复旦博士生拆解AI模拟大脑vs人类大脑：以“管中窥豹”为例

---

  新智元推荐  

来源：脑人言

作者：林大白  编辑：高茂森

【新智元导读】有朝一日，机器人会像人类一样思考吗？这一天离我们还有多久？我们试图去创造机器人并赋予Ta们的“脑”以智慧，那么目前机器人脑的运算方式和人脑差别有多大？在回答这些问题之前，有必要了解一下我们的大脑。

电影《攻壳机动队》女主草薙素子少佐（斯嘉丽·约翰逊饰）是经过改造的“生化人”，拥有人类的大脑和灵魂

未来的某一天，小武摸了下手臂上的伤口，感觉到疼痛，擦拭掉渗出的蓝色电极内液，窗外的阳光有点刺眼，关闭皮肤上的太阳能微阵列毛囊，打开冰箱。 从超市买回食物和酒精饮料永远逃不过被放入冰箱然后再因过期而丢掉的命运。

“可笑，真想喝醉一次，我怎么就只是个‘合成人’呢... ...”，小武的嘴角掠过一丝苦笑。 机器人真的“醒”了，能感到快乐感到悲伤感到愤怒... ...

然而，距离这样的一天——机器人像人类一样思考的的那天，还有多久？ 我们试图去创造机器人并赋予Ta们的“脑”以智慧，那么目前机器人脑的运算方式和人脑差别有多大？ 在回答该问题前，有必要来了解一下自身的大脑。

分裂，迁移，联结——脑的功能初体验

生命的火种孕育在子宫，然后它开始分裂、分化……此刻，生命的时钟已启动，大脑还未形成。 又过了一个阶段，无数 “手”拿毛刷的神经干细胞产生，它们接受着脑脊液的滋养，又利用这些毛刷的摆动及时吸收营养及排除自身的代谢废物。 在发育的不同阶段，神经干细胞分裂产生不同种类的神经细胞——神经元，随即，这些神经元被密布的轨道一刻不停地运输、迁移到它们所需的地方，直至大脑的构造大厦基本完成。

对于神经元而言，功能执行即正义。 于是神经元之间开始产生联结。 手拉着手，头挨着脚，脸贴着脸，噼里啪啦放着电。 感受神经元接受着外来的刺激，它把信号传输到中间神经元。 中间神经元受阈下刺激不为所动，只有受到符合或高于其预期的刺激之后，它才会兴奋，传话给传出神经元，启动下游的信号通路。 什么是温热的感觉？ 什么是声音的感受？ 母亲的羊水流动和她的心跳声是我们人生最初的BGM。

图1，神经元的树突与轴突生长，神经元联系随着发育增多。（图片来自网络）

联结的打破与重建——脑功能的整合完善

从信息的输入（嗅觉、听觉、视觉、触觉等），到信息的输出（运动、语言交流、情绪流露），再到信息的自我加工再处理（产生意识、学习、记忆），大脑在不停地修正与调整着神经元之间的联结。 刚开始产生的神经元联系一团乱麻，随着发育的进行，无效的联结被取消打破，有效的联结被加强，信号通路被逐渐打扫干净。 局部的神经元各司其职，而不同脑区之间的神经元也会就某一事件进行联合作战，进行信息的整合； 而学习记忆好比是搭建脑中新的迷宫与交通要道，遗忘则意味着道路的移除损毁，

当然，遗忘有时也不一定是坏事，正如并非所有的道路都需要通向罗马一样。 而伴随着神经网络联结的打破和重建，是无数的化学键的断裂与合成、涌动的生物微电流发放和静息、机械力作用细胞骨架的张合……大脑神经网络中的力量角逐一刻不停，直至个体生命的终结。

图2，神经元通过突触结构联系，以电信号的方式实现信号传递。（图片来自网络）

那么，机器神经网路和自然的神经网络究竟有多大的差别？ 首先说明的是，有别于自然神经网络由一个神经元逐级扩增，进行分裂分化之后再相互联系而成，人类赋予机器神经网络直接是元件的集合。 机器神经网络的“发育”过程也是个学习、纠错的过程。 如今，机器神经网络发展到什么程度了？ 这里简单回顾下机器神经网络的两个重要发展节点。

