在我國(guó)的腦計(jì)劃“腦科學(xué)與類(lèi)腦研究”中，類(lèi)腦計(jì)算是重要組成部分。這部分的任務(wù)是什么？甚至這個(gè)概念是什么意思？在腦計(jì)劃準(zhǔn)備過(guò)程中，就有不少爭(zhēng)論，之后肯定還會(huì)有爭(zhēng)論。有爭(zhēng)論是好事，有利于把有限投入用到刀刃上。這里我圍繞“類(lèi)”（怎么類(lèi)？）、“腦”（從腦中得到什么？）和“計(jì)算”（怎么算？）三個(gè)問(wèn)題談一下自己的看法，與業(yè)界同道和廣大同仁商榷。

“類(lèi)”：功能類(lèi)腦還是結(jié)構(gòu)仿腦？

人類(lèi)大腦是宇宙間已知的最復(fù)雜的對(duì)象，擁有已知的最強(qiáng)的智能。盡管計(jì)算機(jī)在計(jì)算速度等方面已經(jīng)遠(yuǎn)遠(yuǎn)超過(guò)人類(lèi)大腦，在圍棋這種高智力項(xiàng)目中人工智能系統(tǒng)也已經(jīng)把人類(lèi)遠(yuǎn)遠(yuǎn)甩到后面，但這都是“單項(xiàng)比賽”，大腦無(wú)疑是唯一的智能最強(qiáng)的全能選手。

正如歐盟“人類(lèi)大腦計(jì)劃（Human Brain Project）”建議報(bào)告中指出的[1]：“除人腦以外，沒(méi)有任何一個(gè)自然或人工系統(tǒng)能夠具有對(duì)新環(huán)境與新挑戰(zhàn)的自適應(yīng)能力、新信息與新技能的自動(dòng)獲取能力、在復(fù)雜環(huán)境下進(jìn)行有效決策并穩(wěn)定工作直至幾十年的能力。沒(méi)有任何系統(tǒng)能夠在多處損傷的情況下保持像人腦一樣好的穩(wěn)健性，在處理同樣復(fù)雜的任務(wù)時(shí)，沒(méi)有任何人工系統(tǒng)能夠媲美人腦的低能耗性?！?/p>

用人工智能話語(yǔ)來(lái)說(shuō)，至今為止的所有人工智能都是“弱人工智能”，而人類(lèi)大腦是個(gè)通用智能系統(tǒng)，擁有“強(qiáng)人工智能”，即具有自我意識(shí)，能夠通過(guò)學(xué)習(xí)適應(yīng)環(huán)境和應(yīng)對(duì)未知挑戰(zhàn)。因此，借鑒大腦是發(fā)展人工智能的一條重要路線。

關(guān)鍵問(wèn)題是：如何借鑒大腦？或者說(shuō)怎么去“類(lèi)”腦？

多數(shù)人理解的“類(lèi)腦”是功能類(lèi)腦，亦即先理解大腦智能的工作機(jī)制或原理，然后按照這個(gè)科學(xué)原理設(shè)計(jì)人工智能系統(tǒng)。這種思路的基礎(chǔ)是認(rèn)知科學(xué)，大眾都很容易理解；這種觀點(diǎn)也常常影響人工智能的技術(shù)走向，但效果差強(qiáng)人意，很多計(jì)算機(jī)和人工智能專(zhuān)家甚至因此厭倦、反感認(rèn)知科學(xué)乃至腦科學(xué)。為什么會(huì)這樣？

先“理解（大腦）智能”，再“制造（人工）智能”，聽(tīng)起來(lái)很有道理，實(shí)際上經(jīng)不起推敲。特別是要實(shí)現(xiàn)強(qiáng)人工智能，這條路線根本不可行。

“理解大腦智能”，即發(fā)現(xiàn)“意識(shí)的生物學(xué)基礎(chǔ)” [2]，這是人類(lèi)面臨的最重大的科學(xué)問(wèn)題之一，也是包括“中國(guó)腦計(jì)劃”在內(nèi)的各國(guó)腦計(jì)劃關(guān)注的最重大的問(wèn)題。但是，對(duì)這個(gè)問(wèn)題的探索才剛剛開(kāi)始，多少年能解決？樂(lè)觀的腦科學(xué)家認(rèn)為需要數(shù)百年，悲觀的腦科學(xué)家認(rèn)為永遠(yuǎn)解決不了，因?yàn)榻鉀Q之日就是腦科學(xué)終結(jié)之時(shí)。在1956年人工智能的起點(diǎn)會(huì)議中，也探討了類(lèi)似問(wèn)題：“一群神經(jīng)元如何形成概念？”，實(shí)際上這才是人工智能（特別是強(qiáng)人工智能）最核心的問(wèn)題。當(dāng)然人工智能發(fā)展了六十年，問(wèn)題還是那個(gè)問(wèn)題，基本沒(méi)有什么進(jìn)展。

所以，把“理解智能”作為“制造智能”的前提，即要先破解大腦的奧秘，才能研制強(qiáng)人工智能系統(tǒng)，實(shí)際上是把一個(gè)更難的（甚至是最難的）問(wèn)題作為前提條件，犯了本末倒置的錯(cuò)誤，思想根源在于迷信“科學(xué)是技術(shù)的基礎(chǔ)和前提”。

