危輝

隨著神經(jīng)生物學(xué)研究中實(shí)驗(yàn)手段的不斷進(jìn)步，科學(xué)家對(duì)神經(jīng)系統(tǒng)結(jié)構(gòu)與功能的認(rèn)識(shí)也在不斷深入。由于神經(jīng)系統(tǒng)是智慧的根本物質(zhì)基礎(chǔ)，因此相關(guān)基礎(chǔ)研究的進(jìn)步自然就帶動(dòng)了其他應(yīng)用學(xué)科的發(fā)展。其中，神經(jīng)生物學(xué)發(fā)現(xiàn)對(duì)人工智能研究的影響令人關(guān)注。畢竟人工智能最根本的目標(biāo)就是讓機(jī)器能夠像人類大腦一樣聰明地工作，這其實(shí)就是類腦計(jì)算，一個(gè)不算新，但又被不斷刷新的領(lǐng)域。

人類大腦是目前自然界已知的，在問題求解、推理、決策、理解、學(xué)習(xí)等智能行為方面最為高效、最為優(yōu)異的生物進(jìn)化產(chǎn)物。它的運(yùn)行機(jī)制對(duì)自動(dòng)化、計(jì)算機(jī)等的研究群體而言富有吸引力，畢竟人類一開始稱計(jì)算機(jī)為電腦的原因就在于希望計(jì)算機(jī)能夠像大腦那樣工作?；诖顺踔?，研究人員自然而然地試圖模仿大腦功能層面和結(jié)構(gòu)層面的運(yùn)行原理。

類腦計(jì)算、腦機(jī)接口和腦信息學(xué)

顧名思義，類腦計(jì)算就是“要像人類大腦那樣進(jìn)行計(jì)算”。其較為嚴(yán)格的定義是，一種模仿神經(jīng)生理學(xué)和生理心理學(xué)機(jī)制，為某種智能應(yīng)用設(shè)計(jì)實(shí)現(xiàn)方法的研究。它是人工智能研究的一個(gè)子集，針對(duì)智能仿真及其應(yīng)用，研究?jī)?nèi)容涵蓋計(jì)算機(jī)科學(xué)、自動(dòng)化和控制論范疇的算法設(shè)計(jì)和系統(tǒng)實(shí)現(xiàn)等。在人工智能發(fā)展史中，聯(lián)結(jié)主義學(xué)派所走的研究路線就屬于類腦計(jì)算，那些人工神經(jīng)元網(wǎng)絡(luò)模型，如多層感知機(jī)模型、自組織特征映射模型、聯(lián)想記憶模型等就是典型代表。當(dāng)下，機(jī)器學(xué)習(xí)研究領(lǐng)域炙手可熱的深度學(xué)習(xí)模型可視為此領(lǐng)域的最新發(fā)展。

人工智能領(lǐng)域中，與大腦研究相關(guān)還有兩個(gè)研究分支，一個(gè)是基于腦電信號(hào)的腦機(jī)接口，另一個(gè)是腦信息學(xué)。盡管它們也關(guān)系到大腦，卻不屬于類腦計(jì)算的范疇。原因有兩個(gè)：一是研究目標(biāo)不同。例如，腦連接組計(jì)劃針對(duì)的是神經(jīng)科學(xué)范疇的問題，嘗試?yán)矛F(xiàn)成的數(shù)據(jù)挖掘算法來發(fā)現(xiàn)不同腦區(qū)的關(guān)聯(lián)性，而類腦計(jì)算解決的是算法和自動(dòng)化系統(tǒng)實(shí)現(xiàn)問題。二是研究方法不同。腦機(jī)接口和腦信息學(xué)通常對(duì)取自大腦的數(shù)據(jù)施加來自計(jì)算機(jī)科學(xué)領(lǐng)域的機(jī)器學(xué)習(xí)或數(shù)據(jù)挖掘算法的現(xiàn)成方法，這些方法本身不是研究對(duì)象，只是多種可供選擇的手段。而類腦計(jì)算所采用是基于模仿大腦機(jī)制的方法，其研究基礎(chǔ)是弄清神經(jīng)科學(xué)范疇的諸多原理性問題，通常不采用計(jì)算機(jī)科學(xué)領(lǐng)域現(xiàn)成可用的方法。

