這只線蟲不簡單！大腦被高精度還原，可動態蠕動前行( 三 ) _神經元

下一階段，天演團隊計劃讓這只“賽博線蟲”實現避障、覓食等更復雜的智能任務。
事實上，類腦智能研究一直是個全球性課題。
國際上，包括歐盟腦計劃支持的Blue Brain項目、美國腦計劃等都在進行類腦研究；科技巨頭如谷歌，近5年一直在發布腦圖譜、腦工具；高校研究機構如MIT，用19個線蟲模擬神經元實現了自動駕駛控制……
然而，單從類腦研究來看，各團隊的研究方向卻有很大不同，甚至有相當一部分團隊藉由先設計芯片、再設計算法的方式來實現類腦計算。
但這樣的研究，反而會被芯片等硬件約束了算法的設計與實現，最終與實現類腦智能的目標相距甚遠。
相較之，天演團隊選擇從實現AI的角度，去研究并實現類腦智能。
但即便如此，費盡心力建模一個線蟲大腦，真的有意義嗎？
線蟲“大腦”，有什么用？
若是用一句話來概括這個問題，那便是：

這是邁出人造智能生命的關鍵一步。

文章插圖

自人工智能誕生以來，把“機器打造得像人一樣” ，便成為了研究人員一直努力研發的方向。
然而隨著時間的推移，哪怕到了現今以深度學習為主的發展階段，人工智能還是沒有達到真正意義上的智能程度。
即便是像2016年AlphaGo轟動世界的那場圍棋比賽，也只是刷新了人們對于人工智能的認知。
但也正如CMU教授Hans Moravec所述：

要讓電腦像成年人一樣下棋是相對容易的；但是要讓電腦擁有一歲小孩水平的感知和行動能力，卻是相當困難，甚至是不可能的。

那么，問題到底出在了哪里？
在2016年的時候，智源研究院院長黃鐵軍就給出過答案。
他認為，深度學習本質上依賴于人工神經網絡，而生物的智能所依靠的是生物神經網絡。
其中，人工神經網絡更接近于“實現功能”，而生物神經網絡模擬的則是“實現功能的結構”，二者在“體量”上便不是一個級別的，后者明顯要龐大得多，也更重要——
因為結構決定功能，而生物神經網絡才是智能的載體。
因此，黃鐵軍基于這種情況下所提出的“解法”是：

從腦機理模擬的角度出發。

簡單來說，就是要去探索生腦大腦內部的“運作模式”，這才是通向通用人工智能的途徑之一。

文章插圖

無獨有偶，在更早的2009年，瑞士洛桑聯邦理工學院的Henry Markram教授也提出過類似的觀點。
【這只線蟲不簡單！大腦被高精度還原，可動態蠕動前行】當時他宣布了一個計劃——將在理解大腦結構的基礎之上，用超級計算機建立大腦模型。
這項計劃后來得到了歐盟的大力支持和關注，因為這種方式的意義不僅僅是理解人類大腦智能的本身，甚至還可能為腦疾病找到別樣的治療方法。
但問題也接踵而至，要想模擬人類整個大腦神經網絡，靠計算機是相當困難的。
這不僅僅是因為計算模擬的復雜度，更是因為生物大腦本身的復雜度。
畢竟人類大腦的含有神經元數量高達1011，其所需的計算量和成本可見一斑。
而人類實際上通過大腦去做推理、創作等一系列行為時，所消耗的功耗僅為20-25瓦。
也就是說生物大腦具備了“高智能”、“低功耗”的特性。