事實(shí)上，人類(lèi)歷史上重大技術(shù)突破往往都在科學(xué)原理揭示之前。以飛機(jī)為例，萊特兄弟1903年發(fā)明飛機(jī)，馮·卡門(mén)1908年在巴黎親眼目睹飛行表演后才相信這個(gè)事實(shí)，并下決心搞清楚飛機(jī)為什么會(huì)飛；直到1946年，他才和錢(qián)學(xué)森系統(tǒng)提出空氣動(dòng)力學(xué)。這樣的例子不勝枚舉：從中國(guó)四大發(fā)明，到日常生活中的樂(lè)器甚至漿糊，都是先成功實(shí)踐，后揭示出科學(xué)原理。

任何客觀對(duì)象都可以分為“結(jié)構(gòu)”和“功能”兩個(gè)層次，結(jié)構(gòu)是功能的基礎(chǔ)，功能是結(jié)構(gòu)的表現(xiàn)：基本單元按照特定結(jié)構(gòu)組成復(fù)雜對(duì)象，進(jìn)而在和環(huán)境交互過(guò)程中表現(xiàn)出特定功能。大腦的“結(jié)構(gòu)”是指各種神經(jīng)元（神經(jīng)細(xì)胞）通過(guò)神經(jīng)突觸連接而成的復(fù)雜神經(jīng)網(wǎng)絡(luò)，“功能”是指大腦神經(jīng)網(wǎng)絡(luò)表現(xiàn)出來(lái)的動(dòng)力學(xué)行為，包括思維/意識(shí)現(xiàn)象。

腦科學(xué)研究的中心任務(wù)就是發(fā)現(xiàn)特定功能（正常腦功能或異常腦疾?。┑慕Y(jié)構(gòu)基礎(chǔ)，“腦計(jì)劃”的實(shí)施會(huì)起到支撐和加速作用，甚至實(shí)現(xiàn)一些局部突破，但是解決“大腦（結(jié)構(gòu)）何以產(chǎn)生智能（功能）？”這個(gè)終極性問(wèn)題，需要數(shù)十年乃至數(shù)百年的長(zhǎng)期努力，在“腦計(jì)劃”十多年的執(zhí)行周期內(nèi)，沒(méi)人敢預(yù)測(cè)能走多遠(yuǎn)。

因此，類(lèi)腦計(jì)算如果想在“腦計(jì)劃”執(zhí)行周期內(nèi)有所突破，不能走“功能類(lèi)腦”的技術(shù)路線，坐等認(rèn)知科學(xué)家“猜謎”，而要走“結(jié)構(gòu)仿腦”的路線。

所謂“結(jié)構(gòu)仿腦”，就是要與神經(jīng)科學(xué)家合作，以生物大腦介觀圖譜為藍(lán)圖，采用微納器件模擬生物神經(jīng)元和神經(jīng)突觸的信息處理功能，仿照大腦皮層神經(jīng)網(wǎng)絡(luò)和生物感知器官構(gòu)造出仿生神經(jīng)網(wǎng)絡(luò)，在仿真精度達(dá)到一定程度后，加以外界刺激訓(xùn)練，使之產(chǎn)生與生物大腦類(lèi)似的信息處理功能和系統(tǒng)行為[3]。

“結(jié)構(gòu)仿腦”的基礎(chǔ)是繪制大腦圖譜，這是“腦計(jì)劃”未來(lái)十到十五年持續(xù)推進(jìn)、結(jié)果可期的中心任務(wù)，既是腦科學(xué)的基礎(chǔ)，也是類(lèi)腦計(jì)算的基礎(chǔ)?！敖Y(jié)構(gòu)仿腦”的目標(biāo)成果是類(lèi)腦（計(jì)算）機(jī)，更形象的稱(chēng)呼是“電子大腦”，它是有望實(shí)現(xiàn)更強(qiáng)人工智能乃至強(qiáng)人工智能的新一代計(jì)算平臺(tái)。

“結(jié)構(gòu)仿腦”主要涉及大腦結(jié)構(gòu)解析和仿真兩大問(wèn)題，本質(zhì)上都是工程技術(shù)問(wèn)題，經(jīng)過(guò)持續(xù)努力極有可能在十年時(shí)間尺度內(nèi)持續(xù)進(jìn)展并取得重大突破，本文后面的主要內(nèi)容就是介紹這條路線的可行性及最新進(jìn)展。樂(lè)觀估計(jì)，結(jié)構(gòu)仿腦很可能在十到二十年成功，保守估計(jì)也不應(yīng)該超過(guò)三十年。具有更強(qiáng)智能的“電子大腦”還是生物大腦和生物智能的對(duì)照物，更易操作調(diào)控，能夠加快腦科學(xué)和數(shù)理科學(xué)家破解大腦奧秘的歷史進(jìn)程。因此，類(lèi)腦計(jì)算以及以它為基礎(chǔ)的強(qiáng)人工智能，并非理解大腦奧秘的結(jié)果，而是可率先實(shí)現(xiàn)的基礎(chǔ)和前提，

