最高精度“線蟲(chóng)大腦”，它來(lái)了。

這顆“大腦”所模擬的是一只秀麗隱桿線蟲(chóng)的全生物神經(jīng)系統(tǒng)。

(注：秀麗隱桿線蟲(chóng)是“最簡(jiǎn)單的生命智能體”，擁有302個(gè)神經(jīng)元)

這一次，國(guó)內(nèi)的學(xué)者不僅把秀麗線蟲(chóng)全部的神經(jīng)元網(wǎng)絡(luò)還原了出來(lái)，更是細(xì)到了它們的亞細(xì)胞級(jí)連接關(guān)系。

據(jù)了解，它的精細(xì)程度已經(jīng)達(dá)到了當(dāng)前已知的最高水平：

此前，一項(xiàng)研究對(duì)單個(gè)生物神經(jīng)元的計(jì)算復(fù)雜度進(jìn)行了研究，文章指出，一個(gè)深度神經(jīng)網(wǎng)絡(luò)需要 5 到 8 層互聯(lián)神經(jīng)元才能表征單個(gè)生物神經(jīng)元的復(fù)雜度。

而通過(guò)這樣的精細(xì)構(gòu)建的“大腦”，已可以讓這只“智能線蟲(chóng)”完成動(dòng)態(tài)蠕動(dòng)前行。

這，便是來(lái)自北京智源人工智能研究院的最新研究成果，背后的“利器”則是天演項(xiàng)目。

而且這只“智能線蟲(chóng)”——天寶(MetaWorm)1.0的誕生，不僅僅是生命模擬精度上的一次突破，根據(jù)研究團(tuán)隊(duì)的介紹：

這是邁出人造智能生命關(guān)鍵一步。

最高精度大腦，是怎么煉成的?

這次大腦選擇的秀麗隱桿線蟲(chóng)，可以說(shuō)是“擁有神經(jīng)系統(tǒng)的最簡(jiǎn)單生物之一”——

它既具有完整的神經(jīng)系統(tǒng)，感知逃逸覓食交配都能完成，整體結(jié)構(gòu)又非常簡(jiǎn)單，成蟲(chóng)只有大約1000多個(gè)體細(xì)胞。

就是這只長(zhǎng)約1mm的透明小生物，已經(jīng)是科學(xué)研究界的“?？汀?，近20年來(lái)有三次諾貝爾獎(jiǎng)都與它有關(guān)。

對(duì)于神經(jīng)科學(xué)家們來(lái)說(shuō)，秀麗隱桿線蟲(chóng)的神經(jīng)系統(tǒng)已經(jīng)被完整破解，實(shí)時(shí)圖譜還登上了當(dāng)年的Nature封面，非常適合用來(lái)研究并模擬“腦回路”。

△雌雄同體，共有302個(gè)神經(jīng)細(xì)胞

更重要的是，線蟲(chóng)體內(nèi)存在的乙酰膽堿、多巴胺等神經(jīng)遞質(zhì)，在哺乳動(dòng)物體內(nèi)也同樣存在。

研究它的神經(jīng)系統(tǒng)，對(duì)于研究人類神經(jīng)系統(tǒng)的調(diào)控機(jī)制也有重要作用。

但研究結(jié)構(gòu)是一回事，用計(jì)算機(jī)建模又是另一回事了。

要知道，模擬一個(gè)生物的神經(jīng)元可不是簡(jiǎn)單地像卷積那樣，做個(gè)線性變換就完事，它所模擬的(如細(xì)胞間)物質(zhì)交換、神經(jīng)元間動(dòng)作電位的產(chǎn)生和傳導(dǎo)等行為非常復(fù)雜。

例如，僅僅是突觸之間遞質(zhì)的傳遞，就涉及數(shù)量、速度、濃度、反流、方向等多個(gè)參數(shù)，用數(shù)學(xué)模型來(lái)計(jì)算模擬還會(huì)更加復(fù)雜。

即便模擬出了完整的神經(jīng)系統(tǒng)，如何用計(jì)算機(jī)模擬出接近真實(shí)環(huán)境的“賽博空間”，并在其中訓(xùn)練“智能線蟲(chóng)”模型，又是另一大研究難點(diǎn)。

