人工智能領(lǐng)域已經(jīng)發(fā)展了70年，從小數(shù)據(jù)驗(yàn)證，到大規(guī)?；鶞?zhǔn)，再發(fā)展到現(xiàn)在，幾乎每天都有新突破，不只是在簡單問題上超越普通人類水準(zhǔn)，在最難的問題上也能和頂尖人類掰掰手腕了。

但還有一個(gè)自人工智能誕生以來就一直廣為討論、看是無解的關(guān)鍵問題，各方業(yè)內(nèi)人士仍然爭辯不休：如果沒有適當(dāng)?shù)南拗坪椭卫?，人工智能在未來是否?huì)發(fā)展到超越人類智能？

最近，來自東南大學(xué)、哈佛醫(yī)學(xué)院、新加坡國立大學(xué)、新加坡南洋理工大學(xué)、新加坡國立腦科學(xué)研究院、清華大學(xué)、中山大學(xué)等多達(dá)15個(gè)頂尖機(jī)構(gòu)的研究人員聯(lián)合發(fā)表了一篇論文，在理論上證明了AI超越人類的可能性，即通過結(jié)合神經(jīng)科學(xué)中的新型AI技術(shù)，可以創(chuàng)建出一個(gè)新的AI智能體，能夠在細(xì)胞層面上精確模擬大腦及其功能系統(tǒng)（例如感知和認(rèn)知功能），并且預(yù)期誤差極小。

也就是說，沒有限制的人工智能最終必然（probability one）超越人類智能。

論文鏈接：

https://www.sciencedirect.com/science/article/pii/S0925231224018241

類似數(shù)學(xué)和物理的區(qū)別一樣，在不對(duì)AI技術(shù)施加限制的情況下，必然會(huì)分化出一個(gè)新學(xué)科，發(fā)展出不同的系統(tǒng)和原理。

研究人員估計(jì)，這篇論文將開啟多個(gè)全新的研究方向，包括：

1. 在神經(jīng)科學(xué)的動(dòng)態(tài)分析、大腦功能分析和腦疾病解決方案中，使用AI智能體和其他AI技術(shù)進(jìn)行細(xì)胞層面的高效分析；

2. 建立一個(gè)新的全球合作計(jì)劃，讓跨學(xué)科團(tuán)隊(duì)同時(shí)使用AI技術(shù)研究和模擬不同類型的神經(jīng)元和突觸，以及大腦不同層級(jí)的功能子系統(tǒng)；

3. 在基礎(chǔ)神經(jīng)科學(xué)屬性的幫助下，開發(fā)低能耗的AI技術(shù)；

4. 開發(fā)新的可控、可解釋且安全的AI技術(shù)，這些技術(shù)具有推理能力，能夠發(fā)現(xiàn)自然界的原理。

宏觀與微觀的人腦

人腦，可以說是全宇宙最復(fù)雜的系統(tǒng)之一，可以處理和解釋各種感覺信號(hào)，包括視覺、聽覺、溫度等，并通過學(xué)習(xí)、記憶、推理、思考和情緒調(diào)節(jié)來管理認(rèn)知識(shí)別，以控制人體的所有調(diào)節(jié)功能。

人類的大腦中包含數(shù)百種不同類型的生物神經(jīng)元，通過大量突觸進(jìn)行生物連接：

1. 人腦中的生物神經(jīng)元數(shù)量雖然數(shù)量很多，但仍然是有限的，比如成年人平均有大約860億個(gè)神經(jīng)元，其中160億個(gè)神經(jīng)元在大腦皮層中。

2. 突觸是神經(jīng)元在大腦中相互連接和交流的連接點(diǎn)，大腦中的突觸數(shù)量也是有限的。每個(gè)神經(jīng)元包含幾個(gè)到幾十萬個(gè)突觸連接，用于與「自身」或「跨越大腦各個(gè)區(qū)域」的鄰近神經(jīng)元或神經(jīng)元連接。

3. 神經(jīng)元和突觸的數(shù)量是衡量人類智能的關(guān)鍵參數(shù)。

在宏觀層面，大腦可以看作是由數(shù)百億神經(jīng)元和數(shù)萬億突觸組成的復(fù)雜系統(tǒng)，整體具有反饋功能。

在微觀層面，神經(jīng)元和突觸的表征可以通過數(shù)學(xué)建模和分子行為（molecular behaviors）來解釋，現(xiàn)有方法主要從神經(jīng)科學(xué)動(dòng)力學(xué)（neuroscience dynamics）的角度對(duì)不同類型的神經(jīng)元和突觸進(jìn)行研究。