“腦”：繪就大腦精細(xì)神經(jīng)圖譜

如上所述，類(lèi)腦計(jì)算的“腦”不是“功能腦”，而是“結(jié)構(gòu)腦”，即神經(jīng)元、神經(jīng)突觸構(gòu)成的大規(guī)模生物神經(jīng)網(wǎng)絡(luò)。

從結(jié)構(gòu)層次認(rèn)識(shí)大腦本來(lái)就是現(xiàn)代神經(jīng)科學(xué)的起點(diǎn)。1906年，諾貝爾生理學(xué)或醫(yī)學(xué)獎(jiǎng)授予“在神經(jīng)系統(tǒng)結(jié)構(gòu)研究上的工作”的卡米洛·高爾基（Camilo Golgi，1843-1926）和圣地亞哥·拉蒙·卡哈爾（Santiago Ramony Cajal，1852-1934），他們提出神經(jīng)元染色法并繪制了大量精美的生物神經(jīng)網(wǎng)絡(luò)圖譜，沿用至今。

神經(jīng)元（即神經(jīng)細(xì)胞）是大腦神經(jīng)網(wǎng)絡(luò)的基本單元，對(duì)于它的功能，1943年麥卡洛克和皮茨想象成“全或無(wú)”的邏輯開(kāi)關(guān)。但是，生物神經(jīng)元真是這樣嗎？這個(gè)問(wèn)題1939年就有人思考，剛剛博士后出站回到劍橋大學(xué)的阿蘭·霍奇金（Alan Hodgkin, 1914-1998）和他的博士后安德魯·赫胥黎（Andrew Huxley，1917-2012）選中了大西洋烏賊的巨神經(jīng)元，自制工具，很快就測(cè)到這個(gè)神經(jīng)元的靜息電位和動(dòng)作電位，實(shí)驗(yàn)結(jié)果發(fā)表在《Nature》上。恰在此時(shí)，二戰(zhàn)爆發(fā)，兩人投筆從戎。直到1946年，霍奇金和赫胥黎重新拿起膜片鉗，又花了六年時(shí)間，精細(xì)測(cè)量神經(jīng)元傳遞電信號(hào)（神經(jīng)脈沖，更準(zhǔn)確地稱(chēng)為動(dòng)作電位）的動(dòng)態(tài)過(guò)程，并給出了精確描述這一動(dòng)力學(xué)過(guò)程的微分方程，稱(chēng)為霍奇金-赫胥黎方程（Hodgkin-Huxley方程，簡(jiǎn)稱(chēng)HH方程）[4]，1963年獲得諾貝爾獎(jiǎng)?？上У氖?，人工智能領(lǐng)域很多神經(jīng)網(wǎng)絡(luò)專(zhuān)家竟然不知道這個(gè)方程的存在，包括深度學(xué)習(xí)在內(nèi)的人工神經(jīng)網(wǎng)絡(luò)模型還在沿用1943年的簡(jiǎn)化模型！

接下來(lái)是神經(jīng)突觸解析，這一歷史重任轉(zhuǎn)到中國(guó)人肩上。中國(guó)現(xiàn)代神經(jīng)科學(xué)奠基人馮德培（1907-1995）和張香桐（1907-2007）對(duì)神經(jīng)可塑性研究做出了杰出貢獻(xiàn)。

在霍奇金-赫胥黎方程發(fā)表的1952年，張香桐就發(fā)現(xiàn)樹(shù)突具有電興奮性，樹(shù)突上的突觸可能對(duì)神經(jīng)元的興奮精細(xì)調(diào)節(jié)起重要作用。1992年國(guó)際神經(jīng)網(wǎng)絡(luò)學(xué)會(huì)授予張香桐終身成就獎(jiǎng)，評(píng)價(jià)他“……為樹(shù)突電流在神經(jīng)整合中起重要作用這一概念提供了直接證據(jù)……這一卓越成就，為我們將來(lái)發(fā)展使用微分方程和連續(xù)時(shí)間變數(shù)的神經(jīng)網(wǎng)絡(luò)、而不再使用數(shù)字脈沖邏輯的電子計(jì)算機(jī)奠定了基礎(chǔ)” [5]。

1998年，畢國(guó)強(qiáng)和蒲慕明提出了神經(jīng)突觸脈沖時(shí)間依賴(lài)的可塑性機(jī)制STDP（Spike-Timing Dependent Plasticity）[6-7]：反復(fù)出現(xiàn)的突觸前脈沖有助于緊隨其后產(chǎn)生的突觸后動(dòng)作電位并將導(dǎo)致長(zhǎng)期增強(qiáng)，相反的時(shí)間關(guān)系將導(dǎo)致長(zhǎng)期抑制。2000年，宋森等給出了STDP的數(shù)學(xué)模型[8-9]。2016年，蒲慕明院士因?yàn)椤啊窠?jīng)細(xì)胞如何依據(jù)對(duì)現(xiàn)實(shí)世界的體驗(yàn)，建立新連接或者改變?cè)羞B接強(qiáng)度”獲得美國(guó)神經(jīng)學(xué)學(xué)會(huì)格魯伯神經(jīng)科學(xué)獎(jiǎng)。

