脑科学与人工智能技术融合发展研究

徐晨

国家工业信息安全发展研究中心，北京，100040

0 引言

仿人智能技术以实现人类智能为目标，能解决当前人工智能技术发展所面临的数据、泛化、能耗等瓶颈难题，将对未来国防、经济等领域发展产生重要影响。因此，仿人智能技术已成为近年来学术界和业界的一个重要研究热点。

近年来，美、日等国均结合本国实际情况制定了“脑科学”研究计划，以探索脑科学精髓，推进仿人智能技术发展进程。美国2013年启动“通过推动创新型神经技术开展大脑研究计划”（BRAIN），预计10年内将投入45亿美元，旨在揭示脑工作原理和脑重大疾病发生机制，了解大脑和机体如何产生思维、情绪和感觉，重点开展大脑结构建模、类脑理论建模、脑机接口等研究。同年，欧盟启动“人类脑计划”（HBP），预计10年内投入10亿欧元，旨在用超级计算机模拟人类大脑，用于研究人脑工作机制和未来脑疾病治疗，重点开展人脑模拟、神经形态计算、神经机器人等研究，并借此推动脑智能的发展。日本2014年启动“使用整合性神经技术制作有助于脑疾病研究的大脑图谱”（Brain/MINDS）项目，预计10年内投入3.65亿美元，旨在使用狨猴为动物模型，绘制从宏观到微观的脑联结图谱，并以基因操作手段，建立脑疾病的狨猴模型。此外，韩国“脑科学研究战略”、澳大利亚“大脑联盟”等都对脑智能研究进行了部署[1-4]。

当前，仿人智能技术已取得了一些技术突破和应用成果，其发展热点主要聚焦于脑科学、类脑计算芯片、人工神经网络、脑机接口等方面。

1 发展现状

1.1 脑科学研究助力人工智能技术实现突破，但仍有众多“未解之谜”

人工智能技术的多次突破都与尝试借鉴脑结构机理和行为特征密不可分，如谷歌Deep Mind Alpha产品的成功就是从动物学习的研究中汲取的灵感，计算机视觉领域的卷积神经网络模型设计灵感则来自视觉皮层的结构。因此，进一步开发脑认知功能、挖掘脑信息处理机制和原理、建立脑结构模型，将有助于人工智能在技术瓶颈上实现新突破。

脑科学研究主要从生物医学角度对脑可塑性、脑功能结构、脑图谱等脑工作机制进行深入研究，并以此为仿人智能建模提供生理学原理、数据和机制。目前，国外大脑图谱绘制及神经元连接机制研究主要以线虫、果蝇以及小型哺乳动物等为样本，并已完成了大部分脑图谱的绘制工作。2019年，美国哥伦比亚大学团队成功绘制出秀丽隐杆线虫（脑细胞占比超过30%）全部神经元的完整图谱以及全部神经元之间所有的7000个连接，解释了信息在线虫神经网络里的传递流程与规律，对解密大脑功能产生机理具有重要意义；美国谷歌公司基于果蝇的大脑切片，自动重建了40万亿像素的果蝇大脑神经图，加速了果蝇大脑的学习、记忆和感知机理的研究；德国马克斯·普朗克脑研究所重建了约50万立方微米体积的小鼠桶状皮质神经网络，首次阐释了哺乳动物神经元的连接机理，为进一步探明大脑高效计算原理奠定基础。

此外，脑研究还在持续发现一些新的现象。2019年，美国艾伦脑科学研究所针对小鼠大脑视觉皮层中近6万个神经元研究发现，近90%的神经元并不按传统模型做出反应，小鼠的视觉皮层的工作机制比想象要复杂得多；2020年，加州大学洛杉矶分校发现人脑最外层的树突细胞会产生“尖峰”电信号，是否为人类智能专属尚未定论；瑞典卡罗琳学院对大脑中表达的所有蛋白质进行了全面概述，揭示了人与动物大脑之间存在着众多差异，意味着选择动物作为人类精神和神经疾病的模型时应谨慎行事[1,5]。

当前，脑科学研究受解剖技术、显微成像技术、弱信号检测技术的限制，仍处在初步探索阶段，人类对大脑的认知极为有限，众多脑现象还难以解释，如传统脑模型失效、异常脑信号等。此外，人类大脑难以获取和保存，迫使只能选择低智能大脑作为研究样本，人脑智能的精髓还很难被真正触及。

1.2 类脑计算芯片突破“冯诺依曼”瓶颈，制备工艺技术是实现产业化的最大难题

人工智能技术的进步伴随着数据信息处理量的爆发性增长，基于“冯诺依曼”架构的传统芯片面临“存储墙”、功耗、散热等技术瓶颈，严重影响计算能力提升。因此，人们试图借鉴大脑运算机制，设计出低功耗高功效、性能接近或优于人脑的通用计算芯片。

