類腦計算

危輝

隨著神經(jīng)生物學研究中實驗手段的不斷進步，科學家對神經(jīng)系統(tǒng)結構與功能的認識也在不斷深入。由于神經(jīng)系統(tǒng)是智慧的根本物質基礎，因此相關基礎研究的進步自然就帶動了其他應用學科的發(fā)展。其中，神經(jīng)生物學發(fā)現(xiàn)對人工智能研究的影響令人關注。畢竟人工智能最根本的目標就是讓機器能夠像人類大腦一樣聰明地工作，這其實就是類腦計算，一個不算新，但又被不斷刷新的領域。

人類大腦是目前自然界已知的，在問題求解、推理、決策、理解、學習等智能行為方面最為高效、最為優(yōu)異的生物進化產(chǎn)物。它的運行機制對自動化、計算機等的研究群體而言富有吸引力，畢竟人類一開始稱計算機為電腦的原因就在于希望計算機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構層面的運行原理。

類腦計算、腦機接口和腦信息學

顧名思義，類腦計算就是“要像人類大腦那樣進行計算”。其較為嚴格的定義是，一種模仿神經(jīng)生理學和生理心理學機制，為某種智能應用設計實現(xiàn)方法的研究。它是人工智能研究的一個子集，針對智能仿真及其應用，研究內容涵蓋計算機科學、自動化和控制論范疇的算法設計和系統(tǒng)實現(xiàn)等。在人工智能發(fā)展史中，聯(lián)結主義學派所走的研究路線就屬于類腦計算，那些人工神經(jīng)元網(wǎng)絡模型，如多層感知機模型、自組織特征映射模型、聯(lián)想記憶模型等就是典型代表。當下，機器學習研究領域炙手可熱的深度學習模型可視為此領域的最新發(fā)展。

人工智能領域中，與大腦研究相關還有兩個研究分支，一個是基于腦電信號的腦機接口，另一個是腦信息學。盡管它們也關系到大腦，卻不屬于類腦計算的范疇。原因有兩個：一是研究目標不同。例如，腦連接組計劃針對的是神經(jīng)科學范疇的問題，嘗試利用現(xiàn)成的數(shù)據(jù)挖掘算法來發(fā)現(xiàn)不同腦區(qū)的關聯(lián)性，而類腦計算解決的是算法和自動化系統(tǒng)實現(xiàn)問題。二是研究方法不同。腦機接口和腦信息學通常對取自大腦的數(shù)據(jù)施加來自計算機科學領域的機器學習或數(shù)據(jù)挖掘算法的現(xiàn)成方法，這些方法本身不是研究對象，只是多種可供選擇的手段。而類腦計算所采用是基于模仿大腦機制的方法，其研究基礎是弄清神經(jīng)科學范疇的諸多原理性問題，通常不采用計算機科學領域現(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：腦信息學是計算領域的研究者跨界到生物學領域，用計算機方法解決生物學領域的問題；而類腦計算是計算領域的研究者跨界到生物學領域，用生物學啟示來解決計算機領域的問題。前者類似于做一個跑得最快的歌手，而后者是歌唱界里歌唱得最好的人。

類腦計算助力工程問題

人工智能領域有許多富有挑戰(zhàn)性的工程問題，例如圖像理解或計算機視覺。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)人都會認為這是件不費吹灰之力就能做好的事，哪談得上復雜呢？其實，一旦使用計算機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雜性就如同隱藏在水面下的冰山那樣浮現(xiàn)出來。當前，對圖像理解或計算機視覺系統(tǒng)而言，要完成圖像信息的分析和處理所花費的時間和硬件代價非常巨大，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)機制來優(yōu)化計算效能呢？

例如，在高等哺乳動物的視網(wǎng)膜中有一種神經(jīng)節(jié)細胞，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)域亮度對比信息和提取圖像的邊緣信息。然而，高等動物極其復雜的視覺系統(tǒng)對圖像信息的處理絕不僅限于邊緣增強，它在邊緣處理的基礎上，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大范圍區(qū)域，單獨刺激該區(qū)域并不能直接引起細胞的反應，但會對經(jīng)典感受野內刺激所引起的反應有調制作用。視網(wǎng)膜神經(jīng)節(jié)細胞的非經(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。它在保持邊界增強功能的同時，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胞信息處理的范圍，為整合和檢測大范圍的復雜圖形提供了神經(jīng)基礎。