神經(jīng)突觸雖然微小，但對(duì)越來(lái)越精密的探測(cè)儀器來(lái)說(shuō)，并無(wú)突破不了的障礙。人類(lèi)大腦神經(jīng)突觸數(shù)量達(dá)到百萬(wàn)億，神經(jīng)元數(shù)量達(dá)到千億，雖然龐大繁雜，但仍然是一個(gè)有限復(fù)雜度的物理結(jié)構(gòu)。

2008年，美國(guó)工程院把“大腦反向工程”列為本世紀(jì)14個(gè)重大工程問(wèn)題之一，注意，這是解剖學(xué)意義上的“結(jié)構(gòu)反向工程”，不是功能模擬。

2013年以來(lái)，歐洲“人類(lèi)大腦計(jì)劃”以及美、日、韓“腦計(jì)劃”都把大腦結(jié)構(gòu)圖譜繪制作為重要內(nèi)容。

2014年，華中科技大學(xué)《單細(xì)胞分辨的全腦顯微光學(xué)切片斷層成像》獲得國(guó)家自然科學(xué)二等獎(jiǎng)，并被歐洲人類(lèi)大腦計(jì)劃用作鼠腦仿真的基礎(chǔ)數(shù)據(jù)。

2016年3月，美國(guó)情報(bào)高級(jí)研究計(jì)劃署（IARPA）啟動(dòng)MICrONS（大腦皮層網(wǎng)絡(luò)機(jī)器智能）計(jì)劃，對(duì)一立方毫米的大腦皮層進(jìn)行反向工程，并運(yùn)用這些發(fā)現(xiàn)改善機(jī)器學(xué)習(xí)和人工智能算法。

2016年4月，全球腦計(jì)劃研討會(huì)（the Global Brain Workshop 2016）提出需要應(yīng)對(duì)三大挑戰(zhàn)，第一個(gè)挑戰(zhàn)就是繪制大腦結(jié)構(gòu)圖譜[10]：“在十年內(nèi)，我們希望能夠完成包括但不限于以下動(dòng)物大腦的解析：果蠅、斑馬魚(yú)、鼠、狨猴，并將開(kāi)發(fā)出大型腦圖譜繪制分析工具。”仿佛是為了證明這個(gè)預(yù)測(cè)，2016年9月8日，日本東海大學(xué)宣布繪制出包括十多萬(wàn)神經(jīng)元的果蠅大腦神經(jīng)網(wǎng)絡(luò)三維模型[11]。

2017年5月，北京大學(xué)在國(guó)家自然科學(xué)基金委重大科研儀器研制專(zhuān)項(xiàng)《超高時(shí)空分辨微型化雙光子在體顯微成像系統(tǒng)》支持下，成功研制出新一代高速高分辨微型化雙光子熒光顯微鏡，獲取了小鼠在自由行為過(guò)程中大腦神經(jīng)元和神經(jīng)突觸活動(dòng)清晰、穩(wěn)定的圖像。我國(guó)“十三五”國(guó)家重大科技基礎(chǔ)設(shè)施“多模態(tài)跨尺度生物醫(yī)學(xué)成像”已經(jīng)啟動(dòng)建設(shè)，融合光、聲、電、磁、核素、電子等成像范式，提供從埃到米、從微秒到小時(shí)跨越十個(gè)空間與時(shí)間尺度的解析能力，具備了多種模式動(dòng)物大腦的高精度動(dòng)態(tài)解析能力。

即將啟動(dòng)的國(guó)家腦計(jì)劃把大腦圖譜解析作為重要任務(wù)，明確了對(duì)模式動(dòng)物大腦結(jié)構(gòu)解析規(guī)劃，提出了通過(guò)國(guó)際合作方式繪制大腦介觀圖譜，這是腦科學(xué)研究的基礎(chǔ)，也是類(lèi)腦計(jì)算的基礎(chǔ)，應(yīng)該集中資源優(yōu)先大力支持。

神經(jīng)科學(xué)為基，認(rèn)知科學(xué)為用。通過(guò)開(kāi)放精細(xì)神經(jīng)圖譜，鼓勵(lì)各種社會(huì)資源以此為基礎(chǔ)開(kāi)展認(rèn)知科學(xué)和腦疾病相關(guān)研究，是有意義的，但是不能喧賓奪主，本末倒置，重蹈歐洲人類(lèi)大腦計(jì)劃被認(rèn)知科學(xué)攪局的覆轍。需要堅(jiān)持“有所為，有所不為”，把有限投入用到大腦精細(xì)神經(jīng)圖譜解析這項(xiàng)基礎(chǔ)的、共性的任務(wù)上，這個(gè)率先突破了，“一體兩翼”才可能起飛，否則，胡子眉毛一把抓，十五年后難免一地雞毛。 

“計(jì)算”：超越計(jì)算概念，構(gòu)造仿腦平臺(tái)