类脑计算芯片是借鉴大脑在行使记忆、学习和认知决策功能时的多模态信息编码-解码原理发展起来的新型信息处理芯片，旨在像脑一样以低功耗和高效率，通用地、智能地解决各种复杂非结构化信息处理问题。类脑计算芯片的技术发展包括三个层次：结构层次模仿脑、器件层次逼近脑、智能层次超越脑。其中，结构层次模仿脑是指将大脑作为物质和生理对象进行解析，获得基本单元（各类神经元和突触等）功能及其连接关系（网络结构）；器件层次逼近脑是指研制能够模拟神经元和突触功能的器件，从而在有限的物理空间和功耗条件下构造出人脑规模的神经网络系统；智能层次超越脑是指通过对类脑计算机进行信息刺激、训练和学习，使其产生与人脑类似的智能甚至涌现自主意识，实现更高智能。

近年来，类脑计算芯片已研发出样机，并在实验室实现了小规模应用。2017年，美国空军研究实验室（AFRL）宣布与美国IBM公司合作研发由64个“真北”类脑芯片组成的全新类脑超级计算机系统；2019年8月，清华大学研发出第二代“天机芯”（Tianjic）类脑芯片，已成功在一辆无人驾驶自行车上实现了实时视觉目标探测、目标追踪、自动过障和避障、自适应姿态控制、语音理解控制、自主决策等功能；2020年3月，美国英特尔公司（Intel）宣布研制出“Pohoiki Springs”系统，由768块“Loihi”芯片集成，拥有1亿个“神经元”，计算能力相当于小型哺乳动物的大脑水平；2020年5月，马萨诸塞大学和美空军实验室（AFRL）联合开发出由八层忆阻器堆叠构成的“类脑”计算电路，可直接在硬件上实现卷积神经网络计算，实现复杂的机器学习算法，并在手写数字和移动物体边缘轮廓识别方面达到了媲美软件的精度[6]。

当前，类脑计算芯片的性能开发还有很大的上升空间，其技术发展也呈现出多种路线并行发展的态势，如基于非易失性器件和基于忆阻器，虽已实现小规模实验应用，但技术发展仍处于初级阶段。此外，脑计算芯片实现产业化的最大障碍是制备工艺技术的薄弱，研发低成本、低复杂度的制备工艺技术对类脑计算芯片的发展同样至关重要。

1.3 人工神经网络模型已成功解决众多实际问题，但与脑神经网络能力在“质”上差距巨大

人工神经网络是受生物神经网络行为特征启发而设计的信息处理模型，其目标是从信号处理的角度对人脑神经网络结构进行抽象，实现智能。人工神经网络的能力可以在一定程度上像人一样通过学习（也可称为训练）来获得，经过几十年的发展，已有数十种网络模型，在语音识别、计算机视觉、自然语言处理、机器博弈等领域成功解决了许多实际问题。

人工神经网络为代表的结构主义模拟智能方法主要有以下特点：①作为一个大规模复杂系统，具有大量可供调节的参量（包含大量人工神经元以及它们之间的复杂连接）；②采用并行处理机制，具有高速处理信息能力（网络模型内各个神经元或层内各个神经元之间都可以并行工作和调节）；③可实现信息的分布存储（信息存储在众多神经元的连接权值上），具有联想和记忆功能；④对于不同环境和任务具有自适应能力（网络化的拓扑结构）；⑤具有容错性和坚韧性（包含的巨量神经元和超巨量的连接关系构成的冗余）；⑥作为非线性系统和非编程系统，可以通过学习（训练）或者以任务为中心的设计进行问题求解。

近年来，人工神经网络的研究取得了一定的进展。2018年，IBM公司开发了一套能够自动选择人工智能优化算法的系统，其核心是提出模拟神经突变的进化算法，可以为机器学习任务自动选择最合适的算法，选择速度提升了超过5万倍，错误率仅上升0.6%，有效缓解了当前寻找最优的机器学习算法耗时的问题；2019年，美国谷歌大脑项目研究团队发现，人工神经网络的智能水平由网络的整体形状决定，并特别适合于某些特定任务，这为创建通用型神经网络模型开辟了新的途径；科大讯飞“新一代语音翻译关键技术及系统”采用端到端神经网络机器翻译技术，实现了机器翻译框架性的变革，荣获2019世界人工智能大会最高荣誉SAIL(SuperA.I.Leader，即卓越人工智能引领者奖)应用奖[3]。

当前，人工神经网络很难做到像大脑一样的互联规模，与脑神经网络能力在“质”上差距巨大，且在难以被形式化甚至数值化的应用领域依然受限。此外，人工神经网络在可解释性、对抗攻击鲁棒性、应用计算高效性等方面依然不足，未来技术的发展仍然面临不少挑战。

1.4 脑机接口技术显现出巨大潜力，已从复杂的实验室环境走向人体试验，展现了巨大应用价值

脑机接口是指不依赖常规的脊髓/外周神经肌肉系统，在脑与外部环境之间建立一种新型的信息交流与控制通道，实现脑与外部设备之间的直接交互的技术。鉴于脑机接口技术对社会发展和国防安全可能带来革命性影响，2018年，美国商务部将脑机接口技术纳入针对最新14大类关键技术和相关产品的出口管制框架。

