人類大腦是如何學(xué)習(xí)的？想要全面地回答這個(gè)問題并不容易。
人腦是目前已知最復(fù)雜的神經(jīng)網(wǎng)絡(luò)，也是唯一能夠?qū)崿F(xiàn)復(fù)雜認(rèn)知功能的器官，它的神經(jīng)元多達(dá)數(shù)百億個(gè)，并且每個(gè)神經(jīng)元都與數(shù)千乃至上萬(wàn)個(gè)其他神經(jīng)元形成連接網(wǎng)絡(luò)。
盡管科學(xué)家們一直在努力探索，但迄今為止人們對(duì)大腦的功能和信號(hào)傳遞機(jī)制尚未完全明晰。
美國(guó)著名物理學(xué)家理查德·費(fèi)曼（Richard Feynman）曾說(shuō)過，“如果我不能創(chuàng)造它，我就不能理解它（If I cannot create，I do not understand）。”
為進(jìn)一步理解大腦的工作原理，復(fù)旦大學(xué)馮建峰教授團(tuán)隊(duì)構(gòu)建了一個(gè)全人腦尺度大腦模擬平臺(tái)數(shù)字孿生腦（DTB，Digital Twin Brain），首次在世界上實(shí)現(xiàn)了對(duì) 860 億神經(jīng)元和百萬(wàn)億突觸的具有生物已知結(jié)構(gòu)的模擬。
數(shù)字孿生腦是通過計(jì)算機(jī)或芯片來(lái)實(shí)現(xiàn)的虛擬大腦，它能夠幫助研究人員理解信息如何在大腦中傳播和處理的過程。
大腦在臨界點(diǎn)附近的動(dòng)態(tài)行為，被認(rèn)為是其認(rèn)知功能的關(guān)鍵時(shí)空特性，這與大模型中經(jīng)常提到的 Scaling Law（縮放定律）有“異曲同工之妙”。
研究人員發(fā)現(xiàn)，DTB 在規(guī)模與結(jié)構(gòu)方面越接近人類大腦時(shí)，其在功能上表現(xiàn)出的現(xiàn)象也更接近真實(shí)人腦的認(rèn)知功能。
當(dāng)神經(jīng)元數(shù)量達(dá)到 50 億以上規(guī)模時(shí)，會(huì)在數(shù)字孿生腦中觀察到人腦智能的涌現(xiàn)特征。
該研究有望為腦疾病的診療提供更好的策略，為生物實(shí)驗(yàn)提供平臺(tái)，以及為發(fā)展類腦 AI 提供新的工具和理念。
ARM 處理器硬件微型體系架構(gòu)原創(chuàng)者、英國(guó)曼徹斯特大學(xué)斯蒂芬·B·弗伯（Stephen B. Furber）教授對(duì)該研究評(píng)價(jià)稱：“我已經(jīng)深入了解了 DTB 團(tuán)隊(duì)的工作，他們有著很大的目標(biāo)，通過基于生物數(shù)據(jù)的全腦計(jì)算模型的模擬和整合來(lái)探索類腦智能?！?/p>
在英國(guó)倫敦大學(xué)學(xué)院卡爾·J·弗里斯頓（Karl J. Friston）教授看來(lái)，DTB 是“全球計(jì)算神經(jīng)科學(xué)和生物信息學(xué)領(lǐng)域最全面、技術(shù)原則最嚴(yán)謹(jǐn)和最重要的工作之一”。
日前，相關(guān)論文以《通過模仿大腦休息和執(zhí)行任務(wù)狀態(tài)的類腦計(jì)算：擴(kuò)展和架構(gòu)》（Imitating and exploring human brain's resting and task-performing states via resembling brain computing: scaling and architecture）為題，以期刊封面形式發(fā)表在National Science Review[1]。
