本文為機器之心（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(xiě)了這篇文章。翻譯由機器之心完成。
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(lèi)的深度學(xué)習、類(lèi)腦工程和智能機器人領(lǐng)域的科技突破與應用轉化。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)現制約人工智能發(fā)展的根本問(wèn)題，設計了一套重新改造計算機科學(xué)基礎的綜合性研究項目。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(zhuān)家團隊測試實(shí)現下一代人工智能的感知計算「圖靈機」。
阿蘭·圖靈堅稱(chēng)人腦和現代計算機有著(zhù)相同的計算模型，即「圖靈機」。然而，約翰·馮·諾依曼認為大腦在本質(zhì)上不同于現代計算機的體系結構，即「馮·諾依曼架構」。如果他們不可能都正確呢？
近期，類(lèi)腦芯片的話(huà)題在全球引發(fā)了廣泛關(guān)注。科學(xué)界和工業(yè)界啟動(dòng)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器（無(wú)人機、機器人和自動(dòng)駕駛汽車(chē)等）真正像人一樣的智能。大規模協(xié)作將神經(jīng)系統科學(xué)家與計算機科學(xué)家召集在了一起——比如歐盟的人類(lèi)腦計劃(HBP)，DARPA資助的SYNAPSE項目（譯者注：DARPA和IBM合作的類(lèi)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(zhù)我們的想象力。
在最近參加兩次相關(guān)峰會(huì )——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(zhù)正確的方向邁進(jìn)。
計算機是表達和處理信息的機器。自現代計算機出現以來(lái)，腦科學(xué)的目標就是理解大腦作為計算機是如何工作的，而人工智能的目標是建造出像大腦一樣的計算機。但是，現代計算機的兩位奠基者卻在「大腦在本質(zhì)上是不是現代計算機」這一議題上存在著(zhù)分歧：阿蘭·圖靈堅稱(chēng)大腦和現代計算機有著(zhù)相同的計算模型，即「圖靈機」，然而，約翰·馮·諾依曼認為大腦在本質(zhì)上不同于現代計算機的體系結構，即「馮·諾依曼架構」。
深度學(xué)習和神經(jīng)形態(tài)工程學(xué)是腦科學(xué)與人工智能目標交叉融合的絕佳典范。在深度學(xué)習和神經(jīng)形態(tài)工程學(xué)界有著(zhù)廣泛的共識——理解大腦的工作原理和建造類(lèi)腦計算機都需要在保留「圖靈機」的基礎上徹底改變「馮·諾依曼架構」。
但是，這種觀(guān)點(diǎn)是站不住腳的，原因在于：計算機架構只是計算模型的物理實(shí)施方案，而計算模型本質(zhì)上是一種數學(xué)構建。因此，要真正改變馮·諾依曼計算架構， 就必然要改變圖靈計算模型。那么什么時(shí)候會(huì )出現模型上或者架構上的根本性變革？我們應該期待哪一種變革先行到來(lái)？
通常來(lái)說(shuō)，全新的計算模型會(huì )先出現于全新的計算機架構，因為科技史不斷重演著(zhù)這樣的發(fā)展規律：原理的發(fā)現先于系統的設計。而另一方面，科學(xué)史中也有不計其數的慘痛教訓表明，我們在通過(guò)反向工程自下而上地理解物理系統的數學(xué)模型時(shí)是多么的盲目。畢竟，圖靈的計算模型幾乎比馮·諾依曼的計算機架構早出現十年。
鑒于大腦可能是宇宙中最復雜的物理系統，我們在對大腦進(jìn)行反向工程時(shí)勢必會(huì )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(wú)法兌現的承諾」的罪魁禍首。而對這種盲目的無(wú)視正在將人工智能和腦科學(xué)置于另外一場(chǎng)本末倒置的危機中。歐盟腦計劃和美國腦計劃這類(lèi)項目建立了開(kāi)放式的合作機制來(lái)收集海量全面的大腦數據，但缺乏對等的合作機制來(lái)探究統一基本的大腦理論。一些神經(jīng)形態(tài)芯片項目，無(wú)論是IBM的TrueNorth還是高通的Zeroth，雖然都聲稱(chēng)已經(jīng)成功開(kāi)發(fā)出了非馮·諾依曼的新型計算機架構，然而就背后對應的非圖靈機的新型計算模型，仍無(wú)頭緒。
為什么如此多聰明的頭腦和資源豐富的機構在期待一場(chǎng)顛覆式的「革命」，但同時(shí)卻在行動(dòng)中轉向了一次循序漸進(jìn)的「演變」呢？我對上述事項的觀(guān)察結論是，問(wèn)題的癥結在于人工智能和腦科學(xué)領(lǐng)域用于引導漸進(jìn)式發(fā)展的基準并不適用于啟發(fā)革命性突破。「演變」所需的基準衡量的是新的結果是否比以前更好，但「革命」所需的基準衡量的是新的結果是否離目標更近。比過(guò)去更好往往并不一定意味著(zhù)離目標更近。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來(lái)引導漸進(jìn)式發(fā)展，比如計算機視覺(jué)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(zhù)革命性突破的到來(lái)。如同以「演變」的檔位駕車(chē)行駛在「革命」的高速公路上，雖然我們一直在前行，但慢車(chē)速會(huì )讓我們被迫從快車(chē)道切換到慢車(chē)道，在不知不覺(jué)中漸漸駛出「革命」的高速公路。雖然提出「革命」所需的基準是一項困難重重的挑戰，但我們能從生物大腦和現代計算機的對比中發(fā)現一些原則性線(xiàn)索。
四條線(xiàn)索