計(jì)算機(jī)科學(xué)技術(shù)和產(chǎn)業(yè)的高速發(fā)展，讓“計(jì)算”這個(gè)詞的含義不斷膨脹，似乎計(jì)算無(wú)所不能。但是，計(jì)算機(jī)的能與不能，理論邊界早在1936年就由提出者阿蘭?麥席森·圖靈界定清楚了[12]。

眾所周知，圖靈這篇論文的目的是證明“不可計(jì)算數(shù)”的存在，大家熟知的圖靈機(jī)模型，只是副產(chǎn)品。論文結(jié)論是任何可物理實(shí)現(xiàn)的圖靈機(jī)（也就是所有計(jì)算機(jī)）能夠計(jì)算的數(shù)都只是一個(gè)很小的子集，把智能框定在這樣一個(gè)有限范圍顯然是不足取的，包括圖靈在內(nèi)的計(jì)算機(jī)和人工智能先驅(qū)也并不認(rèn)為經(jīng)典計(jì)算機(jī)就是實(shí)現(xiàn)人工智能的可行平臺(tái)，更談不上是實(shí)現(xiàn)強(qiáng)人工智能的的平臺(tái)。

1943年，也就是人類(lèi)第一臺(tái)計(jì)算機(jī)發(fā)明三年之前，圖靈就提出了“電子大腦”的想法[13]。1950年，圖靈發(fā)表題為《計(jì)算機(jī)與智能》的文章[14]，明確表示“真正的智能機(jī)器必須具有學(xué)習(xí)能力，制造這種機(jī)器的方法是：先制造一個(gè)模擬童年大腦的機(jī)器，再教育訓(xùn)練?！?/p>

神經(jīng)網(wǎng)絡(luò)是發(fā)展人工智能的重要路線，也是目前以深度學(xué)習(xí)為代表的新一輪人工智能熱潮的模型基礎(chǔ)。但是，迄今為止的人工神經(jīng)網(wǎng)絡(luò)都過(guò)度簡(jiǎn)化，與生物大腦神經(jīng)網(wǎng)絡(luò)對(duì)比，至少在三個(gè)層次還遠(yuǎn)遠(yuǎn)不能相提并論：

第一，生物神經(jīng)元的數(shù)學(xué)模型要比人工神經(jīng)網(wǎng)絡(luò)的神經(jīng)元數(shù)學(xué)模型復(fù)雜得多；

第二，人類(lèi)大腦是由數(shù)百種不同類(lèi)型的上千億的神經(jīng)細(xì)胞所構(gòu)成的極為復(fù)雜的生物組織，每個(gè)神經(jīng)元通過(guò)數(shù)千甚至上萬(wàn)個(gè)神經(jīng)突觸和其他神經(jīng)元相連接，即使采用簡(jiǎn)化的神經(jīng)元模型，采用目前最強(qiáng)大的超級(jí)計(jì)算機(jī)模擬人腦，也需要一百臺(tái)；

第三，生物神經(jīng)網(wǎng)絡(luò)采用動(dòng)作電位表達(dá)和傳遞信息，按照非線性動(dòng)力學(xué)機(jī)制處理信息，目前的深度學(xué)習(xí)等人工網(wǎng)絡(luò)還不具備這些特征。

人類(lèi)智能和意識(shí)是生物神經(jīng)系統(tǒng)這個(gè)大規(guī)模非線性動(dòng)力學(xué)系統(tǒng)涌現(xiàn)出的功能。要“制造”更強(qiáng)的智能甚至類(lèi)人智能，必需在結(jié)構(gòu)和基元上更逼近生物神經(jīng)網(wǎng)絡(luò)，也就是要制造出圖靈所講的“童年大腦”。這種超越經(jīng)典計(jì)算機(jī)的機(jī)器叫做類(lèi)腦（計(jì)算）機(jī)或神經(jīng)形態(tài)機(jī)，相關(guān)研究從上世紀(jì)八十年代開(kāi)始就一直在持續(xù)進(jìn)行中。

類(lèi)腦機(jī)或神經(jīng)形態(tài)機(jī)是仿照生物神經(jīng)網(wǎng)絡(luò)、采用神經(jīng)形態(tài)器件構(gòu)造的、以多尺度非線性時(shí)空信息處理為中心的智能機(jī)器。

具體來(lái)說(shuō)，是從結(jié)構(gòu)層次仿真入手，采用微納光電器件模擬生物神經(jīng)元和神經(jīng)突觸的信息處理功能，仿照大腦皮層神經(jīng)網(wǎng)絡(luò)和生物感知器官構(gòu)造出仿生神經(jīng)網(wǎng)絡(luò)，在仿真精度達(dá)到一定程度后，加以外界刺激訓(xùn)練，使之產(chǎn)生與生物大腦類(lèi)似的信息處理功能和系統(tǒng)行為。

類(lèi)腦機(jī)背后的基本理念是繞過(guò)“理解智能”這個(gè)更為困難的科學(xué)難題，先通過(guò)結(jié)構(gòu)仿真等工程技術(shù)手段制造出神經(jīng)形態(tài)機(jī)，再通過(guò)訓(xùn)練間接達(dá)到智能模擬的目的。這條技術(shù)路線可總結(jié)為[16,3]：結(jié)構(gòu)層次模仿腦，器件層次逼近腦，智能層次超越腦。

