人工智能是一門既古老又嶄新的學(xué)科。早期的人工智能為早期的工業(yè)和互聯(lián)網(wǎng)發(fā)展做出了巨大的貢獻(xiàn),。但是,，早期人工智能技術(shù)對(duì)大腦的認(rèn)識(shí)尚很膚淺；近年來,，伴隨腦科學(xué)的發(fā)展,，人工智能正在進(jìn)入一個(gè)新時(shí)代。其中最為突出的是深度學(xué)習(xí)（Deep Learning）研究,。發(fā)明者借用了大腦的多層結(jié)構(gòu)這一基本思想,，通過對(duì)傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)改造，在諸如圖像識(shí)別,、語(yǔ)音識(shí)別等感知識(shí)別問題上已經(jīng)取得了重大突破,。

隨著深度學(xué)習(xí)在應(yīng)用領(lǐng)域獲得的成功，相關(guān)研究日益得到廣泛的支持和關(guān)注,。但是,，由于對(duì)深度學(xué)習(xí)的核心基礎(chǔ)、特點(diǎn)和功能的理解不夠全面深入,，相當(dāng)數(shù)量的媒體報(bào)道和大眾認(rèn)知對(duì)深度學(xué)習(xí),、特別是對(duì)深度學(xué)習(xí)與腦科學(xué)的關(guān)系,，在認(rèn)識(shí)上產(chǎn)生了一些想象與偏見：一方面，某些注重應(yīng)用的人士認(rèn)為,，深度學(xué)習(xí)是人工智能技術(shù)的核心，與腦科學(xué)關(guān)系不大,，因此深度學(xué)習(xí)研究不用關(guān)注腦科學(xué)發(fā)展,；而另一方面，某些注重社會(huì)發(fā)展的人士則認(rèn)為,，類人腦的人工智能時(shí)代已經(jīng)到來并威脅到人類的生存,。應(yīng)該說，這兩種理解都比較片面,、各有偏差,。然而由于目前國(guó)內(nèi)腦科學(xué)工作者專門探討深度學(xué)習(xí)的論文相對(duì)較少，一些觀念未能及時(shí)討論和廓清,，因此媒體對(duì)新一代人工智能技術(shù)的報(bào)道仍有不少誤區(qū),。

針對(duì)上述情形，本文擬在以下方面進(jìn)行努力：一,，從深度學(xué)習(xí)的發(fā)展歷史,、理論核心和計(jì)算特征等方面，闡明深度學(xué)習(xí)和腦科學(xué)之間的密切關(guān)系,。二,，分析深度學(xué)習(xí)的功能、局限及導(dǎo)致局限的核心原因,。其應(yīng)用局限表明,，深度學(xué)習(xí)作為一種弱人工智能，遠(yuǎn)未發(fā)展到威脅人類生存的程度,；而導(dǎo)致其功能局限的核心原因則在于其神經(jīng)模型的不完善,。三，從神經(jīng)模型,、計(jì)算特征,、功能及可行性等方面將深度學(xué)習(xí)和仿腦計(jì)算進(jìn)行深入比較，指出仿腦計(jì)算在類人腦的新人工智能發(fā)展領(lǐng)域的巨大優(yōu)勢(shì)和發(fā)展前景,。

一,、深度學(xué)習(xí)和腦科學(xué)的關(guān)系

關(guān)于深度學(xué)習(xí)和腦科學(xué)之間的深刻淵源和密切關(guān)系，筆者認(rèn)為,，如果說深度學(xué)習(xí)是人工智能技術(shù)的核心,，那么腦科學(xué)中的仿腦計(jì)算將是深度學(xué)習(xí)的核心基礎(chǔ)，而腦科學(xué)則是基礎(chǔ)的基礎(chǔ),。事實(shí)上,，從技術(shù)發(fā)展和核心特征來看,，深度學(xué)習(xí)的成功得益于腦科學(xué)發(fā)展所帶來的啟示，深度學(xué)習(xí)的兩大特點(diǎn)也都來自于對(duì)大腦的模仿,。