此前，雖然已經(jīng)有不少團(tuán)隊(duì)在進(jìn)行線蟲(chóng)仿真方面的研究，但無(wú)論是精度、還是仿真環(huán)境都與現(xiàn)實(shí)有一定差距，就像我們常見(jiàn)的仿生機(jī)器魚(yú)遠(yuǎn)達(dá)不到魚(yú)的精度一樣。

這次，天演團(tuán)隊(duì)成功建模出了最高精度的智能“賽博線蟲(chóng)”，實(shí)現(xiàn)了讓它在3D流體仿真環(huán)境下動(dòng)態(tài)蠕動(dòng)前行、并具備簡(jiǎn)單趨利避害的能力。

那么，這只“智能線蟲(chóng)”究竟長(zhǎng)啥樣?

首先，團(tuán)隊(duì)利用大量公式和模型，建模出線蟲(chóng)的“電子神經(jīng)元”。

用到的模型主要有三種：多種離子通道模型、Hodgkin-Huxley模型和多艙室(多房室)模型(Multi-compartment Model)。

其中，多種離子通道模型顧名思義，用于模擬細(xì)胞膜上的各種離子通道，天寶 1.0模型使用了14種離子通道;

Hodgkin-Huxley模型 (HH模型)，能將神經(jīng)元的每個(gè)部分都模擬成不同的電路元件;

△HH模型示例，圖片來(lái)源于維基百科—真·生物是一臺(tái)精密的電子儀器

多艙室模型，將神經(jīng)元視為一個(gè)系統(tǒng)，按動(dòng)力學(xué)特點(diǎn)分為若干個(gè)艙室，每個(gè)艙室所包含的離子通道數(shù)目也各不相同。

△圖片來(lái)源于江小芳, 劉深泉, 張煦晨著論文《中等多棘神經(jīng)元的多房室模型分析》

這三種模型組合起來(lái)，就能將神經(jīng)元的構(gòu)造、神經(jīng)元細(xì)胞膜上動(dòng)作電位和梯度電位的形成與傳導(dǎo)、以及物質(zhì)在各機(jī)體部分間傳導(dǎo)的速率模擬出來(lái)。

施工完成后的這只“智能線蟲(chóng)”，精細(xì)建模了秀麗隱桿線蟲(chóng)(雌雄同體)的302個(gè)神經(jīng)元、以及這些神經(jīng)元之間的數(shù)千個(gè)連接，使用了14種離子通道，細(xì)節(jié)達(dá)到了亞細(xì)胞級(jí)別。

線蟲(chóng)的302個(gè)神經(jīng)元分為感官神經(jīng)元、中間神經(jīng)元和運(yùn)動(dòng)神經(jīng)元等，在這其中，團(tuán)隊(duì)又針對(duì)106個(gè)感知和運(yùn)動(dòng)神經(jīng)元進(jìn)行了高精度建模，高度擬合了它們的電生理動(dòng)力學(xué)。

統(tǒng)計(jì)下來(lái)，單個(gè)神經(jīng)元最多艙室(compartment)數(shù)2313個(gè)，最少10個(gè)。302個(gè)神經(jīng)元平均每個(gè)52個(gè)艙室。神經(jīng)元之間的突觸連接精細(xì)到神經(jīng)突(樹(shù)突、軸突)的水平：

然后，團(tuán)隊(duì)構(gòu)造了一個(gè)3D流體動(dòng)態(tài)仿真環(huán)境，讓線蟲(chóng)在接近真實(shí)的場(chǎng)景下運(yùn)動(dòng)起來(lái)。

注意，模擬環(huán)境這一步尤為重要，它是研究線蟲(chóng)如何自適應(yīng)微觀環(huán)境運(yùn)動(dòng)方式的關(guān)鍵步驟。

線蟲(chóng)建模精細(xì)到亞細(xì)胞(微米級(jí)別)后，物理定律的尺度都縮小了，摩擦力與粘滯力的作用要比重力大上幾個(gè)數(shù)量級(jí)。

在這種情況下，線蟲(chóng)還能自如地吃飯喝水供能，與其和環(huán)境交互的巧妙方式密不可分。

因此，天演團(tuán)隊(duì)結(jié)合計(jì)算神經(jīng)學(xué)、運(yùn)動(dòng)力學(xué)、圖形學(xué)等多學(xué)科交叉，為智能線蟲(chóng)“天寶”構(gòu)造了逼真的線蟲(chóng)肌肉和身體軟體模型，建立了更適合人工智能體訓(xùn)練的流體仿真環(huán)境。