仿真大腦的努力可以追溯到上世紀(jì)80年代，代表性工作包括美國(guó)生物學(xué)家、諾貝爾醫(yī)學(xué)或生理學(xué)獎(jiǎng)獲得者杰拉爾德·艾德曼（Gerald Maurice Edelman，1929-2014）的仿腦機(jī)（Brain-Based-Devices，BBD）[16-17] 和現(xiàn)代微電子學(xué)和大規(guī)模集成電路先驅(qū)、加州理工學(xué)院教授卡弗·米德（Carver Andress Mead，1934—）開(kāi)創(chuàng)的神經(jīng)形態(tài)工程（Neuromorphic  Engineering）[18-19]。三十年來(lái)，以硬件方式逼近生物神經(jīng)網(wǎng)絡(luò)的神經(jīng)形態(tài)計(jì)算（Neuromorphic Computing）持續(xù)發(fā)展，全球范圍內(nèi)發(fā)表的論文已經(jīng)兩千多篇[20]。

近年來(lái)，具有類(lèi)腦機(jī)特征的神經(jīng)形態(tài)計(jì)算系統(tǒng)紛紛登場(chǎng)。目前全球范圍內(nèi)運(yùn)行的代表性的大型神經(jīng)形態(tài)計(jì)算系統(tǒng)有四套：斯坦福大學(xué)的Neurogrid[21]，德國(guó)海德堡大學(xué)的BrainScaleS系統(tǒng)[22]，英國(guó)曼徹斯特大學(xué)的SpiNNaker系統(tǒng)[23]，美國(guó)IBM公司基于TrueNorth芯片構(gòu)造的系統(tǒng)[24]。與經(jīng)典計(jì)算機(jī)類(lèi)比，這些系統(tǒng)相當(dāng)于1946年首臺(tái)計(jì)算機(jī)ENIAC，但是發(fā)展迅速，例如，BrainScaleS在歐洲人類(lèi)大腦計(jì)劃支持下，預(yù)計(jì)在2022年，也就是計(jì)劃結(jié)束前一年，實(shí)現(xiàn)在神經(jīng)信息處理能力上超越人類(lèi)大腦。

我國(guó)在類(lèi)腦機(jī)研制方面還沒(méi)有重大規(guī)劃和行動(dòng)，但相關(guān)基礎(chǔ)研究工作也已經(jīng)有上十年的歷史。2015年9月，北京啟動(dòng)“腦科學(xué)研究”重大專(zhuān)項(xiàng)，“腦認(rèn)知與類(lèi)腦計(jì)算”作為兩大任務(wù)之一，從理論基礎(chǔ)研究、類(lèi)腦計(jì)算機(jī)研制和類(lèi)腦智能應(yīng)用三個(gè)層次布局了九個(gè)方面的任務(wù)，包括：大腦結(jié)構(gòu)解析平臺(tái)、認(rèn)知功能模擬平臺(tái)、神經(jīng)形態(tài)器件、類(lèi)腦處理器、機(jī)器學(xué)習(xí)芯片、類(lèi)腦計(jì)算機(jī)、視聽(tīng)感知、自主學(xué)習(xí)和自然會(huì)話，調(diào)動(dòng)了北京地區(qū)腦科學(xué)研究力量協(xié)同攻關(guān)重大共性技術(shù)，取得了一批具有國(guó)際影響力的成果。北京專(zhuān)項(xiàng)啟動(dòng)一個(gè)多月之后，美國(guó)能源部（美國(guó)超級(jí)計(jì)算機(jī)研制的牽頭部門(mén)）10月29-30日召集全國(guó)專(zhuān)家，圍繞“神經(jīng)形態(tài)計(jì)算：從材料到架構(gòu)”進(jìn)行研討[25]，會(huì)議內(nèi)容與北京“腦科學(xué)與類(lèi)腦計(jì)算”布局高度類(lèi)似。

神經(jīng)形態(tài)器件是類(lèi)腦機(jī)的“晶體管”，最近幾年發(fā)展很快。2008年惠普模擬神經(jīng)突觸的憶阻器件；2016年8月IBM用相變材料仿真神經(jīng)元；9月，美國(guó)馬薩諸塞大學(xué)阿默斯特分校采用擴(kuò)散型憶阻器研制成功逼近神經(jīng)突觸的器件；10月，普林斯頓大學(xué)宣布研制成功比光神經(jīng)元，標(biāo)志著神經(jīng)形態(tài)器件的競(jìng)爭(zhēng)已經(jīng)進(jìn)入白熱化階段。

我國(guó)在神經(jīng)形態(tài)器件方面已經(jīng)有十多年的研究歷史，北京大學(xué)、清華大學(xué)、南京大學(xué)、中科院上海微系統(tǒng)所、華中科技大學(xué)和國(guó)防科技大學(xué)等單位的成果表明中國(guó)很有可能對(duì)這一領(lǐng)域產(chǎn)生巨大影響。盡管這些器件應(yīng)用于神經(jīng)計(jì)算系統(tǒng)還有很長(zhǎng)的路要走，它們將從根本上塑造神經(jīng)計(jì)算機(jī)的未來(lái)，就像晶體管和集成電路對(duì)經(jīng)典計(jì)算機(jī)的貢獻(xiàn)一樣。