层层推进的多管探全豹——卷积神经网络

卷积神经网络（convolutional neural network, CNN）的本质是个映射的堆叠，它的基本单元呈现logistic 回归模型，当多个单元组合起来具有分层结构时，就形成了神经网络模型。 与生物的神经网络不同，CNN中的基本单元只能获得局部的特征，是碎片化的，当你拆解深入看每个基本单元时，将对所得的信息一无所获。 那么，CNN是如何实现神经网络功能的？

CNN的工作流程

首先，该网络需将待处理的图片信息超像素画“打碎”，局部感受野接受局部特征，然后神经元接受信号提取局部特征，接入可进行局部平均的计算层（池化）接着进行层层的卷积、池化过程，最后再利用特征映射层输出最终的结果。

图3，卷积神经网络示意图（图片来自网络）

理解起来有点抽象？下面我们就以看到豹子为例进行自然和卷积神经网络的视觉识别过程进行比较。

自然神经网络中的“观豹”过程

人的视皮层感觉到看到了一只豹子的经历是： 从豹子反射的光量子到达你眼球中的视网膜结构，视网膜上的视锥和视杆细胞感受包含着豹子的色彩、明暗信息的光量子，进行光电信号转换。 紧接着，电信号通过双极细胞层和神经节细胞层传递、加工，而后由视神经传输到外膝体，再由各级神经元如传话筒般，把“我看见了豹子”的信号传输到大脑后部的视皮层中枢17区。

豹子的局部视觉信息在此区域得到进一步处理： 区分出了豹子的颜色是通体金黄，上面布满了黑色的圆斑，它的外形轮廓弧线弓形，但是背脊略微透露骨感，它张着嘴打哈欠的动作以及它看上去比真实个头小很多的空间感。

图4，打哈欠的猎豹。（图片来自网络）

此后，具有以上特征的信息被逐级以电信号的方式传递到额叶和顶叶等较远的区域，完成更复杂的颜色处理，形成视觉及视觉生理反馈。 最终，自然的神经网络中产生了这是一只饥饿了一段时间的豹子，并且距离我们有点远没有生命威胁的判断和联想。

虽然自然状态下的视觉传输在每个过程节点的信息是不完整的，但它具有局部信息的完整性，例如视锥细胞接受传递的是豹子完整的色彩信息，而在初级视皮层中枢是关于豹子较为完整的初步形象。

卷积神经网络中的“观豹”过程

而向CNN输入一只豹子的图片，每层的每个节点，你并不能获得完整的信息。 第一级的基本单元捕获信息碎片，可能是豹子的眼睛轮廓，可能是其背部毛发的闪光……经过层级的碎片整合卷积，走过一片混沌后，只有到最后一步，它才会判断出这是一只豹子，即“多管探全豹”。

自然视觉的学习是大块局部信息的整合，通过改变神经元的联结和突触传递强度而实现的。 而机器学习的过程是投入不同的图片，然后根据最后的结果告诉它正确还是错误，不停地矫正其判断，学习的是碎片信息之间的联系与整合，是一种映射算法上的优化。

这种神经网络的模式和自然的完全不同，它又有何优势？ 优势在于同时处理的信息量可以在数量级上完爆自然视觉。 当然，凡是存在的，一定有其合理性，自然视觉与CNN相比，可以更低能耗、更加灵活地利用细节信息更准确地识别物体。 因而，科学家们正在开发新一代的神经网络——脉冲神经网络，试图向自然学习并更优化。

更接近生物放电的尝试——脉冲神经网络

首先，让我们回顾一下真实神经元动作电位（action potential, AP）的产生过程： 上游神经元产生的电信号转化为化学信号通过突触传递，量子化的释放到达上下游神经元之间的突触间隙，与下游神经元的突触后膜接触引起构象变化，改变离子通道的开闭进而引起电信号的传递或者是以电突触的形式直接传递电信号。 电信号积累到达阈值，便会触发下游神经元的动作电位产生。

