科技日报作者

类脑机: 像人脑那样工作思考

让机器像人脑一样工作——这不是幻想,已经有科学家走在实现它的路上。

据外媒报道,英国曼彻斯特大学计算机科学学院“激活”了世界上最大的“大脑”——一台类脑超级计算机SpiNNaker。据曼彻斯特大学官网介绍,这台计算机拥有100万个处理器内核(processor cores),每秒可进行200万亿次运算,处理信息的方式与人脑类似。SpiNNaker设计师、计算机工程教授史蒂夫·弗伯表示,该类脑超算“重构了传统计算机的工作方式”。

模拟生物大脑的信息处理方式

“SpiNNaker之所以被称为类脑超级计算机,是因为它在模仿生物大脑处理信息的方式,而且处理速度和规模远超同类机型,但在体系结构上与传统意义的超级计算机有明显不同。我更倾向于把这类模仿生物大脑的机器统称为‘类脑机’。”北京大学计算机科学技术系主任黄铁军在接受科技日报记者采访时表示,超级计算机往往是指性能更高、规模更大的传统计算机,而类脑机则是指借鉴、模拟生物大脑神经系统结构和信息处理过程的智能机器,而非单纯进行计算任务的传统计算机。

美国加州科技大学校长秦志刚也持有相同观点。“类脑机与传统计算机的工作方式不同。”他表示,个人计算机往往只有1个中央处理器(CPU),该CPU功能强大,可处理多种任务,但在这种模式下,任务只能被接续处理,即处理完一个、才能处理下一个。但类脑机的原型——生物大脑的工作方式并非如此。据统计,人的大脑中约有1000亿个神经元,这些神经元是人脑神经系统最基本的结构和功能单位。每个神经元均可被看成是一个简化版CPU,其计算功能虽比不上计算机的CPU,但胜在数量多,且每个神经元均可独立完成任务。简而言之,可以把大脑看成是由多个同时运转的CPU组成的机器,其具有高效的多任务信息处理能力。

常规超级计算机虽也有大量CPU,但是这些CPU只能进行简单并行工作,相比之下,生物神经元相互连接形成的网络结构要复杂得多。

那么,类脑机如何模仿生物大脑中神经元之间的信息交换和处理过程?

大脑中每个神经元通过数千个神经突触与其他神经元连接,构成可感知、综合处理、反馈信息的神经网络系统。感知到外界信号后,上游神经元可将信号以神经脉冲的形式“发送”给多个下游神经元,下游神经元再将这一脉冲信号传递给更多的神经元。这些神经脉冲信号在神经元之间的传递过程实际上就是大脑处理信息的过程。

“类脑机通过大规模神经形态芯片模拟生物神经网络,每块芯片上都集成了大量电子或光子神经元和突触阵列。”黄铁军介绍,与生物神经元不同,电子版神经元的连接状态可通过软件实现。类脑机处理信息也采用传递神经脉冲信号的方式进行,只是通常不是直接采用生物神经网络的连接模式,而是采用路由交换的方式,提高灵活性。一种典型的做法是将脉冲信号打包,然后利用包裹上的“投递地址”等信息实现面向下游神经元的精准投递;待下游神经元收到大量的信息包,而后根据自身的处理特性生成新的脉冲,再将信息“投递”出去,周而往复。当这种类脑机的计算精度达到一定程度后,就能产生仅生物大脑才具有的某些功能,甚至可能出现“灵感涌现”等高级智能。

更节能,可促进相关学科发展

1981年,美国生物学家杰拉尔德·艾德曼提出了“综合神经建模”理论,这位科学家成为仿真生物大脑领域的先驱者。30多年来,人们花费了大量的精力、财力研究类脑算法、模型及配套硬件设施。以SpiNNaker为例,该项目始建于2006年,迄今已花费了约1500万欧元。

那么,类脑机为何能让人们如此着迷并为之付出诸多努力?“类脑机拥有现阶段主流人工智能模型(如深度神经网络)无法比拟的高智能、低能耗的优势。”中国科学院自动化研究所副所长刘成林表示,深度神经网络往往只具有完成单一任务的智能,如图片识别、语音识别等,缺乏综合处理不同场景信息的能力,这也是制约其未来发展的瓶颈问题之一。类脑机则得益于模仿大脑的“先天优势”,在综合感知、推理等方面的能力更为突出。

