【原创研究】脑科学与类脑智能，机器何时真像你我
来源： 合伙人 王韬日期：2023-09-15浏览量：176
作者 | 合伙人 王韬
在人工智能发展的过程中，有一条技术路线一直在主流与非主流间摇摆，这就是类脑智能方向。人工智能的终极愿景是简单而纯粹的，让机器具备人类的智能。类脑智能的理论基础更为纯粹，生物界客观存在着人脑这么一个极低功耗，极高运转效率，信息处理能力超强的计算单元，那为什么不抄作业——仿照大脑工作原理设计新的计算范式，实现类脑智能。因此过去的数十年，生物学，认知科学，神经科学，与信息科学，计算机系统的发展不断碰撞和结合，逐步形成了类脑智能交叉学科的学科基础。
当前以深度神经网络，大语言模型为代表的人工智能，本质是在世界的数字抽象基础上做数理统计，遵循着“海量数据产生更智慧模型”的迭代路径。而人脑对数据的需求量并不多，是对世界进行高精度多维度建模后，以模型跟世界复杂环节进行互动，从互动中生成概念和逻辑。类脑智能的研究，希望能够在物理世界，以芯片或系统的形态复现出这一过程。因此，在笔者学习AI，交流AI的过程中，发现尤其是在学术界，一直对类脑智能的创新和突破寄予着厚望。
虽然有原理层面的优越性，但真正探究大脑，对于目前的学术界仍是困难重重。生物层面对于通过对蛋白、粒子通道、化学信号、电信号等易于观测的量出发，逐渐建立了神经元细胞的动力学模型。但从微观的神经元拓扑连接，调节机制，神经系统的构建，再到宏观的如何产生意识，如何形成推理能力，认知能力，多年的研究仍未摸其皮毛，甚至难以量化地评估出，解析脑工作原理这个问题的困难系数。恰逢8月是欧洲人类脑计划（HBP）的10周年，这项原本旨在对大脑86亿个神经元和100万亿的突触进行大规模模拟的计划宣布折戟。左手是当前火热的“Deep Learning”，右手是目前冰冷的“Neuromorphic computing”，站在产业化和投资视角，笔者借本文来唠一唠对脑科学与类脑智能的研究。
理解大脑的结构与功能是21世纪最具挑战性的前沿科学问题，对于人类的健康，人工智能的发展，都有非常重大的意义。因此在2010年后，世界多国相继提出基于脑科学、神经科学和信息科学相结合的人类脑计划，抢占全球科技竞争战略高地。中国脑科学计划于2015年筹划，于2022年9月，科技部网站正式发布科技创新2030“脑科学与类脑研究”重大项目2021年度项目申报指南的通知，涉及59个研究领域和方向，国家拨款经费预计超过31.48亿元人民币，标志着酝酿6年多的中国脑计划项目正式启动。
中国脑计划以脑认知的神经基础为主体，以脑疾病的诊治及脑机智能技术为两翼开展底层布局，从认识脑、保护脑、模拟脑三个方面开展脑科学与类脑研究。通过对脑认知原理从分子细胞、功能环路、全脑网络到认知行为的多尺度研究，希望促进认知障碍相关脑疾病的发病机制解析，为类脑计算与脑机智能的原理模拟打下坚实的理论基础；同时，脑疾病和类脑计算等领域的研究也可以为脑认知原理解析提供人脑研究的线索和新型神经调控技术；而脑机智能的发展则可以为认知障碍相关脑疾病的研究提供智能诊断、治疗和康复技术。从规划中，我们可以看到中国脑科学与类脑研究产业化走势和产业化的两个关键词：脑机接口，类脑计算。1. 医疗和诊治是脑科学研究重要的变现场景，脑机接口的产业化是承接脑科学研究成果的重要载体。区别于海外脑科学计划，将脑疾病放在长期目标中，中国脑计划对脑科学的原理性研究，需要切实帮助解决中国脑疾病人群的诊断和诊治的工作。2. 类脑计算和脑机智能的发展目前欠缺原理性的理论基础，是脑计划希望实现的重要目标。
02脑机接口，为神秘的大脑打开一扇窗
脑机接口技术为多数人所知，源于马斯克的脑机接口公司Neuralink。但脑机接口的技术发展由来已久，比人类探索人工智能更为遥远，长时间的探索为脑机接口交互的可行性奠定了坚实的基础：1924年德国精神医学家汉斯·伯格曼首次检测发现了脑电波（EEG）；美国神经科学家艾德温·阿德里安使用电极记录单个神经元的活动，这些发现奠定了脑机接口的基础。1973年,杰克逊实验室的学者发布首篇报告,将猴子的脑电波解码成其屏幕上看到的图像，这是首次实现“读出”视觉信息的脑机接口；1990年代,肯达尔和石桥发明“思维遥控”算法,能将病人的脑电波解码为运动指令；这使残疾病人可以通过思维控制外部机器人辅助装置。进入21世纪后，随着神经科学的发展和经验积累，材料学，芯片等技术的进步，脑机接口技术开始快速发展，脑机接口技术进入科学论证阶段。Elon Musk创办的脑机接口公司Neuralink引发了很大的讨论度，其成立于2016年,提供高集成度的脑机接入技术,公司的第一个目标是帮助那些由于脑疾病或疾病失去运动能力的人恢复活动能力和自主性，更长期的目标是促进人类与AI的结合,实现共生。