而脉冲神经网路（spiking neural network, SNN）的基本单元也可以叫做神经元结构，与CNN的持续性有或无的信号输入不同，它旨在模拟更接近生物放电，接受有时间差的、有数量级概念的量子化的信号传输。

因而，理想中的SNN主要有以下三大优点： 增加了时空编码的维度； 基于脉冲信息的编码本身，能包含更多信息； 处理信息低能耗。

图5，SNN与CNN神经网络的工作模式对比。（图片来自网络）

增加运算维度势必带来新参数的引入，例如神经元的输入电阻、基强度以及模拟的突触结构。 与CNN的同层独立单元的并行关系不同，SNN还有神经元组（group）,即亚级结构的概念（类似于自然状态下的神经元群，cluster）。 故SNN机器学习的挑战比CNN更为艰巨，其中一个问题便是为了处理一定信息需调用更多的参数、更复杂的算法来实现。

就目前的发展情况而言，SNN的实现效果仍无法与CNN抗衡。 因而CNN仍是目前阶段机器学习神经网络的主流。 但正如神经元的放电需要一定的阈上刺激才能启动一样，我们的探索精神终将不断推动SNN达到发光发热的那天。

结语

人类一直在努力理解自身及周遭环境，一直在探索并试图改造世界。 上一个世纪，人类的好奇心推动了物理学以及分子生物学革命，而好奇心延续这个世纪，我们终于拉开了神经科学与人工智能革命的大幕。 就目前的研究现状而言，A.I的神经网络和自然的神经网络还有很大的差别。 目前的A.I.并不能做到像人一样思考。 当然，通过人类的不懈努力，有理由相信我们可以迎来突破技术难关的那一天。

回到问题的源头，我们为什么需要人工智能？ 以节约运算时间、精力成本为出发点，我们可以让人工智能达到优于人脑算法的目的，完全不用考虑跟自然神经网络的相似程度，例如AlphaGo； 而从情感、服务需求方面考虑，我们又需要机器的神经网络无限地贴近于自然的神经网络状态。

图6，人类与人工智能的回望（图片来自网络）

事实上，人类并不知道将机器的神经网络搭建的最终结果会离最初的愿景有多远。 例如，重症监护房原本是为了航天员进行健康检测而设计的，最终成了重要医学进步之一，而为航天员设计的气垫运动鞋也最终飞入寻常百姓家。

人类向往像鸟一样飞翔，最初尝试着模仿它们的翅膀做了一次又一次的飞行器，其后才去思考是空气动力学使鸟的翅膀发挥了作用，当初更不曾设想这些原理可用于造火箭来探索宇宙。 一项研究成果的适用范围最终会落到何处？ 尤其是当某项技术它会自主学习和发展的情况下，这个问题只有时间能给出答案了。

参考文献：

[1] Frady EP, S.F. Robust computation with rhythmic spike patterns. Proc Natl Acad Sci. [Epub ahead of print] (2019).

[2] Stimberg M, et al. Brian 2, an intuitive and efficient neural simulator. eLife. pii: e47314. [Epub ahead of print] (2019).

[3] Godinez WJ, et al. A multi-scale convolutional neural network for phenotyping high-content cellular images. Bioinformatics. 33(13):2010-2019 (2017).

[4] Ngiam Jiquan, et al. Advances in Neural Information Processing Systems. 25th Annual Conference on Neural Information Processing Systems:1125-1133 (2011).

[5] Devin Soni. Spiking Neural Networks, the Next Generation of Machine Learning. Towards Data Science, (2018)

[6] 山在岭就在. CNN卷积神经网络新想法. CSDN论坛, (2015)

本文经授权转载自微信公众号“脑人言”（ID：ibrain-talk），作者系复旦大学神经生物学博士生。

“脑人言”是公益的脑科学原创科普团队，由海内外一线科研人员组成，专注于神经科学、认知科学和脑机接口等领域的科学知识和思想的传播。