通用、統(tǒng)一的神經(jīng)元數(shù)學(xué)表征

大腦中的不同系統(tǒng)層次是非線性和動(dòng)態(tài)的，如果同時(shí)考慮微觀和宏觀進(jìn)行數(shù)學(xué)建模，幾乎有無限的可能性和功能，也就無法對(duì)大腦進(jìn)行簡潔的分析；但如果分開考慮，對(duì)不同類型神經(jīng)元估計(jì)不準(zhǔn)確，就會(huì)導(dǎo)致數(shù)學(xué)模型與大腦功能之間的累積誤差無法控制。

研究人員選擇關(guān)注「基本神經(jīng)元和突觸」和「細(xì)胞層面」的AI技術(shù)，同時(shí)考慮了「大腦構(gòu)建模塊」的四個(gè)基本屬性：

1. 大腦的基本信號(hào)和通信功能主要由「生物神經(jīng)元」和「生物突觸」驅(qū)動(dòng)；

2. 神經(jīng)元和突觸都向其他神經(jīng)元單向傳遞信號(hào)；

3. 生物神經(jīng)元和生物突觸依次交替連接；

4. 神經(jīng)元遵循「全有或全無定律」：如果一個(gè)神經(jīng)元響應(yīng)，就必須完全響應(yīng)。

想要對(duì)數(shù)百種「神經(jīng)元」進(jìn)行通用、統(tǒng)一的數(shù)學(xué)表示，就不能考慮不同的尖峰表示和神經(jīng)元?jiǎng)討B(tài)機(jī)制的基本功能，研究人員采用一種新的「AI孿生」（AI twin）方法，利用人工智能模型來表示單個(gè)神經(jīng)元和突觸，模型無需了解神經(jīng)元和突觸中電信號(hào)傳導(dǎo)的細(xì)節(jié)以及相關(guān)的數(shù)學(xué)建模和單個(gè)神經(jīng)元和突觸中的分子行為。

從生物特性上來看，神經(jīng)元和突觸的功能可以看作是分段連續(xù)的，其生物反應(yīng)對(duì)接收信號(hào)是相當(dāng)平滑的，可以分為三個(gè)分段連續(xù)函數(shù)：

1. 盡管神經(jīng)元的信息編碼仍然是未知的，但信息編碼機(jī)制和相關(guān)的尖峰概率可以看作是一個(gè)分段連續(xù)的函數(shù)

2. 時(shí)間延遲變量遵循某個(gè)分段連續(xù)機(jī)制

3. 如果與概率函數(shù)一起考慮，神經(jīng)元的信號(hào)傳輸函數(shù)是分段連續(xù)的

從本質(zhì)上講，單個(gè)神經(jīng)元能否被激發(fā)到發(fā)射狀態(tài)取決于通過其樹突樹接收的整合輸入信號(hào)。也就是說，神經(jīng)元樹突的輸入信號(hào)與軸突末梢的輸出信號(hào)之間的輸入-輸出關(guān)系函數(shù)，是一個(gè)動(dòng)作電位函數(shù)和軸突機(jī)制的復(fù)合函數(shù)，是非線性的分段函數(shù)，包括神經(jīng)元接收的所有興奮性和抑制性信號(hào)。

假設(shè)一個(gè)生物神經(jīng)元L在其樹突樹中有輸入信號(hào)x_L，其突觸前末梢的輸出信號(hào)是，其中A_L(x)代表神經(jīng)元樹突的輸入信號(hào)與軸突末梢的輸出信號(hào)之間的信號(hào)傳輸函數(shù)，包括膜電位和通道狀態(tài)之間的概率和時(shí)間延遲，并且也是分段連續(xù)的。

與神經(jīng)元的動(dòng)作電位一樣，第P個(gè)突觸的神經(jīng)遞質(zhì)傳遞關(guān)系，即神經(jīng)元軸突末端的突觸前末梢與下一個(gè)連接神經(jīng)元的突觸后末梢之間的關(guān)系Sp(x)，也是（分段）連續(xù)的。

人腦可以看作是由兩個(gè)基本元素的函數(shù)（A_L，S_P）組成，即單個(gè)神經(jīng)元的信號(hào)傳輸關(guān)系A(chǔ)_L在樹突樹與其軸突末梢之間，相應(yīng)突觸內(nèi)的神經(jīng)遞質(zhì)傳遞關(guān)系S_P，其中L的范圍從1到860億。