近两年，脑机接口技术的应用更是渗透到了医疗、国防等领域。2019年4月，加州大学旧金山分校的神经外科学家开发出一种解码器，可以将人脑神经信号转化为语音，可帮助聋哑患者实现发声交流；2019年7月，美国人埃隆·马斯克的神经链接公司（Neuralink）利用一台神经手术机器人向人脑中植入数十根直径只有4～6微米的“线”以及专有神经芯片，以读取大脑信号；2019年7月，美国脸谱公司（Facebook）资助的加州大学旧金山分校脑机接口研究团队，首次证明可以从大脑活动中提取人类说出的词汇等语言内容并转换为文本；2020年1月，浙江大学完成国内第一例侵入式脑机接口精准控制机械臂拿饮料、吃油条等，也是国际上最高龄（72岁）的侵入式脑机接口实验。2022年5月4日，美国脑机接口公司Synchron宣布，在纽约西奈山医院招募到了FDA批准的美国临床试验的第一位患者，意味着首个实现商业应用的脑机接口产品可能即将诞生。Synchron产品最大的特点就是无需进行开颅手术，它的外观像一个血管支架，能够通过微创手术放置在大脑血管中，经过几天的细胞生长期，与大脑建立链接[7]。

虽然脑机接口技术的应用仍面临着人体排异反应及颅骨向外传输信息会减损等难题，且未达到自然交互的沟通速度和准确性，但随着神经科学、神经接口和机器学习技术的进步，脑机接口技术的爆发指日可期。未来，脑机接口技术除了在医疗领域应用外，在现代智能生活领域、教育娱乐领域、国防智能化建设领域都将发挥重要作用。

2 发展趋势

虽然基于脑科学与类脑科学（智能）的人工智能研究正向机器智能进化，但仍有很多技术难题需要攻克，如机器人还不能达到人类那样的协调性和灵活性，还需要大规模的高质量数据样本进行更加精确的计算；人工智能还无法具备高级认知能力和深度学习能力，与人脑的学习能力存在巨大的差距；现有算法与期望结果之间的差距，迫切需要对脑科学进行更加深入和精准的研究等，这一系列问题也为仿人智能的发展提出挑战和发展方向。

2.1 脑科学不断催生颠覆性技术

脑科学是极其复杂的一门学科交叉学科，与遗传学、化学、物理学、材料学、工程学、计算科学、数学、心理科学、社会学以及其他基础学科高度交叉。随着新型成像技术、纳米科技、生物技术、信息技术、认知科学以及生物大数据概念的提出，为脑科学提供了全新的研究思路和有效方法。科学家将深入理解神经系统的感觉、学习和决策的神秘机制，致力于特定脑功能神经连接通路和网络结构的解析以及模拟，依此研发一系列新技术，包括各种神经影像技术、脑-机接口、神经科学生物银行、功能性移植脑刺激、虚拟现实及远程监控技术等[2]。

2.2 类脑芯片将向高速运算、高集成度、高智能化发展

人脑相较于计算机而言具有低功耗的特点，为了进一步提升类脑芯片的运算效率，降低功耗，就必须更加深入地模仿人脑神经网络的行为，包括对人脑神经信号和神经网络架构的模拟。随着激发式类脑芯片的提出，其低功耗、低延迟、高速处理、时空联合等特点，代表了类脑芯片的一个极具前景的长远发展方向[8-9]。

2.3 脑机接向非侵入式方向发展

目前，脑机接口技术发展方兴未艾，无论是马斯克的侵入式“脑机接口”，还是Synchron公司的非侵入式“脑机接口”都彰显了科学家在该领域的不断深入探索和研究。近日，我国南开大学的非侵入式“脑接口”已在羊脑血管内成功介入，并采集到了脑电信号，标志着我国在脑科学领域达到国际先进水平。与非侵入式采集设备相比，侵入式脑机接口能够获得更高质量的神经信号。然而，侵入式的脑机接口存在组织损伤，机体的排异、感染，系统异常等问题，同时，因为脑机接口不光存在“读取”功能，还可能存在“写入”的功能，很可能带来恶意干扰和操控的现象。因此，未来的发展趋势是研究开发非植入式或微创植入式的高质量神经信号采集技术与相关传感设备[10]。

3 结语

脑科学和类脑智能技术是当前国际重要科技前沿技术，对人类健康和新一代人工智能技术及新型信息产业的发展具有重大意义。据资料称，人类对大脑的了解还不到5%，开展脑科学与人工智能技术的融合发展将加速“脑科学时代”的到来。同时，可以让人工智能走得更远。未来，随着对脑科学以及机器学习的不断深入研究，让机器人像“人”一样具有“智能”将成为世界科学家的终极目标。