用一句流行語來形象地歸納它們彼此的不同之處：腦信息學(xué)是計(jì)算領(lǐng)域的研究者跨界到生物學(xué)領(lǐng)域，用計(jì)算機(jī)方法解決生物學(xué)領(lǐng)域的問題；而類腦計(jì)算是計(jì)算領(lǐng)域的研究者跨界到生物學(xué)領(lǐng)域，用生物學(xué)啟示來解決計(jì)算機(jī)領(lǐng)域的問題。前者類似于做一個(gè)跑得最快的歌手，而后者是歌唱界里歌唱得最好的人。

類腦計(jì)算助力工程問題

人工智能領(lǐng)域有許多富有挑戰(zhàn)性的工程問題，例如圖像理解或計(jì)算機(jī)視覺。人類通過眼睛的視覺神經(jīng)系統(tǒng)能感知外界超過70%的信息，絕大多數(shù)人都會(huì)認(rèn)為這是件不費(fèi)吹灰之力就能做好的事，哪談得上復(fù)雜呢？其實(shí)，一旦使用計(jì)算機(jī)來分析圖像的意義和處理圖像信息，視覺信息加工的巨大復(fù)雜性就如同隱藏在水面下的冰山那樣浮現(xiàn)出來。當(dāng)前，對(duì)圖像理解或計(jì)算機(jī)視覺系統(tǒng)而言，要完成圖像信息的分析和處理所花費(fèi)的時(shí)間和硬件代價(jià)非常巨大，效能很低。于是，研究人員想到既然生物視覺系統(tǒng)性能甚佳，可否通過模仿一種或幾種生物的視覺神經(jīng)機(jī)制來優(yōu)化計(jì)算效能呢？

例如，在高等哺乳動(dòng)物的視網(wǎng)膜中有一種神經(jīng)節(jié)細(xì)胞，它是視網(wǎng)膜信息處理的最后一站，也是此階段最重要的一站。視網(wǎng)膜神經(jīng)節(jié)細(xì)胞具有同心圓拮抗式的經(jīng)典感受野，其空間整合特性是處理圖像區(qū)域亮度對(duì)比信息和提取圖像的邊緣信息。然而，高等動(dòng)物極其復(fù)雜的視覺系統(tǒng)對(duì)圖像信息的處理絕不僅限于邊緣增強(qiáng)，它在邊緣處理的基礎(chǔ)上，盡可能完整地把圖像信息傳遞給大腦。非經(jīng)典感受野是經(jīng)典感受野之外的一個(gè)大范圍區(qū)域，單獨(dú)刺激該區(qū)域并不能直接引起細(xì)胞的反應(yīng)，但會(huì)對(duì)經(jīng)典感受野內(nèi)刺激所引起的反應(yīng)有調(diào)制作用。視網(wǎng)膜神經(jīng)節(jié)細(xì)胞的非經(jīng)典感受野主要是去抑制性的，因此可以在一定程度上補(bǔ)償由經(jīng)典感受野所造成的低空間頻率信息的損失。它在保持邊界增強(qiáng)功能的同時(shí)，傳遞圖像的區(qū)域亮度梯度信息，顯示大面積表面上亮度的緩慢變化。由此可見，非經(jīng)典感受野大大拓寬了視覺細(xì)胞信息處理的范圍，為整合和檢測(cè)大范圍的復(fù)雜圖形提供了神經(jīng)基礎(chǔ)。

研究發(fā)現(xiàn)，視網(wǎng)膜神經(jīng)節(jié)細(xì)胞的感受野隨視覺刺激的不同而發(fā)生變化，而以往對(duì)視網(wǎng)膜神經(jīng)節(jié)細(xì)胞非經(jīng)典感受野的建模大多基于固定不變的感受野，沒有考慮感受野的動(dòng)態(tài)變化特性。研究人員嘗試為視網(wǎng)膜神經(jīng)節(jié)細(xì)胞非經(jīng)典感受野的基本結(jié)構(gòu)建立多層次、帶反饋的神經(jīng)計(jì)算模型，用以精確表征圖像。