對(duì)比大腦，從架構(gòu)的角度來看，大腦由兩個(gè)基本元素組成：神經(jīng)元和突觸。

從理論的角度來看，大腦系統(tǒng)是兩個(gè)基本分段連續(xù)函數(shù)的復(fù)合組合：單個(gè)神經(jīng)元的信號(hào)傳輸關(guān)系，控制著其樹突接收的輸入信號(hào)與從其軸突末梢發(fā)送的輸出信號(hào)之間的信號(hào)傳輸A_L，以及相應(yīng)突觸內(nèi)的神經(jīng)遞質(zhì)傳遞關(guān)系S_P。

自下而上：大腦與AI的結(jié)合

神經(jīng)元在生理區(qū)域進(jìn)行集成，并在大腦中產(chǎn)生功能屬性和狀態(tài)，包括學(xué)習(xí)、記憶、推理、思考、感覺、情緒、視覺、聽覺等在內(nèi)的人類大腦系統(tǒng)，即，由神經(jīng)元的信號(hào)傳遞關(guān)系A(chǔ)_L(x)及其對(duì)應(yīng)突觸內(nèi)的神經(jīng)傳遞關(guān)系SP(x)的有限數(shù)量的連續(xù)組合構(gòu)成。

也就是說，自下而上地看，人類大腦可以看作是由神經(jīng)元和突觸的層（layer）和組（group）構(gòu)成的結(jié)構(gòu)，每一層和組都建立在其他的層和組之上。

與通常采用的生物神經(jīng)元的尖峰（spiking）表示和神經(jīng)元?jiǎng)恿W(xué)機(jī)制不同，可以利用AI技術(shù)的學(xué)習(xí)與建模能力（而不是數(shù)學(xué)建模方法）來近似神經(jīng)元，而不需要了解具體的生物特性。

AI近似單個(gè)神經(jīng)元和單個(gè)突觸

眾所周知，如果單隱藏層前饋網(wǎng)絡(luò)（SLFN）的隱藏節(jié)點(diǎn)激活函數(shù)是有界非恒定連續(xù)的，那么任何目標(biāo)連續(xù)函數(shù)f都可以被SLFN近似，誤差δ可以任意小。

因此，給定任意單個(gè)神經(jīng)元的信號(hào)傳遞關(guān)系A(chǔ)_L(x)，其樹突樹和軸突的突觸前末梢之間，存在一個(gè)人工神經(jīng)網(wǎng)絡(luò)可以近似該函數(shù)，誤差可以任意小。

同樣，給定任意相應(yīng)突觸內(nèi)的神經(jīng)遞質(zhì)傳遞關(guān)系S_P(x)，存在一個(gè)人工神經(jīng)網(wǎng)絡(luò)可以通用地近似S_P(x)，誤差可以任意小。

在實(shí)現(xiàn)時(shí)，可以使用各種架構(gòu)模型，包括但不限于全連接前饋網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、變換器、極限學(xué)習(xí)機(jī)（ELMs）等。

AI近似大腦及子系統(tǒng)的學(xué)習(xí)能力

神經(jīng)元遵循「全有或全無定律」（all-or-none law），如果一個(gè)神經(jīng)元響應(yīng)，它必須完全響應(yīng)；突觸的功能可以被看作是全有或全無的平滑：

1. 突觸的非線性函數(shù)可能沒有統(tǒng)一的值；

2. 大腦的片段/區(qū)域?qū)用娴暮瘮?shù)和系統(tǒng)通常不是統(tǒng)一的；

3. 單個(gè)生物神經(jīng)元的發(fā)射和抑制周期是有限的。因此，對(duì)于任何合理的持續(xù)時(shí)間，神經(jīng)元中可能沒有無限數(shù)量的振蕩/尖峰和突觸中的信號(hào)傳遞，單個(gè)神經(jīng)元和突觸的非線性函數(shù)是分段連續(xù)的；

4. 神經(jīng)元可能通過膜電位的變化（分級(jí)電位）進(jìn)行通信，電位更接近「模擬」信號(hào)而不是「離散」尖峰。

在這種情況下，神經(jīng)元的表現(xiàn)可以看作是數(shù)學(xué)上「全有或全無平滑函數(shù)」（all-ornone smoothness function）的一個(gè)特例：

