神经网络机制中的脑科学原理

什么是类脑计算？

一般地说，类脑计算是指借鉴大脑中进行信息处理的基本规律，在硬件实现与软件算法等多个层面，对于现有的计算体系与系统做出本质的变革，从而实现在计算能耗、计算能力与计算效率等诸多方面的大幅改进。过去几十年来通讯与计算机技术的长足发展带来了信息化革命，但现有计算系统仍然面临2个严重的发展瓶颈：一是系统能耗过高，二是对于人脑能轻松胜任的认知任务（比如语言及复杂场景的理解等）处理能力不足，难以支撑高水平的智能。大脑在这两个方面的明显优势使得借鉴大脑成了一个非常有前景的方向。类脑计算是生命科学，特别是脑科学与信息技术的高度交叉和融合，其技术内涵包括对于大脑信息处理原理的深入理解，在此基础上开发新型的处理器、算法和系统集成架构，并将其运用于新一代人工智能、大数据处理、人机交互等广泛的领域。类脑计算技术有望使人工信息处理系统以非常低的能耗，产生出可以与人脑相比拟的智能。很多人认为，这一方向的实质进展将可能真正开启智能化革命的序幕，从而对社会生产生活带来深刻地变革。

深构造类脑计算的技术优势与问题 深构造网络在类脑计算的技术竞赛中，正在显露出独特的技术优势：

1）深构造脑模型已经初步找到了用降解的方法来破解高复杂度的生物脑网络的新突破口。发展脑神经网络的微观分析技术是一个高难度的课题。欧盟HBP的核心技术是：“超薄的脑切片技术+超级计算机拼接与模拟” ，该技术依靠的是蓝脑工程（Blue Brain Project）的经验和底子。美国“BRAINs” 的核心技术是，推动大规模的纳米级分辨率的 “微观透视+微观追踪” 的技术创新，依托美国自己的技术优势，例如斯坦福大学的 “水凝胶分子慢渗透脑组织” 的透明化技术等。

深构造网络有希望发展成为第 3 种有竞争力的核心技术。在现有的小规模样机的基础上，通过改进技术和提高承载量，建立大规模的深构造网络模型，将可用于对生物脑神经的高逼真度的微观结构的分解和微观活动过程的模拟实验； 将分解和模拟的结果与已有的微观数据进行比对 检验模型的逼真度； 逐步修改脑模型中的深构造连接关系 使其互恰性越来越高。这样，即使人们无法全面详尽地观察清楚一个生物脑样本中的微观细节和活动过程，仍然能够通过脑模型来实现对它的完全透视和解析。

2）DeepMind 公司目前最前沿的研究之一，是试图通过“模块化的网络” 自主学习来解决困扰人工神经网络几十年的 “灾难性失忆” 问题。与其相比，深构造脑模型实验已经实现了在同一个网络体上叠加许多个记忆单体的复合网络（图 ）。

这意味着 DeepMind公司实验室所希望解决的难题，在 Mindputer Lab已被初步解决。显示深构造网络技术的解决方案比模块化网络技术更简捷， 这种记忆叠加技术对高智能知识库工程和自然语言翻译机器是一个很大的利好。

3）神经形态处理器的研制是当今世界的最尖端高科技IT 前沿，美国在这个领域一马当先。例如 IBM 公司的TrueNorth和高通公司的 Zeroth。但是，他们现在所面临的技术难点，不在芯片的神经元高密度集成上，也不在芯片运算的加速技术上，而是无法制造出高智能表现的神经形态处理器。原因在于 他们所采用的类脑计算技术属于第 1技术层面性质，只能制造出低复杂度的浅构造神经网络。从纯粹技术意义上讲，对单体网络的高复合量的叠加，可产生指数级增长的高复杂度。奇点时刻取决于在何时制造出临界深构造的人工脑神经网络。

4）长期以来人工智能机器只能借助于图灵测试这样的外在类比方法来帮助进行智能水平的比较和测量，缺乏类似于物理学或化学中的那样的成熟的内在结构测量技术。深构造网络技术为解决这个问题提供了一个新工具。如果脑深构造是脑的复杂度的本源，那么不同的人工智能机器的智能水平或思维能力的比较，可以通过直接测量两个机器内的网络的单体或复合体的性质，测量其单体网络的叠加量、复合神经元的数量、树突的构型量等客观指标。

总结而言，类脑计算是融合了脑科学与计算机科学、 信息科学和人工智能

等领域的交叉学科，我们有理由期待这一领域的研究将在不久的将来带来更多的令人瞩目的成就，推动智能技术向通用的人类水平的智能，即强人工智能的目标逐渐逼近。

接下来看一下Hinton教授的视频，进一步讲解脑原理的基础知识，希望可以让大家进一步了解与认识！视频来自于AI研习社。