具體來(lái)說(shuō)，這個(gè)環(huán)境框架由包含三維建模、有限元求解、簡(jiǎn)化流體模型、強(qiáng)化學(xué)習(xí)、可視化等多個(gè)模塊，能最大程度上模擬線蟲(chóng)與環(huán)境的交互方式。

相比目前國(guó)際領(lǐng)先的OpenWorm線蟲(chóng)仿真項(xiàng)目，天演團(tuán)隊(duì)的流體仿真環(huán)境規(guī)模更大，也更適合作為生命體的多體/群體智能行為仿真環(huán)境、完成智各種能體學(xué)習(xí)訓(xùn)練復(fù)雜任務(wù)等。

最后，團(tuán)隊(duì)將線蟲(chóng)模型放到仿真環(huán)境中，完成了初步訓(xùn)練。

這些都是未來(lái)天演平臺(tái)的組成部分。具體來(lái)說(shuō)，這是一個(gè)還在建造中的多GPU集群平臺(tái)，可用于高精度、大規(guī)模生物神經(jīng)元的模擬。

在場(chǎng)景尺度超過(guò)1300個(gè)線蟲(chóng)身長(zhǎng)的仿真環(huán)境下，團(tuán)隊(duì)現(xiàn)在已經(jīng)初步訓(xùn)練出了能夠根據(jù)環(huán)境化學(xué)信號(hào)分布自主行動(dòng)的“智能線蟲(chóng)”，而這一場(chǎng)景也能支持更大空間和多線蟲(chóng)群體仿真。

據(jù)團(tuán)隊(duì)表示，“智能線蟲(chóng)”模型能夠高效、精準(zhǔn)地計(jì)算與流體環(huán)境相互作用的規(guī)律，在相同計(jì)算資源下，單線蟲(chóng)單次仿真時(shí)間小于0.1秒。

下一階段，天演團(tuán)隊(duì)計(jì)劃讓這只“賽博線蟲(chóng)”實(shí)現(xiàn)避障、覓食等更復(fù)雜的智能任務(wù)。

事實(shí)上，類腦智能研究一直是個(gè)全球性課題。

國(guó)際上，包括歐盟腦計(jì)劃支持的Blue Brain項(xiàng)目、美國(guó)腦計(jì)劃等都在進(jìn)行類腦研究;科技巨頭如谷歌，近5年一直在發(fā)布腦圖譜、腦工具;高校研究機(jī)構(gòu)如MIT，用19個(gè)線蟲(chóng)模擬神經(jīng)元實(shí)現(xiàn)了自動(dòng)駕駛控制……

然而，單從類腦研究來(lái)看，各團(tuán)隊(duì)的研究方向卻有很大不同，甚至有相當(dāng)一部分團(tuán)隊(duì)藉由先設(shè)計(jì)芯片、再設(shè)計(jì)算法的方式來(lái)實(shí)現(xiàn)類腦計(jì)算。

但這樣的研究，反而會(huì)被芯片等硬件約束了算法的設(shè)計(jì)與實(shí)現(xiàn)，最終與實(shí)現(xiàn)類腦智能的目標(biāo)相距甚遠(yuǎn)。

相較之，天演團(tuán)隊(duì)選擇從實(shí)現(xiàn)AI的角度，去研究并實(shí)現(xiàn)類腦智能。

但即便如此，費(fèi)盡心力建模一個(gè)線蟲(chóng)大腦，真的有意義嗎?

線蟲(chóng)“大腦”，有什么用?

若是用一句話來(lái)概括這個(gè)問(wèn)題，那便是：

這是邁出人造智能生命的關(guān)鍵一步。

自人工智能誕生以來(lái)，把“機(jī)器打造得像人一樣”，便成為了研究人員一直努力研發(fā)的方向。

然而隨著時(shí)間的推移，哪怕到了現(xiàn)今以深度學(xué)習(xí)為主的發(fā)展階段，人工智能還是沒(méi)有達(dá)到真正意義上的智能程度。

即便是像2016年AlphaGo轟動(dòng)世界的那場(chǎng)圍棋比賽，也只是刷新了人們對(duì)于人工智能的認(rèn)知。

但也正如CMU教授Hans Moravec所述：

要讓電腦像成年人一樣下棋是相對(duì)容易的;但是要讓電腦擁有一歲小孩水平的感知和行動(dòng)能力，卻是相當(dāng)困難，甚至是不可能的。

那么，問(wèn)題到底出在了哪里?