1. 如果一個(gè)生物神經(jīng)元在接收到其樹突樹的信號(hào)后響應(yīng)，則必須完全響應(yīng)；

2. 生理上，如果一個(gè)神經(jīng)元被激發(fā)，其軸突將總是產(chǎn)生一個(gè)統(tǒng)一幅度的電沖動(dòng)，其高度無論刺激的強(qiáng)度或持續(xù)時(shí)間如何都保持不變。神經(jīng)元軸突要么完全傳遞最大響應(yīng)穿過突觸到下一個(gè)神經(jīng)元，要么一點(diǎn)都不傳遞。

3. 全有或全無平滑函數(shù)不僅包括在大腦神經(jīng)元中觀察到的心理全有或全無定律，還包括突觸中的分段連續(xù)函數(shù)。

大腦全有或全無平滑保持的一般定理（All-or-None Smoothness Preservation）

假設(shè)所有函數(shù)f, f₁, f₂, ..., f_k都是全有或全無平滑分段連續(xù)的，那么f(f₁, f₂, ..., f_k)是全有或全無平滑分段連續(xù)的，因此，由順序鏈接的神經(jīng)元和突觸構(gòu)成的人類大腦及其任何構(gòu)成區(qū)域都是全有或全無平滑分段連續(xù)的。

大腦由AI孿生表示的一般定理（Brain-AI Representation）

給定任何（子）系統(tǒng)和大腦區(qū)域的函數(shù)f，以及順序鏈接的神經(jīng)元和突觸，以及任意正值δ，存在一個(gè)模型使得。

神經(jīng)元的連接和電路很像，雖然每個(gè)電路元件都具有不同的屬性，并且輸入輸出都依賴于其他與之相連的其他元件，但每個(gè)元件都可以單獨(dú)拿出來進(jìn)行分析，設(shè)計(jì)者可以在不考慮整體電路功能的情況下，對(duì)任意元件進(jìn)行替換。

與抽象的數(shù)學(xué)系統(tǒng)不同，大腦作為一個(gè)物理系統(tǒng)，其不同功能是由一系列物理連接的生物神經(jīng)元和突觸（包括電突觸、體積傳輸和電子耦合等）產(chǎn)生的，理論上大腦表示的一般定理適用于所有由大腦中順序連接的神經(jīng)元和突觸構(gòu)建的功能。

因此，理論上，文中提出的基于自下而上的AI孿生方法，也能夠具有類似大腦的能力，而不需要識(shí)別和理解大腦中由生物神經(jīng)元和突觸順序表示時(shí)產(chǎn)生的所有「不同類型」的功能。

沒有限制，AI必然超越人類智能

根據(jù)上面這些理論，可以看出，對(duì)于任何給定的單個(gè)神經(jīng)元和突觸，都存在能夠通用近似的AI模型；通過自下而上的解決方案，可以利用組合來近似大腦及其順序鏈接的區(qū)域/子系統(tǒng)，預(yù)期誤差很小。

如果沒有適當(dāng)?shù)南拗坪椭卫恚罱KAI模型必然超越人類大腦的智能。

下面是研究人員總結(jié)出的「促使AI指數(shù)級(jí)增長」的部分關(guān)鍵因素，也是需要保障AI安全的有效措施。

1. 算法：人工智能網(wǎng)絡(luò)/解決方案中的人工神經(jīng)網(wǎng)絡(luò)或組件可以被更高效或顯著更簡單的替代品替換，例如，各種類型的高效網(wǎng)絡(luò)架構(gòu)、信號(hào)處理技術(shù)和數(shù)學(xué)解決方案，算法可能會(huì)進(jìn)一步自我演化。

2. 數(shù)據(jù)源：AI傳感器可能比人類的器官（眼睛、耳朵、鼻子、舌頭和皮膚）具有更廣泛的感知能力，比如「聽」更廣泛的頻率，「看」到紅外光譜，「聞」到更細(xì)微的氣味等。

3. 計(jì)算能力：理論上，世界上可以連接和集成無限數(shù)量的計(jì)算芯片、傳感器、設(shè)備和服務(wù)器（通過實(shí)驗(yàn)室、組織、地區(qū)、國家等），肯定遠(yuǎn)遠(yuǎn)超過單個(gè)大腦的神經(jīng)元數(shù)量。

4. 智能材料：AI技術(shù)也可以由包括但不限于神經(jīng)形態(tài)、光子學(xué)、憶阻器、相變材料、納米材料等在內(nèi)的廣泛類型的智能材料實(shí)現(xiàn)和支持，實(shí)現(xiàn)更高的性能、能效。