产业链角度，目前脑机接口的产业链成熟和产业分化还非常前期，大部分企业都是从脑电采集分析平台入手，在围绕着某一场景开展完整解决方案的落地，并且会向上向下切入采集和执行的环节。
以Neuralink为例，从采集信号的柔性电极，放大神经信号的芯片，对信号解析的软件系统和算法，植入的手术机器人，都在持续积累和迭代的技术，也是未来脑机接口产业化落地需要解决的关键技术栈，其中柔性电极因需植入大脑，因此在材料和结构层面提出了小尺寸，多通道，生物相容性等诸多要求，是当前技术门槛较高的环节。◎ 侵入式针对医疗疾病场景，非侵入式则走出消费品路径路线选择方面，中国和美国不同的文化，价值观形成了迥然不同的路线选择，中国多数创业企业选择了非植入式的路线，而美国企业则多数选择了植入式的方案。笔者有幸在十年前参与过非植入式脑机接口科研项目，颅骨对神经信号的影响比较大，受到环境杂音的影响较大，需要填充大量的电导液来提升信号采集的难度，信号采集点的偏移，也会很大程度上影响被试数据的可用性。往往一批数据采集后，还需要考虑实验误差的情况剔除许多无效数据，最终只能往定性的相关性结论去推导。
用一个形象的比喻，非植入式的脑机接口就像是在足球场馆外通过球迷的呐喊声来分析球赛的进程，获取的赛事信息非常有限。植入式的脑机接口，则更像是真正下场踢球，对于足球场内的信息获取维度会远高于前者，正是因为这样的差异化，让两类企业走出了不同的商业化路径：
总结起来：脑机接口，从产业链的产品成熟度，场景落地的技术落地，有效性的验证，商业模式的构建等各个方面都有创新和迭代的空间，市场正处在发展的早期阶段。作为承接中国脑科学研究成果的下游产业，真正有价值的产学研转化会伴随中国脑科学计划的研究推进而逐步落地，属于VC的机会刚刚打开。
03类脑智能，寻找一种计算新范式
说到类脑计算，其概念最早是由加州理工Carver Mead于1989年出的，基于仿真学的理论思考如何突破冯诺依曼的计算架构来实现持续的计算机性能增长。但摩尔定律的发展让大家并没有注意到这个需求。直到2004年单核处理器主频停止增长，人们开始转向多核，寻求非冯诺依曼架构的替代技术，类脑计算才开始引起关注。2004年开始，美国，英国，欧盟纷纷立项基于类脑芯片架构下的芯片项目；2008年惠普公司实现忆阻器原型，能够模拟神经突触功能全球人造突触热潮兴起。2014年IBM的 SyNAPSE项目推出TrueNorth芯片，包含54亿个半导体，功耗只有 70mW，比半导体数量相当的传统CPU功耗低5000倍左右。2017年，Intel推出Loihi神经元芯片，实现了计算和存储功能的整合（纯算一体化）。2019年，清华大学《Nature》上发表了“天机芯”类脑计算架构，即融合脑科学与计算机科学的异构融合类脑计算架构。回顾类脑计算的发展历史，我们看到非常有趣的一幕，作为仿生人工智能的代表方向，类脑计算和类脑芯片在追求神经元突触和神经网络的构建上，走上了形似的道路，器件诞生出了忆阻器，脉冲神经网络（SNN）等硬件/系统，但也受制于这些硬件的禁锢，同时，走上了几百个神经元昆虫级别的神经元，再到小鼠级别的神经元，在到猴脑级别的神经元，最后到人脑级别的神经元。但关于是否神经元堆砌就可以实现人脑的智能化水平，普遍是消极的观点。反而是传统冯诺依曼架构下的深度神经网络路线，结合人脑学习反馈，强化，权重，记忆等机制，融合进当下的硅基计算机系统中，掀起了一波一波人工智能的狂潮，展现出了更为“神似”人类智力涌现的现象。从商业化的视角来看，截至目前类脑计算作为一种模仿人类脑部结构的计算架构，目前仅在功耗层面展现出了独特的优势，在易用性，准确性，算法优越性也没有特别亮眼之处，不得不说，类脑计算在过去十多年的发展获得的学术突破寥寥。但站在今天这个时点，我们重新去思考这个技术和这个时代，就会发现类脑计算也被赋予了新的意义：其一：以大语言模型为代表的AI2.0，深度扎根在以英伟达，AMD为代表的芯片设计企业和以台积电为代表的芯片制造企业构建的先进算力土壤之上，先不论成本和代价的大小，AI的渗透和蔓延速度都高度受限于美国的算力制裁政策，在这样的背景之下，每一种新的有潜力破局的计算架构都值得去投入和研究；第二：对比人类大脑，在这一轮大语言模型中，大脑的神经元和突触的链接规模已经被GPT为代表的的大模型碾压，但人类大脑的通用智能的能力却依旧碾压目前各种大模型。因为人类大脑在神经元链接范式之上，有更为高深的复杂系统。未来万亿参数的模型，数千万美金的训练投入，巨量的电力资源，很难想象这会是AI的终极解法。站在投资的视角，笔者觉得类脑计算和类脑智能距离产业化更为遥远，但也更为重要，我们期待中国脑科学计划可以深入到脑机理的研究，去思考1.5公斤，功耗20W的一台计算机如何能实现如此的计算性能；期待类脑计算抛弃掉当前的设计禁锢，去构建起一种更高层级的计算框架，或许这才是正在走向AGI的途径。