復(fù)旦大學(xué)盧文聯(lián)教授是第一作者，馮建峰教授擔(dān)任通訊作者。
解決 243 萬(wàn) Gbit 每秒海量信息傳遞擁堵問題
據(jù)悉，該研究由 20 多名成員組成的交叉團(tuán)隊(duì)共同完成，包括數(shù)學(xué)、神經(jīng)科學(xué)、計(jì)算機(jī)科學(xué)等。自 2018 年底，他們開始對(duì)數(shù)字孿生腦進(jìn)行探索，整個(gè)研究經(jīng)歷了近 6 年時(shí)間。
歐盟“未來(lái)新型旗艦技術(shù)項(xiàng)目人類腦計(jì)劃”首席科學(xué)家、法國(guó)艾克斯-馬賽大學(xué)維克托·吉爾薩（Viktor Jirsa）教授指出，模擬具有 860 億個(gè)神經(jīng)元的人腦，并處理與動(dòng)力學(xué)和參數(shù)空間相關(guān)的復(fù)雜性，是數(shù)學(xué)和計(jì)算機(jī)科學(xué)本身所面臨的一個(gè)挑戰(zhàn)。
在計(jì)算科學(xué)方面，想實(shí)現(xiàn)模擬如此大規(guī)模的神經(jīng)元，首先需要解決神經(jīng)元之間通訊量的挑戰(zhàn)。據(jù)課題組估算，860 億個(gè)神經(jīng)元之間的通訊量相當(dāng)于中國(guó)所有無(wú)線通訊總量的 30 倍。
為了解決該問題，研究人員使用了 14012 張圖形處理器（GPU，Graphics Processing Unit），最大程度為計(jì)算的可靠性和準(zhǔn)確性提供保障。
通過使用高性能計(jì)算系統(tǒng)和設(shè)計(jì)優(yōu)化路由，改進(jìn)了神經(jīng)元組的分布，從而解決了 243 萬(wàn) Gbit 每秒海量信息傳遞的擁堵問題。
在數(shù)學(xué)方面，如何準(zhǔn)確地估計(jì)神經(jīng)元之間的連接權(quán)重，使得數(shù)字孿生腦的信號(hào)與人腦的信號(hào)盡可能相似，是研究中的關(guān)鍵難題之一。
英國(guó)皇家學(xué)會(huì)院士、2024 年諾貝爾物理學(xué)獎(jiǎng)得主杰弗里·辛頓（Geoffrey Hinton）此前在接受《麻省理工科技評(píng)論》采訪時(shí)曾指出，人腦的突觸參數(shù)高達(dá) 100 萬(wàn)億，比 GPT-3 的參數(shù)量（1750 億個(gè)）還高出 1000 倍 [2]。
研究人員使用數(shù)據(jù)同化方法，從有限的數(shù)據(jù)中估計(jì)出神經(jīng)元之間的連接權(quán)重。“這種方法使我們能夠?qū)?shù)字孿生腦的信號(hào)與人腦靜息態(tài)信號(hào)之間的相似度提高到 93% 以上。”馮建峰說(shuō)。
除了數(shù)學(xué)和計(jì)算科學(xué)上的挑戰(zhàn)，該研究在生物學(xué)方面也經(jīng)歷了技術(shù)攻關(guān)。在靜息狀態(tài)下，數(shù)字孿生腦與大腦活動(dòng)的高相似度是在大腦處于完全放松、不做任何事情的狀態(tài)下實(shí)現(xiàn)的。
當(dāng)要求大腦執(zhí)行具體任務(wù)，例如對(duì)某個(gè)圖像進(jìn)行評(píng)分或表達(dá)喜好時(shí)，情況會(huì)變得更復(fù)雜。
這時(shí)，大腦需要與外界環(huán)境進(jìn)行交互，接收輸入信息（如視覺圖像）。因此生物學(xué)方面的挑戰(zhàn)在于，如何將這些環(huán)境輸入有效地傳遞給數(shù)字孿生腦，使其能夠模擬人腦與環(huán)境的互動(dòng)。