再如，顏色知覺是人類的一種主觀感覺，其實(shí)外部的物理世界本無顏色，目前仍未明晰大腦將不同波長(zhǎng)光刺激引起的神經(jīng)元響應(yīng)整合成心理上可清晰分辨的機(jī)理。研究發(fā)現(xiàn)，可見光刺激視網(wǎng)膜中的光感受器——視桿細(xì)胞和三種色視錐細(xì)胞（藍(lán)色視錐細(xì)胞、綠色視錐細(xì)胞和紅色視錐細(xì)胞），視錐細(xì)胞對(duì)光的波長(zhǎng)相對(duì)吸收程度不同，這是產(chǎn)生顏色感知的第一步。前述神經(jīng)節(jié)細(xì)胞的感受野是由兩組不同種類的視錐細(xì)胞作用產(chǎn)生的，這兩組對(duì)不同顏色敏感的視錐細(xì)胞的輸出對(duì)神經(jīng)節(jié)細(xì)胞感受野的貢獻(xiàn)是對(duì)立的，一種令其興奮，另一種則令其抑制，神經(jīng)生物學(xué)家稱此為顏色拮抗機(jī)制。

從視網(wǎng)膜到大腦皮層，拮抗的空間構(gòu)型有許多，視網(wǎng)膜也存在著多種類型的色拮抗結(jié)構(gòu)。最簡(jiǎn)單的類型是，神經(jīng)節(jié)細(xì)胞感受野的中心區(qū)只接受一種視錐細(xì)胞的輸入，拮抗的感受野外周區(qū)則接收另一種對(duì)立視錐的輸入。此時(shí)的拮抗主要分為兩類，一類負(fù)責(zé)處理紅-綠之間的顏色差異，稱為紅綠拮抗感受野，一類負(fù)責(zé)處理藍(lán)-黃之間的顏色差異，稱為藍(lán)黃拮抗感受野?；诟惺芤爸行膮^(qū)的顏色，有紅中心區(qū)及綠外周區(qū)、綠中心區(qū)及紅外周區(qū)、黃中心區(qū)及藍(lán)外周區(qū)、藍(lán)中心區(qū)及黃外周區(qū)等四種感受野。當(dāng)人的視覺系統(tǒng)感知處理顏色信號(hào)時(shí)，這四種拮抗的感受野均有機(jī)會(huì)起作用，每種視錐細(xì)胞都有自己最敏感的顏色波長(zhǎng)范圍，當(dāng)它們受到自身敏感的波長(zhǎng)刺激，響應(yīng)會(huì)較大。

基于此機(jī)理，可以通過構(gòu)建模擬顏色拮抗機(jī)制的計(jì)算模型來處理顏色圖像。例如，紅中心區(qū)-綠外周區(qū)感受野的計(jì)算單元GC，既接受紅中心區(qū)的正輸入，同時(shí)也接受綠外周區(qū)的負(fù)輸入。當(dāng)這個(gè)區(qū)域只有中心為紅色時(shí)，GC的輸出達(dá)到最大；當(dāng)這個(gè)區(qū)域只有外周是綠色時(shí)，GC的輸出則最小。GC的輸出值能直觀地表達(dá)某個(gè)區(qū)域的顏色刺激狀況。例如在一張圖片上，一只翠鳥隱藏在草叢中，翠鳥的羽毛與背景顏色非常相似，對(duì)于計(jì)算機(jī)來說，很難將圖片上的翠鳥識(shí)別出來。若使用上述計(jì)算模型對(duì)該原始圖像進(jìn)行處理，得到的上層計(jì)算單元輸出值通過過濾器篩選，很容易將翠鳥的主體輪廓清晰地分割出來。類似的，隱藏在沙漠中的蛇，它的保護(hù)色與環(huán)境融合得非常好，但經(jīng)過圖像處理，原始圖片中的主體能很好地凸顯出來，并易于開展后續(xù)的物體識(shí)別及加工處理工作。

類腦計(jì)算助力神經(jīng)科學(xué)研究

類腦計(jì)算不但能以算法啟迪的方式來促進(jìn)工程應(yīng)用，而且可以以假設(shè)驗(yàn)證的方式來促進(jìn)神經(jīng)科學(xué)的研究。

諾貝爾生理學(xué)或醫(yī)學(xué)獎(jiǎng)得主休布爾（D.H.Hubel）和維塞爾（T.N.Wiesel）曾提出等級(jí)感受野假設(shè)，用于解釋位于大腦皮層中的簡(jiǎn)單細(xì)胞是怎樣探測(cè)到視野中光條刺激的朝向。其核心思想是，一個(gè)簡(jiǎn)單細(xì)胞的感受野是由若干個(gè)視網(wǎng)膜上神經(jīng)節(jié)細(xì)胞的同心圓式感受野線性排列組成的，當(dāng)光刺激正好穿過這些同心圓的中心區(qū)時(shí)，最上層的簡(jiǎn)單細(xì)胞就有了最大輸出。