5. AI智能體：可以在芯片、傳感器、設(shè)備、機(jī)器人、流程、系統(tǒng)、云等多端進(jìn)行部署，未來可能遠(yuǎn)超人口數(shù)量。

6. 知識(shí)交換和繼承：每一代人類通常需要20年或更長時(shí)間才能從祖輩那里繼承部分能力，通過各種社會(huì)活動(dòng)以不同的方式共享和交換知識(shí)，而AI可以時(shí)刻持續(xù)更新知識(shí)。

腦疾病或可攻克

和大腦一樣，文中提出的AI孿生同樣能夠提供相當(dāng)多的功能，并且能夠提供針對(duì)大腦個(gè)別神經(jīng)元、突觸或大腦小區(qū)域提供替代解決方案，前提是解決倫理問題。

在理想情況下，如果某個(gè)人的大腦部分區(qū)域發(fā)生損害，研究人員可以設(shè)計(jì)一個(gè)細(xì)胞級(jí)納米（甚至更?。┏叽绲娜斯ぶ悄苄酒瑥纳窠?jīng)元和突觸開始，自下而上地幫助恢復(fù)或模仿生理功能。

理解神經(jīng)元層面的詳細(xì)結(jié)構(gòu)信息對(duì)于未來實(shí)現(xiàn)「人工智能神經(jīng)元替代療法」至關(guān)重要，主要取決于在細(xì)胞層面準(zhǔn)確測量功能的增益和損失。

如果可以在神經(jīng)層面對(duì)大腦結(jié)構(gòu)進(jìn)行掃描，類似于MRI或CT，識(shí)別出受損或病變的神經(jīng)元區(qū)域，才能進(jìn)一步考慮開發(fā)AI組件進(jìn)行替換，未來可以考慮使用智能材料和計(jì)算節(jié)點(diǎn)在神經(jīng)元、突觸和蛋白質(zhì)層面檢測或識(shí)別「功能增強(qiáng)」或「功能喪失」的信號(hào)。

作者介紹

第一作者黃廣斌教授是東南大學(xué)首席教授、新加坡南洋理工大學(xué)電氣與電子工程學(xué)院終身教授。

他在2004年提出了極限學(xué)習(xí)機(jī)（ELM）算法，為傳統(tǒng)神經(jīng)網(wǎng)絡(luò)提供理論支持，學(xué)習(xí)速度比深度學(xué)習(xí)快上萬倍，被廣泛應(yīng)用于多個(gè)領(lǐng)域。

此外，他的2篇AI學(xué)術(shù)文章在2017年被谷歌學(xué)術(shù)列為世界上「過去10年經(jīng)過時(shí)間驗(yàn)證的Top10人工智能經(jīng)典文章」中分列Top 2和Top 7。

他提出的AI理論最近也得到了生物和腦神經(jīng)學(xué)的直接生物驗(yàn)證，彌補(bǔ)了機(jī)器學(xué)習(xí)和腦學(xué)習(xí)機(jī)制之間的空白，解決了計(jì)算機(jī)之父馮·諾依曼60年前的關(guān)于人腦和計(jì)算機(jī)結(jié)構(gòu)和能力的困惑。

他提出的AI理論和算法被廣泛應(yīng)用于電力、能源、太空、控制、低功耗AI芯片光子芯片等領(lǐng)域以及被美國太空總署NASA、IBM等應(yīng)用。

2014年起連續(xù)9年被湯申路透評(píng)為「高被引用研究者」及「世界最有影響力的科學(xué)精英」，位列斯坦福大學(xué)2021年Top 2%世界科學(xué)家新加坡南洋理工大學(xué)中的第一名。

論文的其他合作者包括哈佛醫(yī)學(xué)院的睡眠中心主任、新加坡國立腦科學(xué)研究院副院長、新加坡國立大學(xué)杜克醫(yī)學(xué)院副院長、清華大學(xué)高級(jí)副教務(wù)長、清華醫(yī)學(xué)創(chuàng)始院長、清華大學(xué)AI產(chǎn)業(yè)研究院院長/字節(jié)跳動(dòng)（抖音）聯(lián)合創(chuàng)始人、南洋理工大學(xué)協(xié)理副校長、新加坡AI安全研究院院長、香港嶺南大學(xué)副校長/IEEE CIS President等。