本文為機(jī)器之心（微信號：almosthuman2014）投稿。原文作者為人工智能創(chuàng)業(yè)公司Demiurge Technologies 聯(lián)合創(chuàng)始人Bragi Lovetrue，其受EETimes之邀寫了這篇文章。翻譯由機(jī)器之心完成。

　　編者按：Bragi Lovetrue是Demiurge Technologies 的聯(lián)合創(chuàng)始人，該公司位于瑞士，旨在推進(jìn)服務(wù)于人類的深度學(xué)習(xí)、類腦工程和智能機(jī)器人領(lǐng)域的科技突破與應(yīng)用轉(zhuǎn)化。作為一位跨領(lǐng)域科學(xué)家，Bragi 在美國紐約大學(xué)和卡耐基梅隆大學(xué)期間為了發(fā)現(xiàn)制約人工智能發(fā)展的根本問題，設(shè)計了一套重新改造計算機(jī)科學(xué)基礎(chǔ)的綜合性研究項目。Bragi 和他的聯(lián)合創(chuàng)始人Idonae Lovetrue正在帶領(lǐng)一支全球最頂尖的專家團(tuán)隊測試實(shí)現(xiàn)下一代人工智能的感知計算「圖靈機(jī)」。

　　阿蘭·圖靈堅稱人腦和現(xiàn)代計算機(jī)有著相同的計算模型，即「圖靈機(jī)」。然而，約翰·馮·諾依曼認(rèn)為大腦在本質(zhì)上不同于現(xiàn)代計算機(jī)的體系結(jié)構(gòu)，即「馮·諾依曼架構(gòu)」。如果他們不可能都正確呢？

　　近期，類腦芯片的話題在全球引發(fā)了廣泛關(guān)注�？茖W(xué)界和工業(yè)界啟動了一系列先進(jìn)項目打造硅基大腦，希望能夠賦予下一代智能機(jī)器（無人機(jī)、機(jī)器人和自動駕駛汽車等）真正像人一樣的智能。大規(guī)模協(xié)作將神經(jīng)系統(tǒng)科學(xué)家與計算機(jī)科學(xué)家召集在了一起——比如歐盟的人類腦計劃(HBP)，DARPA資助的SYNAPSE項目（譯者注：DARPA和IBM合作的類腦芯片研發(fā)項目），還有美國腦計劃——這些都吸引了足夠多的眼球，并激發(fā)著我們的想象力。

　　在最近參加兩次相關(guān)峰會——Brain Forum和CapoCaccia Neuromorphic Engineering Workshop之后，我不禁好奇，我們對人工智能的追求，是否在朝著正確的方向邁進(jìn)。

　　計算機(jī)是表達(dá)和處理信息的機(jī)器。自現(xiàn)代計算機(jī)出現(xiàn)以來，腦科學(xué)的目標(biāo)就是理解大腦作為計算機(jī)是如何工作的，而人工智能的目標(biāo)是建造出像大腦一樣的計算機(jī)。但是，現(xiàn)代計算機(jī)的兩位奠基者卻在「大腦在本質(zhì)上是不是現(xiàn)代計算機(jī)」這一議題上存在著分歧：阿蘭·圖靈堅稱大腦和現(xiàn)代計算機(jī)有著相同的計算模型，即「圖靈機(jī)」，然而，約翰·馮·諾依曼認(rèn)為大腦在本質(zhì)上不同于現(xiàn)代計算機(jī)的體系結(jié)構(gòu)，即「馮·諾依曼架構(gòu)」。

　　深度學(xué)習(xí)和神經(jīng)形態(tài)工程學(xué)是腦科學(xué)與人工智能目標(biāo)交叉融合的絕佳典范。在深度學(xué)習(xí)和神經(jīng)形態(tài)工程學(xué)界有著廣泛的共識——理解大腦的工作原理和建造類腦計算機(jī)都需要在保留「圖靈機(jī)」的基礎(chǔ)上徹底改變「馮·諾依曼架構(gòu)」。

　　但是，這種觀點(diǎn)是站不住腳的，原因在于：計算機(jī)架構(gòu)只是計算模型的物理實(shí)施方案，而計算模型本質(zhì)上是一種數(shù)學(xué)構(gòu)建。因此，要真正改變馮·諾依曼計算架構(gòu)， 就必然要改變圖靈計算模型。那么什么時候會出現(xiàn)模型上或者架構(gòu)上的根本性變革？我們應(yīng)該期待哪一種變革先行到來？

　　通常來說，全新的計算模型會先出現(xiàn)于全新的計算機(jī)架構(gòu)，因?yàn)榭萍际凡粩嘀匮葜�這樣的發(fā)展規(guī)律：原理的發(fā)現(xiàn)先于系統(tǒng)的設(shè)計。而另一方面，科學(xué)史中也有不計其數(shù)的慘痛教訓(xùn)表明，我們在通過反向工程自下而上地理解物理系統(tǒng)的數(shù)學(xué)模型時是多么的盲目。畢竟，圖靈的計算模型幾乎比馮·諾依曼的計算機(jī)架構(gòu)早出現(xiàn)十年。