研究發(fā)現(xiàn)，視網(wǎng)膜神經(jīng)節(jié)細胞的感受野隨視覺刺激的不同而發(fā)生變化，而以往對視網(wǎng)膜神經(jīng)節(jié)細胞非經(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態(tài)變化特性。研究人員嘗試為視網(wǎng)膜神經(jīng)節(jié)細胞非經(jīng)典感受野的基本結構建立多層次、帶反饋的神經(jīng)計算模型，用以精確表征圖像。

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

從視網(wǎng)膜到大腦皮層，拮抗的空間構型有許多，視網(wǎng)膜也存在著多種類型的色拮抗結構。最簡單的類型是，神經(jīng)節(jié)細胞感受野的中心區(qū)只接受一種視錐細胞的輸入，拮抗的感受野外周區(qū)則接收另一種對立視錐的輸入。此時的拮抗主要分為兩類，一類負責處理紅-綠之間的顏色差異，稱為紅綠拮抗感受野，一類負責處理藍-黃之間的顏色差異，稱為藍黃拮抗感受野?；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)及藍外周區(qū)、藍中心區(qū)及黃外周區(qū)等四種感受野。當人的視覺系統(tǒng)感知處理顏色信號時，這四種拮抗的感受野均有機會起作用，每種視錐細胞都有自己最敏感的顏色波長范圍，當它們受到自身敏感的波長刺激，響應會較大。

基于此機理，可以通過構建模擬顏色拮抗機制的計算模型來處理顏色圖像。例如，紅中心區(qū)-綠外周區(qū)感受野的計算單元GC，既接受紅中心區(qū)的正輸入，同時也接受綠外周區(qū)的負輸入。當這個區(qū)域只有中心為紅色時，GC的輸出達到最大；當這個區(qū)域只有外周是綠色時，GC的輸出則最小。GC的輸出值能直觀地表達某個區(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，對于計算機來說，很難將圖片上的翠鳥識別出來。若使用上述計算模型對該原始圖像進行處理，得到的上層計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)的物體識別及加工處理工作。

類腦計算助力神經(jīng)科學研究

類腦計算不但能以算法啟迪的方式來促進工程應用，而且可以以假設驗證的方式來促進神經(jīng)科學的研究。

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

筆者認為這一假設存在以下三方面的困難。第一，解剖學上的困難。同心圓式感受野是由細胞的樹突野構成的，因此很難要求若干個細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)學上的困難。這樣構造的帶狀感受野在數(shù)學上存在多解性，即不能區(qū)分對稱出現(xiàn)的兩個刺激。第三，物理學上的困難。若把感受野的大小向外界進行逆向投射，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，筆者團隊對休布爾和維塞爾的等級感受野假設模型進行了些許改變。在新的模型中，下層的同心圓式感受野稍微錯開一點排列，同時不再要求細胞的樹突野尺寸大小一致。這樣的設計不但不會與現(xiàn)有的解剖學證據(jù)相沖突，還能令上述三個問題迎刃而解。新模型不但能夠實現(xiàn)對刺激朝向的評定，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。這樣的類腦計算模型在設計上嚴格效仿神經(jīng)解剖學和神經(jīng)電生理學發(fā)現(xiàn)，已成為一種能夠驗證生物學發(fā)現(xiàn)合理性的平臺，能助力神經(jīng)生物學的研究。

神經(jīng)科學與人工智能

人工智能是計算機科學技術領域的一個研究分支，用于對人的感知、理解、知識、記憶、推理、決策等進行算法化建模，目標是建立能夠體現(xiàn)人類智慧的計算機系統(tǒng)。這一研究分支的應用前景廣大，但傳統(tǒng)人工智能的發(fā)展在各個細分問題上都遇到了若干個具有共性的基本問題，技術實現(xiàn)難點眾多，需要新的解決思路。

神經(jīng)科學和心理學的研究進展為開拓新思路提供了可能，人工智能領域對來自神經(jīng)科學的啟示總是期望的，畢竟人類大腦是高度進化的產(chǎn)物，是一個被反復優(yōu)化的結果，效仿它的工作機理是非常合理的。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)的編碼方式對人工智能中的語義表征有重要的啟示意義。海馬形成長期記憶的編碼機制、前額葉皮層對工作記憶的編碼機制對數(shù)據(jù)分析手段的創(chuàng)新也有重要的推動作用。

從認知的計算神經(jīng)學角度來看，神經(jīng)科學與人工智能的結合是極為緊密的。人工智能提出了對認知模型的需求，神經(jīng)科學提供了認知加工的神經(jīng)機制，而計算機和數(shù)據(jù)處理手段提供了實現(xiàn)的基礎。

關鍵詞：類腦計算 人工智能 神經(jīng)科學