我國(guó)在經(jīng)典計(jì)算機(jī)時(shí)代錯(cuò)失歷史機(jī)遇，經(jīng)過(guò)不懈努力，高性能計(jì)算機(jī)已經(jīng)領(lǐng)冠全球，但計(jì)算機(jī)產(chǎn)業(yè)“空心化”局面很難挽回。神經(jīng)形態(tài)計(jì)算和類(lèi)腦機(jī)革命正在展開(kāi)，我國(guó)應(yīng)盡快做出戰(zhàn)略部署，集中優(yōu)勢(shì)研究力量，突破基礎(chǔ)器件（神經(jīng)形態(tài)器件）、核心芯片（神經(jīng)形態(tài)處理器）和基礎(chǔ)軟件及整機(jī)，實(shí)現(xiàn)類(lèi)腦計(jì)算機(jī)產(chǎn)業(yè)內(nèi)生式發(fā)展，為新一代人工智能乃至強(qiáng)人工智能奠定機(jī)器基礎(chǔ)。

超越大腦

在1950年那篇題為《計(jì)算機(jī)與智能》的文章[14]中，阿蘭·圖靈并未止步于的智能機(jī)器的思考，而是提出“吾等目力短亦淺，能知百事待踐行”的實(shí)際路線。也正是沿著這樣的路線，經(jīng)典計(jì)算機(jī)從計(jì)算機(jī)器成長(zhǎng)為支撐包括人工智能在內(nèi)的各種算法、模型和應(yīng)用的通用平臺(tái)，計(jì)算已經(jīng)成為和理論、實(shí)驗(yàn)并列的科學(xué)研究第三范式。

腦與意識(shí)作為自然科學(xué)的“最后疆域”，離不開(kāi)經(jīng)典計(jì)算機(jī)的支持，更需要從大腦神經(jīng)系統(tǒng)精細(xì)結(jié)構(gòu)出發(fā)，研制能夠重現(xiàn)大腦功能的“電腦”（類(lèi)腦機(jī)）。

總結(jié)一下，類(lèi)腦計(jì)算需要遵循以下原則：

(1) 先結(jié)構(gòu)，后功能：應(yīng)該從對(duì)生物神經(jīng)系統(tǒng)的結(jié)構(gòu)仿真出發(fā)，而不是從生物智能的功能模擬出發(fā)，即科學(xué)基礎(chǔ)主要是神經(jīng)科學(xué)，而不是認(rèn)知科學(xué)；

(2) 器件層次逼近腦：必須研制功能和尺度都逼近乃至超越生物神經(jīng)元和生物突觸的神經(jīng)形態(tài)器件，以制造大規(guī)模神經(jīng)網(wǎng)絡(luò)硬件系統(tǒng)；

(3) 結(jié)構(gòu)層次模仿腦：需要借鑒生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)新的體系結(jié)構(gòu)，在實(shí)現(xiàn)類(lèi)似生物智能的后再進(jìn)行簡(jiǎn)化、優(yōu)化和擴(kuò)大規(guī)模；

(4) 功能層次超越腦：使用互聯(lián)網(wǎng)大數(shù)據(jù)、物聯(lián)網(wǎng)傳感器、虛擬環(huán)境等多種刺激訓(xùn)練硬件神經(jīng)網(wǎng)絡(luò)，“培育”智能；

(5) 先理解機(jī)器智能，再理解生物智能：對(duì)機(jī)器智能產(chǎn)生的動(dòng)力學(xué)過(guò)程進(jìn)行建模和分析，理解機(jī)器智能，再將這種理解外推到生物系統(tǒng)，補(bǔ)充生物實(shí)驗(yàn)，理解生物智能乃至人類(lèi)意識(shí)。

沿著上述原則研制的“電腦”，并不需要等待腦科學(xué)認(rèn)知原理的突破，只要獲得生物神經(jīng)網(wǎng)絡(luò)的介觀圖譜和神經(jīng)元及神經(jīng)突觸功能特性，就能制造出生物大腦工作模式和性能相當(dāng)?shù)闹悄軝C(jī)器，甚至涌現(xiàn)出自我意識(shí)，這將是揭開(kāi)大腦終極奧秘的重要一步。

我們的大腦是一個(gè)足夠復(fù)雜的結(jié)構(gòu)，所以才能映射和表達(dá)外部世界存在的復(fù)雜結(jié)構(gòu)；我們的大腦還是一個(gè)動(dòng)態(tài)復(fù)雜系統(tǒng)，所以才能感知和處理復(fù)雜的動(dòng)態(tài)世界；我們的大腦這個(gè)動(dòng)態(tài)系統(tǒng)對(duì)形式的加工過(guò)程中所進(jìn)行的變換和抽象，則是知識(shí)的源頭。當(dāng)然，我們的大腦還是一個(gè)復(fù)雜度有限的結(jié)構(gòu)，復(fù)制這樣的結(jié)構(gòu)不過(guò)是制造更復(fù)雜的結(jié)構(gòu)的起點(diǎn)。一旦“電腦”變?yōu)楝F(xiàn)實(shí)，超越就同時(shí)發(fā)生了：