筆者認(rèn)為這一假設(shè)存在以下三方面的困難。第一，解剖學(xué)上的困難。同心圓式感受野是由細(xì)胞的樹突野構(gòu)成的，因此很難要求若干個(gè)細(xì)胞的樹突野大小完全一致，且呈現(xiàn)共圓心的共線排列。第二，數(shù)學(xué)上的困難。這樣構(gòu)造的帶狀感受野在數(shù)學(xué)上存在多解性，即不能區(qū)分對(duì)稱出現(xiàn)的兩個(gè)刺激。第三，物理學(xué)上的困難。若把感受野的大小向外界進(jìn)行逆向投射，那么隨著距離的增加，其覆蓋的面積將逐漸增大。這樣一來，此區(qū)域出現(xiàn)刺激的多樣性就會(huì)急劇增加，很難保證外界的光條投影正好與感受野中心相切。

基于這些考慮，筆者團(tuán)隊(duì)對(duì)休布爾和維塞爾的等級(jí)感受野假設(shè)模型進(jìn)行了些許改變。在新的模型中，下層的同心圓式感受野稍微錯(cuò)開一點(diǎn)排列，同時(shí)不再要求細(xì)胞的樹突野尺寸大小一致。這樣的設(shè)計(jì)不但不會(huì)與現(xiàn)有的解剖學(xué)證據(jù)相沖突，還能令上述三個(gè)問題迎刃而解。新模型不但能夠?qū)崿F(xiàn)對(duì)刺激朝向的評(píng)定，還能解釋該神經(jīng)回路究竟編碼了何種幾何意義下的信息以及它們是怎樣被利用的。這樣的類腦計(jì)算模型在設(shè)計(jì)上嚴(yán)格效仿神經(jīng)解剖學(xué)和神經(jīng)電生理學(xué)發(fā)現(xiàn)，已成為一種能夠驗(yàn)證生物學(xué)發(fā)現(xiàn)合理性的平臺(tái)，能助力神經(jīng)生物學(xué)的研究。

神經(jīng)科學(xué)與人工智能

人工智能是計(jì)算機(jī)科學(xué)技術(shù)領(lǐng)域的一個(gè)研究分支，用于對(duì)人的感知、理解、知識(shí)、記憶、推理、決策等進(jìn)行算法化建模，目標(biāo)是建立能夠體現(xiàn)人類智慧的計(jì)算機(jī)系統(tǒng)。這一研究分支的應(yīng)用前景廣大，但傳統(tǒng)人工智能的發(fā)展在各個(gè)細(xì)分問題上都遇到了若干個(gè)具有共性的基本問題，技術(shù)實(shí)現(xiàn)難點(diǎn)眾多，需要新的解決思路。

神經(jīng)科學(xué)和心理學(xué)的研究進(jìn)展為開拓新思路提供了可能，人工智能領(lǐng)域?qū)碜陨窠?jīng)科學(xué)的啟示總是期望的，畢竟人類大腦是高度進(jìn)化的產(chǎn)物，是一個(gè)被反復(fù)優(yōu)化的結(jié)果，效仿它的工作機(jī)理是非常合理的。例如，視覺信息在視網(wǎng)膜、視皮層上的編碼對(duì)圖像表征具有重要的啟示意義。同樣，大腦聯(lián)合皮層區(qū)的編碼方式對(duì)人工智能中的語義表征有重要的啟示意義。海馬形成長(zhǎng)期記憶的編碼機(jī)制、前額葉皮層對(duì)工作記憶的編碼機(jī)制對(duì)數(shù)據(jù)分析手段的創(chuàng)新也有重要的推動(dòng)作用。

從認(rèn)知的計(jì)算神經(jīng)學(xué)角度來看，神經(jīng)科學(xué)與人工智能的結(jié)合是極為緊密的。人工智能提出了對(duì)認(rèn)知模型的需求，神經(jīng)科學(xué)提供了認(rèn)知加工的神經(jīng)機(jī)制，而計(jì)算機(jī)和數(shù)據(jù)處理手段提供了實(shí)現(xiàn)的基礎(chǔ)。

關(guān)鍵詞：類腦計(jì)算 人工智能 神經(jīng)科學(xué)