　　鑒于大腦可能是宇宙中最復(fù)雜的物理系統(tǒng)，我們在對大腦進(jìn)行反向工程時勢必會處于最盲目的狀態(tài)。這種盲目已經(jīng)成為人工智能歷史上種種「無法兌現(xiàn)的承諾」的罪魁禍?zhǔn)�。而對這種盲目的無視正在將人工智能和腦科學(xué)置于另外一場本末倒置的危機(jī)中。歐盟腦計劃和美國腦計劃這類項目建立了開放式的合作機(jī)制來收集海量全面的大腦數(shù)據(jù)，但缺乏對等的合作機(jī)制來探究統(tǒng)一基本的大腦理論。一些神經(jīng)形態(tài)芯片項目，無論是IBM的TrueNorth還是高通的Zeroth，雖然都聲稱已經(jīng)成功開發(fā)出了非馮·諾依曼的新型計算機(jī)架構(gòu)，然而就背后對應(yīng)的非圖靈機(jī)的新型計算模型，仍無頭緒。

　　為什么如此多聰明的頭腦和資源豐富的機(jī)構(gòu)在期待一場顛覆式的「革命」，但同時卻在行動中轉(zhuǎn)向了一次循序漸進(jìn)的「演變」呢？我對上述事項的觀察結(jié)論是，問題的癥結(jié)在于人工智能和腦科學(xué)領(lǐng)域用于引導(dǎo)漸進(jìn)式發(fā)展的基準(zhǔn)并不適用于啟發(fā)革命性突破�！秆葑儭顾�需的基準(zhǔn)衡量的是新的結(jié)果是否比以前更好，但「革命」所需的基準(zhǔn)衡量的是新的結(jié)果是否離目標(biāo)更近。比過去更好往往并不一定意味著離目標(biāo)更近。工程師文化中對于漸進(jìn)式改良和立即可用的偏好產(chǎn)生了許多非常有效的基準(zhǔn)來引導(dǎo)漸進(jìn)式發(fā)展，比如計算機(jī)視覺領(lǐng)域中的ImageNet。 但是工程師思維的盛行令人工智能與腦科學(xué)的發(fā)展更加受制于對反向工程致命缺陷的忽視，正在阻礙著革命性突破的到來。如同以「演變」的檔位駕車行駛在「革命」的高速公路上，雖然我們一直在前行，但慢車速會讓我們被迫從快車道切換到慢車道，在不知不覺中漸漸駛出「革命」的高速公路。雖然提出「革命」所需的基準(zhǔn)是一項困難重重的挑戰(zhàn)，但我們能從生物大腦和現(xiàn)代計算機(jī)的對比中發(fā)現(xiàn)一些原則性線索。

　　四條線索

　　第一條線索是生物大腦和現(xiàn)代計算機(jī)所處理的是不同類型的信息。從有302個神經(jīng)元的秀麗隱桿線蟲到擁有1000億個神經(jīng)元的智人， 生物大腦處理的是由各種感官傳感器收集的感知信息。從智能手機(jī)到超級計算機(jī)， 現(xiàn)代計算機(jī)處理的是由程序員定義的符號信息。處理感知信息對大腦來說極其容易，但對現(xiàn)代計算機(jī)來說卻異常困難。相反，處理符號信息對大腦來說相對困難，但對現(xiàn)代計算機(jī)來說卻是小菜一碟。這與被認(rèn)為是人工智能迄今最重要的觀察—莫拉維克悖論相一致。即便大腦和圖靈機(jī)都是通用計算模型，但是它們在本質(zhì)上是處理不同類型信息的不同模型。

　　第二條線索是大腦和現(xiàn)代計算機(jī)有著截然不同的功耗與表現(xiàn)之間的動態(tài)關(guān)系。在處理感知信息方面，大腦的表現(xiàn)和功耗都要優(yōu)于現(xiàn)代計算機(jī)多個數(shù)量級。對于大腦而言，功耗和算法表現(xiàn)存在著亞線性的動態(tài)關(guān)系，即大幅提升算法表現(xiàn)只需增加少量功耗。但對于現(xiàn)代計算機(jī)而言，功耗和算法表現(xiàn)卻存在著超線性的動態(tài)關(guān)系，即略微提升算法表現(xiàn)需要增加大量功耗。 即便像IBMTrueNorth那樣的神經(jīng)形態(tài)架構(gòu)能夠達(dá)到大腦級別的功耗水平，或像FacebookDeepFace那樣的神經(jīng)網(wǎng)絡(luò)模型能夠達(dá)到大腦級別的表現(xiàn)水平，但它們沒有實(shí)現(xiàn)功耗與表現(xiàn)之間的亞線性動態(tài)關(guān)系，因此并非突破性進(jìn)展。