馮建峰表示，這不僅要模擬大腦在靜息狀態(tài)下的活動(dòng)，還要模擬大腦在執(zhí)行具體任務(wù)時(shí)的活動(dòng)。
其涉及到大腦如何利用環(huán)境信息來(lái)執(zhí)行任務(wù)，即從“不做任何事情”到“做某件事情”的轉(zhuǎn)變，還涉及到對(duì)大腦功能更深層次的理解。
研究人員不僅整合了豐富的生物學(xué)知識(shí)，還利用課題組通過掃描技術(shù)獲得的大腦內(nèi)部連接情況的實(shí)驗(yàn)數(shù)據(jù)，以及神經(jīng)元數(shù)量等詳細(xì)信息。
他們運(yùn)用逆向工程計(jì)算方法，以確保模擬出的神經(jīng)元活動(dòng)模式能夠反映真實(shí)的大腦信號(hào)。
為發(fā)展類腦 AI 提供新工具
在全球范圍內(nèi)，虛擬腦孿生項(xiàng)目 EBRAINS 與該課題組構(gòu)建的數(shù)字孿生腦平臺(tái)類似，但前者只在宏觀的腦區(qū)水平實(shí)現(xiàn)了全腦模擬。
馮建峰表示：“我們的模型跨越了宏觀、介觀和微觀世界，實(shí)現(xiàn)了模擬包括神經(jīng)元之間的精細(xì)連接在內(nèi)的大腦復(fù)雜結(jié)構(gòu)，并達(dá)到了神經(jīng)元水平。”
數(shù)字孿生腦平臺(tái)有望在以下三個(gè)領(lǐng)域發(fā)揮重要作用，具體來(lái)說(shuō)：
第一，作為醫(yī)學(xué)平臺(tái)用于模擬各種復(fù)雜的腦疾病，如腦腫瘤、腦卒中、抑郁癥、精神分裂癥、老年癡呆癥等，從而幫助研究人員深入理解相關(guān)疾病的發(fā)病機(jī)制，并為治療方法的開發(fā)提供新思路。
馮建峰指出，通過數(shù)字孿生腦模擬患者的大腦活動(dòng)，來(lái)預(yù)測(cè)腦腫瘤的生長(zhǎng)速度，可為手術(shù)或干預(yù)的最佳時(shí)機(jī)的選擇提供依據(jù)。
據(jù)悉，目前研究人員基于數(shù)字孿生腦技術(shù)，已在 6 名抑郁癥患者的腦組織上進(jìn)行試驗(yàn)。通過對(duì)比模擬結(jié)果與實(shí)際大腦中的信號(hào)，在抑郁癥患者的腦組織中模擬信號(hào)的準(zhǔn)確性能達(dá)到 90% 以上。
第二，作為生物平臺(tái)，對(duì)斑馬魚（約 10 萬(wàn)個(gè)神經(jīng)元）、小鼠（約 7000 萬(wàn)個(gè)神經(jīng)元）、猴子（超過 60 億個(gè)神經(jīng)元）的大腦進(jìn)行模擬，從而替代部分真實(shí)的生物實(shí)驗(yàn)，減少對(duì)動(dòng)物的傷害，有望用于藥物研發(fā)等生物科學(xué)領(lǐng)域。
例如，在研究中為模擬大腦的內(nèi)感受回路，驗(yàn)證靜息狀態(tài)活動(dòng)反映內(nèi)部身體狀態(tài)的假設(shè)。研究人員發(fā)現(xiàn)，去除從初級(jí)視覺皮層到下游視覺通路的連接會(huì)顯著降低模型與生物大腦在海馬體的相似性，而對(duì)整個(gè)大腦的影響較小。
第三，作為通用人工智能平臺(tái)，為開發(fā)類腦 AI 系統(tǒng)提供重要參考。
AI 的發(fā)展在很大程度上受人腦結(jié)構(gòu)和功能研究的啟發(fā)。通過模仿大腦的工作原理，AI 技術(shù)在許多方面取得了顯著的進(jìn)步，例如神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)、深度學(xué)習(xí)算法的開發(fā)以及自然語(yǔ)言處理等領(lǐng)域。