(1) 速度：神經(jīng)形態(tài)器件可以快多個(gè)數(shù)量級(jí)

(2) 規(guī)模：沒(méi)有顱骨的限制

(3) 壽命：電子系統(tǒng)即使有損耗，也可以復(fù)制遷移到新系統(tǒng)而永生

(4) 精度：生物大腦的很多缺陷和“短板”可以避免和彌補(bǔ)

(5) 協(xié)作：電腦之間“精誠(chéng)合作”、“萬(wàn)眾一心”

(6) 進(jìn)化：電腦自己設(shè)計(jì)自己

(7) ……

參考文獻(xiàn)：

1. H Markram, K Meier et al. The Human Brain Project, A Report to the European Commission. The HBP-PS Consortium, April 2012. 

2. Greg Miller. What Is the Biological Basis of Consciousness?  Science.  Vol.309, Issue 5731, pp.79. July 2005

3. Tie-Jun Huang. Imitating the Brain with Neurocomputer A “New” Way Towards Artificial General Intelligence[J]. International Journal of Automation and Computing, vol.14, no.5, pp.520-531, 2017.

4. Hodgkin A L, Huxley A. A quantitative description of membrane current and its application to conduction and excitation in nerve. The Journal of physiology, 1952, 117(4):500-544.

5. 饒毅,魯白,梅林. 神經(jīng)科學(xué):腦研究的綜合學(xué)科. 《生理科學(xué)進(jìn)展》1998年04期

6. Guoqiang Bi, Muming Poo. Synaptic modifications in cultured hippocampal neurons: Dependence on spike timing, synaptic strength, and postsynaptic cell type. J Neurosci 18: 10464-10472,1998.

7. Guoqiang Bi, Muming Poo.Distributed synaptic modification in neural networks induced by patterned stimulation. Nature, 401(6755): 792-796, 1999.

8. Sen Song, Kenneth D. Miller, L. F. Abbott. Competitive Hebbian learning through spike-timing-dependent synaptic plasticity. Nature Neuroscience 3:919-926, 2000.

9. Sen Song, L. F. Abbott. Column and map development and cortical remapping through spike-timing dependent plasticity. Neuron 32:339-50, 2001

10. J T Vogelstein, K Amunts et al. Grand Challenges for Global Brain Sciences. https://arxiv.org/ftp/arxiv/papers/1608/1608.06548.pdf, April 2016

11. R. Mizutani, R. Saiga, A. Takeuchi, K. Uesugi, Y. Suzuki. Three-dimensional network of Drosophila brain hemisphere. https://arxiv.org/ftp/arxiv/papers/1609/1609.02261.pdf. Sept 8, 2016

12. Alan M. Turing. On Computable Numbers, with an Application to the Entscheidungsproblem. Proceedings of the London Mathematical Society. 2.42. pp. 230–65, 1937.[Delivered to the Society November 1936].

13. Andrew Hodges. Alan Turing: The Enigma. London: Vintage, 1992, p251. （轉(zhuǎn)引自《信息簡(jiǎn)史》202頁(yè)）

14. Alan M. Turing. Computing Machinery and Intelligence. Mind LIX (236): 433–460, 1950.

15. T. Huang. Brain-Like Computing. Computing Now, vol.9, no.5, May. 2016, IEEE Computer Society [online]

16. G N Reeke, O Sporns, Gerald M. Edelman. Synthetic neural modeling: the `Darwin' series of recognition automata. Proceedings of the IEEE, vol. 78, no. 9, pp. 1498-1530, Sep 1990. doi: 10.1109/5.58327

17. Gerald M. Edelman. Learning in and from brain-based device [J]. Science, 2007, 318: 1103-1105.

18. Carver Mead. Neuromorphic electronic systems. Proceedings of the IEEE, vol. 78, no. 10, pp. 1629-1636, Oct 1990

19. C Mead, M Ismail(ed). Analog VLSI Implementation of Neural Systems. (Dordrecht: Kluwer) 1989

20. Catherine D. Schuman, Thomas E. Potok, Robert M. Patton, J. Douglas Birdwell, Mark E. Dean, Garrett S. Rose and James S. Plank. A Survey of Neuromorphic Computing and Neural Networks in Hardware. May 2017. https://arxiv.org/pdf/1705.06963.pdf

21. B V Benjamin,…,K Boahen, Neurogrid: A Mixed-Analog-Digital Multichip System for Large-Scale Neural Simulations,Proceedings of the IEEE, vol 102, no 5, pp 699-716, 2014.

22. K. Meier. A mixed-signal universal neuromorphic computing system. 2015 IEEE International Electron Devices Meeting (IEDM), pp. 4.6.1-4.6.4, 2015.

23. S B Furber et al. The SpiNNaker project. Proc. IEEE 102 652–65, 2014

24. P A  Merolla et al. A million spiking-neuron integrated circuit with a scalable communication network and interface. Science 345 668–73, 2014.

25.https://science.energy.gov/~/media/bes/pdf/reports/.../NCFMtSA_rpt.pdf