人脑规模的神经形态计算机投入应用[35]。
有人期望神经形态工程将能发展出取代冯·诺依曼架构的新一代计算机。不过一个新技术要想得到大发展，广泛应用才是最大的促进剂。在传统计算机依旧飞速发展的今天，除了能耗要求极高的场合，人们是否愿意放弃已经投资了大量时间和金钱而驾轻就熟的编程技术，而重新学习一门前途未卜并且发展还远未成熟的全新系统，这才是关键所在。以笔者的管见，这两种技术在相当长的时间里将是互补的，而在可预见的一段时间里，传统计算机将依然是主流，虽然人们没有理由放弃对神经系统的继续探索。
▷《脑科学的故事》，编著：顾凡及。点击上图购买。
赠书介绍：本书第二版自2011年出版以来，以其丰富的内容和生动的叙述方式，赢得了广大读者的喜爱。第三版在继承前两版精髓的基础上，进行了全面的更新与扩展。书中不仅涵盖了从神经元到大脑复杂功能的科学研究历程，还详细解读了脑科学领域的最新科研成果，如脑机接口、智能机器等，让读者能够紧跟科学前沿。同时，以其独特的视角，生动地讲述了科学家在探索脑科学奥秘过程中的精彩故事，使读者在领略科学魅力的同时，也能感受到科学家的探索精神和不懈追求。
本次赠书活动规则如下：请在本推文评论区留言，说说你支持“类脑”还是“脑启发”，我们将按照留言点赞数最高、留言区编辑精选、追问读者社群随机抽取，从中选取三位读者，各送上一本《脑科学的故事》！本次赠书活动截止时间为11月15日晚10点，欢迎感兴趣的朋友前来参与。（追问读者社群加入方式，请添加微信“questionlab”）
关于追问nextquestion
天桥脑科学研究院旗下科学媒体，旨在以科学追问为纽带，深入探究人工智能与人类智能相互融合与促进，不断探索科学的边界。如果您有进一步想要讨论的内容，欢迎评论区留言，或添加小助手微信questionlab，加入社群与我们互动。
关于天桥脑科学研究院
天桥脑科学研究院（Tianqiao and Chrissy Chen Institute, TCCl）是由陈天桥、雒芊芊夫妇出资10亿美元创建的世界最大私人脑科学研究机构之一，围绕全球化、跨学科和青年科学家三大重点，支持脑科学研究，造福人类。
TCCI与华山医院、上海市精神卫生中心设立了应用神经技术前沿实验室、人工智能与精神健康前沿实验室；与加州理工学院合作成立了TCCI加州理工神经科学研究院。
TCCI建成了支持脑科学和人工智能领域研究的生态系统，项目遍布欧美、亚洲和大洋洲，包括学术会议和交流、夏校培训、AI驱动科学大奖、科研型临床医生奖励计划、特殊病例社区、中文媒体追问等。
