■本報記者 鄭金武

作為(wei) 代表自然界擁有最通用智能的生物大腦，可以借助低功耗和少量後天數據，實現在複雜環境下執行複雜任務的智能行為(wei) 。因此，探索生物大腦智能認知的底層機理和複雜行為(wei) 背後的神經科學基礎，對於(yu) 探索智能的本質，以及推動通用人工智能（AI）研究發展具有重要意義(yi) 。

在近期舉(ju) 辦的2021北京智源大會(hui) 上，國內(nei) 外科學家圍繞通用AI的發展，分享了類腦研究領域最新成果，以及AI未來發展可能存在的瓶頸及相應的解決(jue) 思路。

通用AI成研究熱點

通用AI是指具有一般人類智慧，可以執行人類能夠執行的任何智力任務的機器智能。一些研究人員也將通用AI稱為(wei) 強AI或者完全AI。

日本理化學研究所榮休教授甘利俊一曾在1967年提出了隨機梯度下降算法，並首次將其用於(yu) 多層感知機訓練。在1972年，甘利俊一提出了聯想式記憶模型。“通用AI是未來發展趨勢，而我們(men) 的工作是努力用算法、學習(xi) 機製來貼近通用AI。”甘利俊一表示，例如深度網絡學習(xi) 等方法的發展，將有助於(yu) 通用AI的實現。

目前，AI主要用於(yu) 定製解決(jue) 方案。大多數AI係統是建立在單一類型上的，例如在圖片或聲音數據上工作。大部分AI係統都隻為(wei) 解決(jue) 一個(ge) 特定的問題，且很多係統都隻針對單個(ge) 數據集進行優(you) 化。

隨著通用AI的發展，大腦學習(xi) 機製和AI的聯係越來越深刻。英國倫(lun) 敦大學學院蓋茨比計算神經科學中心主任彼得·達揚表示，可以從(cong) AI的算法獲得啟發解釋腦科學機製，也可以從(cong) 豐(feng) 富而有效的大腦學習(xi) 機製中獲得啟發和學習(xi) ，發展更多新的人工強化學習(xi) 方法，AI應與(yu) 大腦“聯姻”。

借鑒大腦學習(xi) 機製

瑞典皇家理工學院教授科塔萊斯基是歐盟人類腦計劃的負責人。科塔萊斯基表示，可以在高精度模型上探索大腦的通用智能，從(cong) 大腦結構和功能入手探索通用AI的新方向。

基底核是大腦中多巴胺分泌最豐(feng) 富的核團，在醫學上和帕金森氏症密切相關(guan) ，而AI領域目前最熱的強化學習(xi) 理論也源自基底核工作原理。

“借鑒大腦的功能，以無監督學習(xi) 的方式，可以實現機器的自感知、自適應、自驅動，同時進行躲避障礙與(yu) 向目標物體(ti) 遊動的行為(wei) 。”科塔萊斯基展現了如何從(cong) 分子、細胞和神經回路的尺度上，精巧地還原大腦運動和感知相結合的工作原理，並成功模擬了鰻魚在複雜水流中的運動情況。

“大腦的機製與(yu) 機器的學習(xi) 機製有很大差別，這些差異使一些對人來說很簡單的事情，對AI卻很困難，也使得AI隻能勝任特定任務，而不具備通用智能。”德國法蘭(lan) 克福高等研究院的丹科·尼科利奇通過多個(ge) 方麵的對比研究闡述了大腦的工作機理和與(yu) 深度學習(xi) 的差異。

不過，尼科利奇表示，類腦智能的研究需要進一步深入理解這些本質差異，並提出有效的解決(jue) 方案；同時，可以借鑒人類大腦在概念表征、情境信息處理等方麵的工作機理，提高機器智能的感知和認知能力。

美國約翰斯·霍普金斯大學認知科學係和計算機科學係特聘教授艾倫(lun) ·尤爾建議，應該通過研究人類視覺感知的規律，並使用更嚴(yan) 格的性能指標來挑戰和評估算法，解決(jue) 對抗性攻擊、對環境信息過於(yu) 敏感等算法弱點。“尤其是向人類視覺學習(xi) ，開發具有組合性的模型，並開發出性能與(yu) 人類視覺係統一樣好或更好的算法。”

打造生物智能開源開放平台

AI的發展得益於(yu) 神經科學、認知科學等領域的重大發現，而目前的AI與(yu) 腦科學之間還存在一些錯位，彌合這些缺口可能是解決(jue) 當前AI某些不足的關(guan) 鍵。

北京大學人工智能研究院助理研究員杜凱認為(wei) ，當前的AI與(yu) 大腦的神經計算差距還非常大，例如在處理基本的視覺信息輸入時，人工神經網絡還依賴於(yu) 對靜態圖像的學習(xi) ，而人類視覺係統的神經網絡處理信息是一個(ge) 動態的過程。

“應該借鑒生物智能的研究，開辟通用智能研究的新路徑。”清華大學基礎科學講席教授劉嘉表示，通過對認知科學、神經科學與(yu) 計算科學等多學科的交叉研究，將現有認知神經科學等領域的最新成果、技術、研究工具和理論方法應用到AI中，模擬生物大腦，利用人工網絡研究生物大腦的特性等，可以推動AI的發展。

目前，北京智源人工智能研究院正在通過高精度生物大腦模擬仿真，構建生命智能模型，探索新一代人工智能發展的可行路徑。

該研究院生命模擬研究中心負責人馬雷表示，結合來自神經科學、信息科學等交叉科學的前沿技術，該機構的“天演”生命模型旨在模擬仿真經曆億(yi) 萬(wan) 年進化演進的生物神經係統和身體(ti) ，通過搭建高精度模擬仿真軟硬件係統，構建生命智能模型並挖掘生物智能機製機理，逐步啟發和探索新一代人工智能。

“大腦模型的規模越大、精細程度越高，越能表征生物智能性，而當今大規模高精度仿真依然存在諸多瓶頸，其中最關(guan) 鍵的挑戰要數計算的複雜性，現有的超級計算係統難以承擔大腦突觸級別的超微精細計算。”馬雷表示。

劉嘉表示，人工智能研究者應積極通過對生物腦內(nei) 部認知過程的探索，比較生物智能與(yu) 神經網絡的異同，從(cong) 而了解大腦在實現特定認知功能方麵的神經機理和認知範式，完善和革新現有的人工神經網絡模型與(yu) 算法，探索智能的邊界和腦啟發/類腦的通用智能研究新路徑。