一是深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)特征,。深度學(xué)習(xí)的成功是相對(duì)于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的局限而言的。早期的人工神經(jīng)網(wǎng)絡(luò)發(fā)展比腦科學(xué)發(fā)展要早幾乎半個(gè)世紀(jì),，因此,，傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元、突觸模型以及網(wǎng)絡(luò)的構(gòu)架和真實(shí)大腦相比都是極其粗糙而不準(zhǔn)確的,。深度學(xué)習(xí)相比傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)在構(gòu)架上有了很大的變化,。例如Google Net的層數(shù)高達(dá)22層。人的視網(wǎng)膜粗分有3層,，如果細(xì)一點(diǎn)可以有5層甚至更多,。大腦皮層至少有6層。從視網(wǎng)膜到具有識(shí)別功能的大腦IT區(qū)域,，至少需要經(jīng)過視網(wǎng)膜-LGN-V1-V2-V4-IT等6個(gè)區(qū)域,，因此至少需要30多層，然而傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)常常只有2,、3層,。因此，深度學(xué)習(xí)首先在結(jié)構(gòu)上打破了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的傳統(tǒng),，向大腦的結(jié)構(gòu)靠近了一大步,。值得指出的是，伴隨結(jié)構(gòu)深度的增加,，神經(jīng)元和連接的數(shù)量也大幅提升,，對(duì)計(jì)算的要求也相應(yīng)提高。近年來GPU的發(fā)展正好滿足了深度學(xué)習(xí)的需求,，為深度學(xué)習(xí)提供了良好的硬件基礎(chǔ),。

深度神經(jīng)網(wǎng)絡(luò)的另一核心特征是卷積計(jì)算。而在神經(jīng)網(wǎng)絡(luò)中采用卷積計(jì)算則是受到大腦視覺系統(tǒng)中感受野（神經(jīng)細(xì)胞所能感受到的空間區(qū)域）特征的啟示,。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)在初始化時(shí),，常常是采用完全的連接，有大量的權(quán)重參數(shù),。在大腦中如果采用完全鏈接的話,，大腦的空間也許要長(zhǎng)得像地球那么大才能容得下那么多的連接線。顯然,，大腦通過演化達(dá)到了一定的優(yōu)化,，使神經(jīng)元的數(shù)量和連接的數(shù)量比保持在一個(gè)合理的范圍。深度學(xué)習(xí)中的卷積計(jì)算就是充分利用了這個(gè)特點(diǎn)，大大減少了需要調(diào)整的權(quán)重參數(shù)的個(gè)數(shù),。因此,，可以說，目前深度學(xué)習(xí)的兩大特點(diǎn)都來自于對(duì)大腦的模仿,。

二,、深度學(xué)習(xí)的局限及其原因分析

從功能上看，目前深度學(xué)習(xí)的應(yīng)用集中于人工智能中的模式識(shí)別,，如圖象識(shí)別,、語(yǔ)音識(shí)別等。但是,，在人腦中，識(shí)別功能僅僅是整個(gè)大腦功能的一小部分,，而且還不是核心部分,，因?yàn)樵S多低級(jí)動(dòng)物也具有良好的視覺和聽覺的感知與識(shí)別功能。人腦的核心功能在于學(xué)習(xí)與運(yùn)用,。在學(xué)習(xí)方面,，大腦可以對(duì)具體事物進(jìn)行全方位的學(xué)習(xí)，并具有概念抽象的能力,。在運(yùn)用方面,，大腦可以舉一反三、創(chuàng)造性地解決問題,。以人類大腦的核心功能為參照來看,，目前深度學(xué)習(xí)僅僅能對(duì)特定條件下的信息進(jìn)行處理，達(dá)到特定的目的,，因此,，認(rèn)為深度學(xué)習(xí)帶來的新人工智能時(shí)代已經(jīng)到來并威脅到我們?nèi)祟惖纳孢@一觀點(diǎn)大可不必。在有關(guān)文章里,，我們也常?？吹綇氖律疃葘W(xué)習(xí)研究的學(xué)者們多次表示深度學(xué)習(xí)不會(huì)帶來這樣的威脅。

導(dǎo)致深度學(xué)習(xí)的功能局限,、阻礙深度學(xué)習(xí)在功能上逼近大腦的核心原因,，在很大程度上是由于目前深度學(xué)習(xí)技術(shù)中的神經(jīng)元模型和突觸模型還沒有突破傳統(tǒng)模型的限制。在自然界中的真實(shí)大腦的神經(jīng)信號(hào)都具有Spike這一特征,；而傳統(tǒng)神經(jīng)元模型則把Spike簡(jiǎn)化為頻率,，丟棄了時(shí)域中一些快速變化的信息。在學(xué)習(xí)方面,，大腦中的突觸具有復(fù)雜多變,、非線性動(dòng)力特征的可塑性，而在深度學(xué)習(xí)中還僅僅是些權(quán)重參數(shù)，不具有動(dòng)態(tài)特征,。雖然有一種觀點(diǎn)認(rèn)為,，也許Spike只是鳥的羽毛，我們不需要羽毛也能造出飛機(jī),，但飛機(jī)在空中的生存技能還遠(yuǎn)遠(yuǎn)不如鳥類,。不具有動(dòng)態(tài)特征和精細(xì)的時(shí)域信息的神經(jīng)網(wǎng)絡(luò)，可以運(yùn)算的更快,，但一定在功能上會(huì)有缺陷（當(dāng)然這也取決于具體的應(yīng)用）,。