类脑机在低能耗方面具有显著的优势。人脑执行计算任务所消耗的能量要比目前通用计算机低很多。正如欧盟在其推出的《人类大脑计划(Human Brain Project)》报告中指出,在处理等量任务时,目前没有任何人工系统能够媲美人脑的低能耗。人类大脑的能耗功率一般在20瓦左右,而一台常用笔记本电脑的耗能功率约为100瓦。这种差距在基于人工神经网络人工智能上表现得更为显现。2016年,阿尔法狗对战围棋九段高手李世石时,该人工智能程序的功耗达1兆瓦,将近人脑的5万倍。“现阶段类脑机的能耗虽无法降至人脑水平,但比人工神经网络节能。”刘成林表示。

另一方面,类脑机的研究可以促进脑科学和神经科学研究的发展。大脑是人身体中最复杂的器官,其神经结构和运行机理至今仍有很多不清楚的地方,靠影像手段难以直接观测。刘成林指出,类脑机作为模拟大脑的计算模型,通过计算产生类似大脑的活动和智能行为,可以反过来为脑神经结构和功能的研究提供有益的启发。同时,脑科学和神经科学的进步也将促进类脑机向更高智能方向发展。

首台实时模拟人脑机器或4年后出现

 “目前类脑机研究仍处在起步阶段,其学习、创造能力还远不如人脑。但是随着相关技术的进一步发展,不可否认,类脑机确有达到甚至超越人脑的可能。”秦志刚说。

黄铁军则描绘了未来类脑机的蓝图:当神经形态器件和芯片的精密程度发展到一定阶段后,在信息处理速度上或比人脑快几个数量级,同时在外形上没有了人脑骨骼结构的限制……

距离研制出这样一台“电脑”,我们还有多远的路要走?黄铁军介绍说,根据欧盟推出的《人类大脑计划》,到2022年首台实时模拟人类大脑的机器就会出现,约20年后尺寸与人脑相当又能精确模拟人脑功能的类脑机或将面世。

当类脑机出现后,它会给我们的生活带来哪些改变?“类脑机的出现必然会给人们的生活方式,尤其是学习方式带来巨大的变革。类脑机可大量减少人类重复性的工作,同时其也会成为创新灵感的来源之一。”秦志刚表示。

刘成林认为,装有类脑机的机器人可能在功能上与真人无异,会思考、判断、学习,能够提供更贴心的服务,并代替人从事高智力工作,极大地提高工作效率,促进社会经济发展。但是,未来高智能机器的发展和广泛使用也可能带来失业、被误用等负面影响,相关的伦理、风险研究应逐步展开,相关法律法规建设也应同步完善。

原文链接:http://digitalpaper.stdaily.com/http_www.kjrb.com/kjrb/html/2018-12/05/content_409761.htm?div=-1&from=timeline&isappinstalled=0

产业类脑芯片机器人
相关数据
感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

重构技术

代码重构(英语:Code refactoring)指对软件代码做任何更动以增加可读性或者简化结构而不影响输出结果。 软件重构需要借助工具完成,重构工具能够修改代码同时修改所有引用该代码的地方。在极限编程的方法学中,重构需要单元测试来支持。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

神经科学技术

神经科学,又称神经生物学,是专门研究神经系统的结构、功能、发育、演化、遗传学、生物化学、生理学、药理学及病理学的一门科学。对行为及学习的研究都是神经科学的分支。 对人脑研究是个跨领域的范畴,当中涉及分子层面、细胞层面、神经小组、大型神经系统,如视觉神经系统、脑干、脑皮层。

生物神经网络技术

生物神经网络(Biological Neural Networks)一般指生物的大脑神经元,细胞,触点等组成的网络,用于产生生物的意识,帮助生物进行思考和行动

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

神经元技术

(人工)神经元是一个类比于生物神经元的数学计算模型,是神经网络的基本组成单元。 对于生物神经网络,每个神经元与其他神经元相连,当它“兴奋”时会向相连的神经元发送化学物质,从而改变这些神经元的电位;神经元的“兴奋”由其电位决定,当它的电位超过一个“阈值”(threshold)便会被激活,亦即“兴奋”。 目前最常见的神经元模型是基于1943年 Warren McCulloch 和 Walter Pitts提出的“M-P 神经元模型”。 在这个模型中,神经元通过带权重的连接接处理来自n个其他神经元的输入信号,其总输入值将与神经元的阈值进行比较,最后通过“激活函数”(activation function)产生神经元的输出。

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

深度神经网络技术

深度神经网络(DNN)是深度学习的一种框架,它是一种具备至少一个隐层的神经网络。与浅层神经网络类似,深度神经网络也能够为复杂非线性系统提供建模,但多出的层次为模型提供了更高的抽象层次,因而提高了模型的能力。

推荐文章
暂无评论
暂无评论~