类脑计算

危辉

随着神经生物学研究中实验手段的不断进步，科学家对神经系统结构与功能的认识也在不断深入。由于神经系统是智慧的根本物质基础，因此相关基础研究的进步自然就带动了其他应用学科的发展。其中，神经生物学发现对人工智能研究的影响令人关注。毕竟人工智能最根本的目标就是让机器能够像人类大脑一样聪明地工作，这其实就是类脑计算，一个不算新，但又被不断刷新的领域。

人类大脑是目前自然界已知的，在问题求解、推理、决策、理解、学习等智能行为方面最为高效、最为优异的生物进化产物。它的运行机制对自动化、计算机等的研究群体而言富有吸引力，毕竟人类一开始称计算机为电脑的原因就在于希望计算机能够像大脑那样工作。基于此初衷，研究人员自然而然地试图模仿大脑功能层面和结构层面的运行原理。

类脑计算、脑机接口和脑信息学

顾名思义，类脑计算就是“要像人类大脑那样进行计算”。其较为严格的定义是，一种模仿神经生理学和生理心理学机制，为某种智能应用设计实现方法的研究。它是人工智能研究的一个子集，针对智能仿真及其应用，研究内容涵盖计算机科学、自动化和控制论范畴的算法设计和系统实现等。在人工智能发展史中，联结主义学派所走的研究路线就属于类脑计算，那些人工神经元网络模型，如多层感知机模型、自组织特征映射模型、联想记忆模型等就是典型代表。当下，机器学习研究领域炙手可热的深度学习模型可视为此领域的最新发展。

人工智能领域中，与大脑研究相关还有两个研究分支，一个是基于脑电信号的脑机接口，另一个是脑信息学。尽管它们也关系到大脑，却不属于类脑计算的范畴。原因有两个：一是研究目标不同。例如，脑连接组计划针对的是神经科学范畴的问题，尝试利用现成的数据挖掘算法来发现不同脑区的关联性，而类脑计算解决的是算法和自动化系统实现问题。二是研究方法不同。脑机接口和脑信息学通常对取自大脑的数据施加来自计算机科学领域的机器学习或数据挖掘算法的现成方法，这些方法本身不是研究对象，只是多种可供选择的手段。而类脑计算所采用是基于模仿大脑机制的方法，其研究基础是弄清神经科学范畴的诸多原理性问题，通常不采用计算机科学领域现成可用的方法。

用一句流行语来形象地归纳它们彼此的不同之处：脑信息学是计算领域的研究者跨界到生物学领域，用计算机方法解决生物学领域的问题；而类脑计算是计算领域的研究者跨界到生物学领域，用生物学启示来解决计算机领域的问题。前者类似于做一个跑得最快的歌手，而后者是歌唱界里歌唱得最好的人。

类脑计算助力工程问题

人工智能领域有许多富有挑战性的工程问题，例如图像理解或计算机视觉。人类通过眼睛的视觉神经系统能感知外界超过70%的信息，绝大多数人都会认为这是件不费吹灰之力就能做好的事，哪谈得上复杂呢？其实，一旦使用计算机来分析图像的意义和处理图像信息，视觉信息加工的巨大复杂性就如同隐藏在水面下的冰山那样浮现出来。当前，对图像理解或计算机视觉系统而言，要完成图像信息的分析和处理所花费的时间和硬件代价非常巨大，效能很低。于是，研究人员想到既然生物视觉系统性能甚佳，可否通过模仿一种或几种生物的视觉神经机制来优化计算效能呢？

例如，在高等哺乳动物的视网膜中有一种神经节细胞，它是视网膜信息处理的最后一站，也是此阶段最重要的一站。视网膜神经节细胞具有同心圆拮抗式的经典感受野，其空间整合特性是处理图像区域亮度对比信息和提取图像的边缘信息。然而，高等动物极其复杂的视觉系统对图像信息的处理绝不仅限于边缘增强，它在边缘处理的基础上，尽可能完整地把图像信息传递给大脑。非经典感受野是经典感受野之外的一个大范围区域，单独刺激该区域并不能直接引起细胞的反应，但会对经典感受野内刺激所引起的反应有调制作用。视网膜神经节细胞的非经典感受野主要是去抑制性的，因此可以在一定程度上补偿由经典感受野所造成的低空间频率信息的损失。它在保持边界增强功能的同时，传递图像的区域亮度梯度信息，显示大面积表面上亮度的缓慢变化。由此可见，非经典感受野大大拓宽了视觉细胞信息处理的范围，为整合和检测大范围的复杂图形提供了神经基础。

研究发现，视网膜神经节细胞的感受野随视觉刺激的不同而发生变化，而以往对视网膜神经节细胞非经典感受野的建模大多基于固定不变的感受野，没有考虑感受野的动态变化特性。研究人员尝试为视网膜神经节细胞非经典感受野的基本结构建立多层次、带反馈的神经计算模型，用以精确表征图像。

再如，颜色知觉是人类的一种主观感觉，其实外部的物理世界本无颜色，目前仍未明晰大脑将不同波长光刺激引起的神经元响应整合成心理上可清晰分辨的机理。研究发现，可见光刺激视网膜中的光感受器——视杆细胞和三种色视锥细胞（蓝色视锥细胞、绿色视锥细胞和红色视锥细胞），视锥细胞对光的波长相对吸收程度不同，这是产生颜色感知的第一步。前述神经节细胞的感受野是由两组不同种类的视锥细胞作用产生的，这两组对不同颜色敏感的视锥细胞的输出对神经节细胞感受野的贡献是对立的，一种令其兴奋，另一种则令其抑制，神经生物学家称此为颜色拮抗机制。