三、仿腦計(jì)算的優(yōu)勢(shì),、可行性及其前瞻

怎樣能使神經(jīng)網(wǎng)絡(luò)模型更加精細(xì)和具有動(dòng)態(tài)特征呢,？仿腦計(jì)算在這方面表現(xiàn)出巨大的優(yōu)勢(shì)。仿腦計(jì)算則不但要從結(jié)構(gòu)上模仿大腦,，而且還要從神經(jīng)元和突觸的模型上模仿大腦,，所以某種意義上講，仿腦計(jì)算也可看成是深度學(xué)習(xí)將來的發(fā)展方向,。由于需要從神經(jīng)元和突觸這樣的微觀模型上模仿出宏觀的大腦功能,，仿腦計(jì)算面臨著諸多的挑戰(zhàn)。有人甚至認(rèn)為仿腦計(jì)算還很遙遠(yuǎn),。真的是如此遙遠(yuǎn)而不可及嗎,？我們先來看看這些挑戰(zhàn)以及可能的解決方案。

神經(jīng)元的信號(hào)是指細(xì)胞內(nèi)外的電壓差,。它主要來自眾多突觸受體的電流變化以及自身離子通道的特性,。早在1960左右的HH方程已經(jīng)相當(dāng)精確地描述了神經(jīng)信號(hào)的發(fā)生機(jī)理。因此,，理論上講,，HH方程就是神經(jīng)元最精確的模型。但是,，HH方程是一套非線性動(dòng)力學(xué)方程,，沒有數(shù)學(xué)上的解析解，只能采用數(shù)值計(jì)算方法,，一步一步地以逼近的方式進(jìn)行推演計(jì)算,。為了確保逼近的精確度，每一步步長(zhǎng)都非常短（例如0.01毫秒）,。所以對(duì)于現(xiàn)在的計(jì)算機(jī)而言,，一個(gè)十萬(wàn)或百萬(wàn)個(gè)神經(jīng)元的神經(jīng)網(wǎng)絡(luò)的計(jì)算是個(gè)十分沉重的負(fù)擔(dān)。因此,，如何能快速計(jì)算HH方程或者修改HH方程達(dá)到快速計(jì)算的目的成為了一個(gè)重要的研究方向,。LIF模型是一類對(duì)HH模型的簡(jiǎn)化模型。由于LIF模型起碼保持了Spike的特征，受到許多研究團(tuán)隊(duì)的認(rèn)可,。目前,，美國(guó)和歐盟的腦計(jì)劃中的硬件類腦計(jì)算模型就是基于LIF模型，期望達(dá)到大規(guī)模,、低能耗的類腦功能,。可以證明的是,，對(duì)LIF模型的進(jìn)一步簡(jiǎn)化可以形成傳統(tǒng)的人工神經(jīng)元模型,。因此，不管如何,，基于Spike的神經(jīng)網(wǎng)絡(luò)（也稱SNN）應(yīng)該會(huì)比深度學(xué)習(xí)基于的傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)（ANN）展示出更優(yōu)良的性能,。

突觸是信號(hào)傳遞以及使大腦具有學(xué)習(xí)功能的主要微觀結(jié)構(gòu)。突觸在大腦里的數(shù)量比神經(jīng)元還要高出1000倍左右,。突觸不但數(shù)量大,，而且模型十分復(fù)雜。雖然可以分成興奮和抑制兩大類型,，但由于不同的神經(jīng)遞質(zhì)受體的差異,，它們的特征各有千秋,。在深度學(xué)習(xí)中,，用一個(gè)簡(jiǎn)單的權(quán)重參數(shù)來描述突觸的性能，實(shí)在是對(duì)那么多蛋白質(zhì)功能的極大藐視,。如果大腦的突觸只有一種蛋白質(zhì)的話,，相信一定早就被自然界淘汰了。所以,，絕大部分腦科學(xué)家不會(huì)認(rèn)為深度學(xué)習(xí)會(huì)給腦科學(xué)帶來多大貢獻(xiàn),。但是，仿腦計(jì)算則采用比權(quán)重參數(shù)更復(fù)雜的突觸模型,，盡量逼近真實(shí)的突觸模型,。例如，采用簡(jiǎn)單但與時(shí)間相關(guān)的STDP模型,，人們已經(jīng)可以模擬出類似于狗的條件反射實(shí)驗(yàn),，這代表了動(dòng)物的聯(lián)想式的學(xué)習(xí)功能。所以科學(xué)家們對(duì)仿腦計(jì)算有更高的期盼,。