在2016年的時(shí)候，智源研究院院長(zhǎng)黃鐵軍就給出過(guò)答案。

他認(rèn)為，深度學(xué)習(xí)本質(zhì)上依賴于人工神經(jīng)網(wǎng)絡(luò)，而生物的智能所依靠的是生物神經(jīng)網(wǎng)絡(luò)。

其中，人工神經(jīng)網(wǎng)絡(luò)更接近于“實(shí)現(xiàn)功能”，而生物神經(jīng)網(wǎng)絡(luò)模擬的則是“實(shí)現(xiàn)功能的結(jié)構(gòu)”，二者在“體量”上便不是一個(gè)級(jí)別的，后者明顯要龐大得多，也更重要——

因?yàn)榻Y(jié)構(gòu)決定功能，而生物神經(jīng)網(wǎng)絡(luò)才是智能的載體。

因此，黃鐵軍基于這種情況下所提出的“解法”是：

從腦機(jī)理模擬的角度出發(fā)。

簡(jiǎn)單來(lái)說(shuō)，就是要去探索生腦大腦內(nèi)部的“運(yùn)作模式”，這才是通向通用人工智能的途徑之一。

無(wú)獨(dú)有偶，在更早的2009年，瑞士洛桑聯(lián)邦理工學(xué)院的Henry Markram教授也提出過(guò)類似的觀點(diǎn)。

當(dāng)時(shí)他宣布了一個(gè)計(jì)劃——將在理解大腦結(jié)構(gòu)的基礎(chǔ)之上，用超級(jí)計(jì)算機(jī)建立大腦模型。

這項(xiàng)計(jì)劃后來(lái)得到了歐盟的大力支持和關(guān)注，因?yàn)檫@種方式的意義不僅僅是理解人類大腦智能的本身，甚至還可能為腦疾病找到別樣的治療方法。

但問(wèn)題也接踵而至，要想模擬人類整個(gè)大腦神經(jīng)網(wǎng)絡(luò)，靠計(jì)算機(jī)是相當(dāng)困難的。

這不僅僅是因?yàn)橛?jì)算模擬的復(fù)雜度，更是因?yàn)樯锎竽X本身的復(fù)雜度。

畢竟人類大腦的含有神經(jīng)元數(shù)量高達(dá)1011，其所需的計(jì)算量和成本可見(jiàn)一斑。

而人類實(shí)際上通過(guò)大腦去做推理、創(chuàng)作等一系列行為時(shí)，所消耗的功耗僅為20-25瓦。

也就是說(shuō)生物大腦具備了“高智能”、“低功耗”的特性。

這也就是為什么說(shuō)研究生物大腦，是通向通用人工智能最佳藍(lán)本的原因所在了。

而且這種信號(hào)也已經(jīng)開(kāi)始浮現(xiàn)。

例如2021年發(fā)表于頂刊NEURON上的Single Cortical Neurons as Deep Artificial Neural

Networks研究表明——

一個(gè)深度神經(jīng)網(wǎng)絡(luò)需要5到8層互聯(lián)神經(jīng)元才能表征單個(gè)生物神經(jīng)元的復(fù)雜度。

這也就證明了單個(gè)神經(jīng)元所具備的計(jì)算力之強(qiáng)，所以若是能夠?qū)蝹€(gè)神經(jīng)元做非常精細(xì)化的刻畫，便可更加逼近生物處理信息的復(fù)雜過(guò)程。

但更精細(xì)化地模擬生物大腦的意義還遠(yuǎn)不止于此。

目前人類在大腦方面仍然存在許多較為棘手的疾病，例如阿爾茲海默癥、抑郁癥和腦損傷等。

研究各種腦疾病的過(guò)程更是消耗巨大人力和物力的過(guò)程，若是能夠精細(xì)地模擬具備生物性質(zhì)的大腦，那么或許會(huì)在解決方案上提供另一種可能性。

……

總而言之，更好地模擬和認(rèn)識(shí)大腦，是在認(rèn)識(shí)大腦本身的同時(shí)，也是在重視人類自己。