从视网膜到大脑皮层，拮抗的空间构型有许多，视网膜也存在着多种类型的色拮抗结构。最简单的类型是，神经节细胞感受野的中心区只接受一种视锥细胞的输入，拮抗的感受野外周区则接收另一种对立视锥的输入。此时的拮抗主要分为两类，一类负责处理红-绿之间的颜色差异，称为红绿拮抗感受野，一类负责处理蓝-黄之间的颜色差异，称为蓝黄拮抗感受野。基于感受野中心区的颜色，有红中心区及绿外周区、绿中心区及红外周区、黄中心区及蓝外周区、蓝中心区及黄外周区等四种感受野。当人的视觉系统感知处理颜色信号时，这四种拮抗的感受野均有机会起作用，每种视锥细胞都有自己最敏感的颜色波长范围，当它们受到自身敏感的波长刺激，响应会较大。

基于此机理，可以通过构建模拟颜色拮抗机制的计算模型来处理颜色图像。例如，红中心区-绿外周区感受野的计算单元GC，既接受红中心区的正输入，同时也接受绿外周区的负输入。当这个区域只有中心为红色时，GC的输出达到最大；当这个区域只有外周是绿色时，GC的输出则最小。GC的输出值能直观地表达某个区域的颜色刺激状况。例如在一张图片上，一只翠鸟隐藏在草丛中，翠鸟的羽毛与背景颜色非常相似，对于计算机来说，很难将图片上的翠鸟识别出来。若使用上述计算模型对该原始图像进行处理，得到的上层计算单元输出值通过过滤器筛选，很容易将翠鸟的主体轮廓清晰地分割出来。类似的，隐藏在沙漠中的蛇，它的保护色与环境融合得非常好，但经过图像处理，原始图片中的主体能很好地凸显出来，并易于开展后续的物体识别及加工处理工作。

类脑计算助力神经科学研究

类脑计算不但能以算法启迪的方式来促进工程应用，而且可以以假设验证的方式来促进神经科学的研究。

诺贝尔生理学或医学奖得主休布尔（D.H.Hubel）和维塞尔（T.N.Wiesel）曾提出等级感受野假设，用于解释位于大脑皮层中的简单细胞是怎样探测到视野中光条刺激的朝向。其核心思想是，一个简单细胞的感受野是由若干个视网膜上神经节细胞的同心圆式感受野线性排列组成的，当光刺激正好穿过这些同心圆的中心区时，最上层的简单细胞就有了最大输出。

笔者认为这一假设存在以下三方面的困难。第一，解剖学上的困难。同心圆式感受野是由细胞的树突野构成的，因此很难要求若干个细胞的树突野大小完全一致，且呈现共圆心的共线排列。第二，数学上的困难。这样构造的带状感受野在数学上存在多解性，即不能区分对称出现的两个刺激。第三，物理学上的困难。若把感受野的大小向外界进行逆向投射，那么随着距离的增加，其覆盖的面积将逐渐增大。这样一来，此区域出现刺激的多样性就会急剧增加，很难保证外界的光条投影正好与感受野中心相切。

基于这些考虑，笔者团队对休布尔和维塞尔的等级感受野假设模型进行了些许改变。在新的模型中，下层的同心圆式感受野稍微错开一点排列，同时不再要求细胞的树突野尺寸大小一致。这样的设计不但不会与现有的解剖学证据相冲突，还能令上述三个问题迎刃而解。新模型不但能够实现对刺激朝向的评定，还能解释该神经回路究竟编码了何种几何意义下的信息以及它们是怎样被利用的。这样的类脑计算模型在设计上严格效仿神经解剖学和神经电生理学发现，已成为一种能够验证生物学发现合理性的平台，能助力神经生物学的研究。

神经科学与人工智能

人工智能是计算机科学技术领域的一个研究分支，用于对人的感知、理解、知识、记忆、推理、决策等进行算法化建模，目标是建立能够体现人类智慧的计算机系统。这一研究分支的应用前景广大，但传统人工智能的发展在各个细分问题上都遇到了若干个具有共性的基本问题，技术实现难点众多，需要新的解决思路。

神经科学和心理学的研究进展为开拓新思路提供了可能，人工智能领域对来自神经科学的启示总是期望的，毕竟人类大脑是高度进化的产物，是一个被反复优化的结果，效仿它的工作机理是非常合理的。例如，视觉信息在视网膜、视皮层上的编码对图像表征具有重要的启示意义。同样，大脑联合皮层区的编码方式对人工智能中的语义表征有重要的启示意义。海马形成长期记忆的编码机制、前额叶皮层对工作记忆的编码机制对数据分析手段的创新也有重要的推动作用。

从认知的计算神经学角度来看，神经科学与人工智能的结合是极为紧密的。人工智能提出了对认知模型的需求，神经科学提供了认知加工的神经机制，而计算机和数据处理手段提供了实现的基础。

关键词：类脑计算 人工智能 神经科学