雖然自HH方程的提出,，就有仿腦計(jì)算的想法，但真正嘗試百萬(wàn)個(gè)神經(jīng)元的大規(guī)模仿腦神經(jīng)網(wǎng)絡(luò)的計(jì)算還是近些年的事,。從目前公開報(bào)道的情況看,，還沒有任何一個(gè)研究團(tuán)隊(duì)成功實(shí)現(xiàn)類人的人工智能。這可能有多種原因：1，采用的模型也許還過于簡(jiǎn)單,；2,，其中的某個(gè)模型過于簡(jiǎn)單而引起的短板效應(yīng)；3,，大腦還有更多的秘密,。從目前的情況看1和2的可能性很大。許多研究團(tuán)隊(duì)都希望用最簡(jiǎn)單有效的方法模擬出大腦的功能,。如果失敗,，再增加復(fù)雜性，提高仿真度,，逐步向真實(shí)的大腦逼近,。至今為止，雖然仿腦計(jì)算還沒有實(shí)現(xiàn)類人的人工智能,，但很多人相信這只是時(shí)間問題,。核心原因是：人腦是可以模仿的，而且可行性越來越大,。采用現(xiàn)代GPU技術(shù)我們已經(jīng)可以實(shí)現(xiàn)百萬(wàn)級(jí)神經(jīng)元的仿腦神經(jīng)網(wǎng)絡(luò)的計(jì)算,。伴隨憶租器技術(shù)的進(jìn)一步發(fā)展，將來有望直接實(shí)現(xiàn)高仿真神經(jīng)網(wǎng)絡(luò)的硬件系統(tǒng),。因此,，仿腦計(jì)算也并非十分遙遠(yuǎn)，而且已經(jīng)成為了國(guó)際科研領(lǐng)域的熱點(diǎn),。

在我國(guó),，由于長(zhǎng)期以來，從事計(jì)算機(jī)研究的和從事腦科學(xué)研究的學(xué)者屬于兩個(gè)群體,，甚至從基礎(chǔ)學(xué)科開始就有較大分歧,，計(jì)算機(jī)研究人員常常是數(shù)理類學(xué)科出身，而腦科學(xué)研究者常常是生化醫(yī)學(xué)類教育背景,，所以從事仿腦計(jì)算研究的人還很少,。在國(guó)外，由于腦科學(xué)起步較早,，與之相關(guān)的交叉學(xué)科近年來得到迅速發(fā)展,。計(jì)算神經(jīng)學(xué)（Computational Neuroscience）已經(jīng)成為一門重要的交叉學(xué)科，仿腦計(jì)算也成為計(jì)算神經(jīng)學(xué)的核心目標(biāo),。

仿腦計(jì)算不但可以作為深度學(xué)習(xí)未來發(fā)展的方向,，而且還將引領(lǐng)計(jì)算技術(shù)的革命。目前,，計(jì)算機(jī)還面臨許多難題,，離類人腦的人工智能水平還差得很遠(yuǎn),。很多人腦能輕松搞定的事情，計(jì)算機(jī)還無能為力?，F(xiàn)在的深度學(xué)習(xí)只是解決了一些和感知相關(guān)的識(shí)別問題,，和大腦的整體功能相比還相差甚遠(yuǎn)。從本質(zhì)上看,，現(xiàn)代計(jì)算機(jī)是具有處理器與儲(chǔ)存器分離特征的馮諾依曼結(jié)構(gòu)計(jì)算機(jī),，而大腦對(duì)信號(hào)的處理與儲(chǔ)存不完全分離，甚至在很大的程度上是分不開的,。目前計(jì)算機(jī)面臨的許多難題都與馮諾依曼結(jié)構(gòu)相關(guān)（也稱馮諾依曼瓶頸）,，而仿腦計(jì)算的研究有望突破馮諾依曼瓶頸，實(shí)現(xiàn)新一代非馮計(jì)算機(jī),。

深度學(xué)習(xí)方興未艾,，仿腦技術(shù)悄然崛起。類人的新人工智能即將到來也并非危言聳聽,。早做準(zhǔn)備才不至于坐以待斃,。如果能率先掌握并把控好這一人類歷史上即將出現(xiàn)的重大技術(shù)，則將是對(duì)全民族和全人類的最大福報(bào),。伴隨我國(guó)腦計(jì)劃即將拉開序幕,，我們有理由相信，我國(guó)的仿腦計(jì)算也將成為新的亮點(diǎn),。

作者介紹：

曹立宏,，中國(guó)傳媒大學(xué)腦科學(xué)與智能媒體研究院院長(zhǎng)，教授,，博士生導(dǎo)師,；北京市協(xié)同創(chuàng)新研究院智能傳媒技術(shù)中心主任,。美國(guó)國(guó)家衛(wèi)生總署（NIH）博士后,。北京市首批“腦科學(xué)研究”專項(xiàng)指導(dǎo)組受聘專家。