第一條線(xiàn)索是生物大腦和現代計算機所處理的是不同類(lèi)型的信息。從有302個(gè)神經(jīng)元的秀麗隱桿線(xiàn)蟲(chóng)到擁有1000億個(gè)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。從智能手機到超級計算機， 現代計算機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(lái)說(shuō)極其容易，但對現代計算機來(lái)說(shuō)卻異常困難。相反，處理符號信息對大腦來(lái)說(shuō)相對困難，但對現代計算機來(lái)說(shuō)卻是小菜一碟。這與被認為是人工智能迄今最重要的觀(guān)察—莫拉維克悖論相一致。即便大腦和圖靈機都是通用計算模型，但是它們在本質(zhì)上是處理不同類(lèi)型信息的不同模型。
第二條線(xiàn)索是大腦和現代計算機有著(zhù)截然不同的功耗與表現之間的動(dòng)態(tài)關(guān)系。在處理感知信息方面，大腦的表現和功耗都要優(yōu)于現代計算機多個(gè)數量級。對于大腦而言，功耗和算法表現存在著(zhù)亞線(xiàn)性的動(dòng)態(tài)關(guān)系，即大幅提升算法表現只需增加少量功耗。但對于現代計算機而言，功耗和算法表現卻存在著(zhù)超線(xiàn)性的動(dòng)態(tài)關(guān)系，即略微提升算法表現需要增加大量功耗。 即便像IBMTrueNorth那樣的神經(jīng)形態(tài)架構能夠達到大腦級別的功耗水平，或像FacebookDeepFace那樣的神經(jīng)網(wǎng)絡(luò )模型能夠達到大腦級別的表現水平，但它們沒(méi)有實(shí)現功耗與表現之間的亞線(xiàn)性動(dòng)態(tài)關(guān)系，因此并非突破性進(jìn)展。
第三條線(xiàn)索是大腦和現代計算機有著(zhù)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(gè)計算單元在信息處理和存儲中都發(fā)揮著(zhù)同等作用。相較之下，就現代計算機而言，信息的處理與存儲相互分離，一些計算單元負責信息處理，其他計算單元負責信息存儲。即便一個(gè)新的計算機架構（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·諾依曼架構并無(wú)本質(zhì)區別。
傳感器和感知信息的指數級增長(cháng)正在加速從符號計算到感知計算的范式革命。但一個(gè)不容忽略的事實(shí)是，生物感知計算機已經(jīng)存在了數億年之久，而第一臺符號計算機則出現在70年前。科學(xué)的發(fā)展史表明，許多顯著(zhù)的復雜系統實(shí)際上都是被一些相對簡(jiǎn)單的通用定律所支配，現代計算機就是一個(gè)范例。因此，第四條線(xiàn)索是感知計算機的計算模型必須要像圖靈機一樣簡(jiǎn)潔通用。否則，相對于由大量電力驅動(dòng)的人工符號計算機，生物感知「計算機」不可能在一個(gè)能量相對匱乏并且供應不穩定的真實(shí)世界里繁榮發(fā)展并延續至今。
通過(guò)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。因為在起點(diǎn)的毫無(wú)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)現帶來(lái)的自我肯定令我們更難察覺(jué)起初方向上的錯誤， 直到盡頭時(shí)，現實(shí)與預期之間的巨大反差令我們難以在耗費大量時(shí)間和資源后從頭再來(lái)。但是從以上四條線(xiàn)索我們可以按圖索驥，建立一個(gè)新的基準來(lái)指導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」：大腦使用0和1來(lái)表達通過(guò)物理傳感器收集來(lái)的信息，現代計算機使用0和1來(lái)表達由人類(lèi)自由定義的信息。兩段分別由大腦和現代計算機生成的擁有完全相同的01組合的二進(jìn)制代碼，卻表達著(zhù)截然不同的信息。大腦生成每一個(gè)比特的信息都有著(zhù)特定的物理維度，而現代計算機生成每一個(gè)比特的信息則沒(méi)有這樣的維度。圖靈機定義的符號計算從一開(kāi)始就假設每一個(gè)比特本身沒(méi)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」。
等待下一個(gè)「圖靈」
對于我們現在所關(guān)心的深度學(xué)習模型和神經(jīng)形態(tài)芯片來(lái)說(shuō)，我們處在下一個(gè)阿蘭·圖靈出現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。我在歐洲的觀(guān)察也表明，這里比全世界其他任何地方都準備好了實(shí)現非圖靈計算模型的突破，因為歐洲的領(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 )模型的基礎設施：Steve Furber，當今智能手機芯片所采用的ARM架構之父，在曼徹斯特大學(xué)已經(jīng)建成了世界上第一個(gè)專(zhuān)門(mén)用于測試下一代神經(jīng)網(wǎng)絡(luò )功能屬性的數字「風(fēng)洞」設施 SpiNNaker ；Giacomo Indiveri， 在全球類(lèi)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」設施ROLLS。
正在極速增長(cháng)的對人工智能普世應用的龐大需求， 使人工智能學(xué)術(shù)界與產(chǎn)業(yè)界正在以過(guò)去無(wú)法想象的速度融合，令人工智能的科學(xué)價(jià)值與應用價(jià)值正在以前所未有的方式統一。因此，神經(jīng)網(wǎng)絡(luò )計算模型的突破將會(huì )為全人類(lèi)的生活來(lái)帶來(lái)質(zhì)的飛躍。我們雖然無(wú)法預測何時(shí)何地會(huì )出現下一個(gè)「圖靈」，但我們一定能夠共創(chuàng )最優(yōu)的生態(tài)系統來(lái)吸引下一個(gè)「圖靈」。