　　第三條線索是大腦和現(xiàn)代計算機(jī)有著不同的信息處理與信息存儲之間的關(guān)系。就大腦而言，信息的處理與存儲不可分割，大腦的每一個計算單元在信息處理和存儲中都發(fā)揮著同等作用。相較之下，就現(xiàn)代計算機(jī)而言，信息的處理與存儲相互分離，一些計算單元負(fù)責(zé)信息處理，其他計算單元負(fù)責(zé)信息存儲。即便一個新的計算機(jī)架構(gòu)（例如IBM TrueNorth芯片）極大縮小了信息處理單元與存儲單元之間的距離，但只要信息處理和存儲依然是分離的，那么這與馮·諾依曼架構(gòu)并無本質(zhì)區(qū)別。

　　傳感器和感知信息的指數(shù)級增長正在加速從符號計算到感知計算的范式革命。但一個不容忽略的事實(shí)是，生物感知計算機(jī)已經(jīng)存在了數(shù)億年之久，而第一臺符號計算機(jī)則出現(xiàn)在70年前�？茖W(xué)的發(fā)展史表明，許多顯著的復(fù)雜系統(tǒng)實(shí)際上都是被一些相對簡單的通用定律所支配，現(xiàn)代計算機(jī)就是一個范例。因此，第四條線索是感知計算機(jī)的計算模型必須要像圖靈機(jī)一樣簡潔通用。否則，相對于由大量電力驅(qū)動的人工符號計算機(jī)，生物感知「計算機(jī)」不可能在一個能量相對匱乏并且供應(yīng)不穩(wěn)定的真實(shí)世界里繁榮發(fā)展并延續(xù)至今。

　　通過對大腦進(jìn)行自下而上的反向工程以試圖破解大腦的計算模型在理論上是可能的，但實(shí)際上未必可行。因?yàn)樵谄瘘c(diǎn)的毫無頭緒令我們極易渾然不知地選錯方向，而在途中的各種發(fā)現(xiàn)帶來的自我肯定令我們更難察覺起初方向上的錯誤， 直到盡頭時，現(xiàn)實(shí)與預(yù)期之間的巨大反差令我們難以在耗費(fèi)大量時間和資源后從頭再來。但是從以上四條線索我們可以按圖索驥，建立一個新的基準(zhǔn)來指導(dǎo)我們以自上而下的方式探求大腦背后的通用計算模型，即感知計算的「圖靈機(jī)」：大腦使用0和1來表達(dá)通過物理傳感器收集來的信息，現(xiàn)代計算機(jī)使用0和1來表達(dá)由人類自由定義的信息。兩段分別由大腦和現(xiàn)代計算機(jī)生成的擁有完全相同的01組合的二進(jìn)制代碼，卻表達(dá)著截然不同的信息。大腦生成每一個比特的信息都有著特定的物理維度，而現(xiàn)代計算機(jī)生成每一個比特的信息則沒有這樣的維度。圖靈機(jī)定義的符號計算從一開始就假設(shè)每一個比特本身沒有任何信息維度，因此大腦的感知計算模型必然超越了「圖靈機(jī)」。

　　等待下一個「圖靈」

　　對于我們現(xiàn)在所關(guān)心的深度學(xué)習(xí)模型和神經(jīng)形態(tài)芯片來說，我們處在下一個阿蘭·圖靈出現(xiàn)之前百家爭鳴的階段。神經(jīng)形態(tài)計算領(lǐng)域一直被歐洲研究者取得的成就所主導(dǎo)。我在歐洲的觀察也表明，這里比全世界其他任何地方都準(zhǔn)備好了實(shí)現(xiàn)非圖靈計算模型的突破，因?yàn)闅W洲的領(lǐng)航者們已經(jīng)建立了完備的用于測試下一代神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)設(shè)施：Steve Furber，當(dāng)今智能手機(jī)芯片所采用的ARM架構(gòu)之父，在曼徹斯特大學(xué)已經(jīng)建成了世界上第一個專門用于測試下一代神經(jīng)網(wǎng)絡(luò)功能屬性的數(shù)字「風(fēng)洞」設(shè)施 SpiNNaker ；Giacomo Indiveri， 在全球類腦計算中心蘇黎世大學(xué)已經(jīng)建成世界最先進(jìn)的用于測試神經(jīng)網(wǎng)絡(luò)物理屬性的模擬「風(fēng)洞」設(shè)施ROLLS。

　　正在極速增長的對人工智能普世應(yīng)用的龐大需求， 使人工智能學(xué)術(shù)界與產(chǎn)業(yè)界正在以過去無法想象的速度融合，令人工智能的科學(xué)價值與應(yīng)用價值正在以前所未有的方式統(tǒng)一。因此，神經(jīng)網(wǎng)絡(luò)計算模型的突破將會為全人類的生活來帶來質(zhì)的飛躍。我們雖然無法預(yù)測何時何地會出現(xiàn)下一個「圖靈」，但我們一定能夠共創(chuàng)最優(yōu)的生態(tài)系統(tǒng)來吸引下一個「圖靈」。