實(shí)現(xiàn)通用人工智能是人類未來(lái)的目標(biāo)之一，如果能夠精確地模擬人腦處理信息的方式，有望通過揭示其背后的機(jī)制，指導(dǎo)人們加速發(fā)展通用人工智能。
馮建峰指出，隨著技術(shù)的發(fā)展，未來(lái)人們或許會(huì)擁有三種類型的計(jì)算機(jī)。
一種是傳統(tǒng)計(jì)算機(jī)，用于日常計(jì)算任務(wù)和數(shù)據(jù)處理；另一種是量子計(jì)算機(jī)，用來(lái)幫助加速計(jì)算；還有一種是類腦計(jì)算機(jī)，能夠幫助人類做出更加智能的決策。
終極科學(xué)夢(mèng)想：真正地理解人腦
馮建峰教授本科畢業(yè)于北京大學(xué)數(shù)學(xué)系，并在該校概率統(tǒng)計(jì)系獲得碩士和博士學(xué)位?！拔沂菍W(xué)數(shù)學(xué)出身的，后來(lái)對(duì)生物產(chǎn)生了興趣，三十多年來(lái)，我一直用數(shù)學(xué)方法研究神經(jīng)科學(xué)?！瘪T建峰表示。
他是在全球頂級(jí) AI 會(huì)議神經(jīng)信息處理系統(tǒng)大會(huì)（NeurIPS，Conference on Neural Information Processing Systems）上發(fā)表論文的首位中國(guó)學(xué)者。
1994 年，馮建峰在 NeurIPS 發(fā)表重要論文，對(duì)無(wú)監(jiān)督學(xué)習(xí)規(guī)則 Hebbian 學(xué)習(xí)進(jìn)行分析，為理解神經(jīng)網(wǎng)絡(luò)中的學(xué)習(xí)規(guī)則提供了重要的理論基礎(chǔ)。
此前，他曾在英國(guó)華威大學(xué)計(jì)算機(jī)科學(xué)系擔(dān)任講席教授。2015 年起，馮建峰擔(dān)任復(fù)旦大學(xué)類腦智能科學(xué)與技術(shù)研究院院長(zhǎng)，目前，他還擔(dān)任上海數(shù)學(xué)中心首席教授兼任復(fù)旦大學(xué)大數(shù)據(jù)學(xué)院院長(zhǎng)。
數(shù)字孿生腦平臺(tái)的開發(fā)是向理解人腦邁出重要的一步，但馮建峰也指出，“我們的模擬速度比人腦正常運(yùn)行速度慢 70 倍，因此我們?cè)谟?jì)算模擬方面還有很大的提升空間。”
未來(lái)，該課題組希望通過擴(kuò)大模擬規(guī)模和提高模擬精度，模擬超過人腦神經(jīng)元數(shù)量（例如 1000 億神經(jīng)元），探索超腦中可能出現(xiàn)的各種新現(xiàn)象，以增進(jìn)對(duì)大腦功能和智能行為的理解。
目前，研究人員也在探索利用數(shù)字孿生腦平臺(tái)對(duì)人腦過去狀態(tài)和未來(lái)可能出現(xiàn)的變化進(jìn)行模擬，從而幫助理解大腦的工作原理和發(fā)育過程。
“現(xiàn)在我們也在探索將數(shù)字孿生腦安裝在機(jī)器人上，真正地與環(huán)境發(fā)生作用的效果，以確定在自動(dòng)駕駛等工業(yè)界應(yīng)用的可能性?！瘪T建峰表示。
在該研究中另一個(gè)不可忽視的問題是，需要龐大計(jì)算資源的支持。因此，他們計(jì)劃在下個(gè)研究階段與斯蒂芬·B·弗伯（Stephen B. Furber）教授共同探索在神經(jīng)形態(tài)超級(jí)計(jì)算機(jī) SpiNNaker2 實(shí)現(xiàn)人腦模擬的可能性，硬件芯片的使用有望降低計(jì)算資源。
展望未來(lái)，該團(tuán)隊(duì)希望將數(shù)字孿生腦開放為公共平臺(tái)，讓全球的科學(xué)家都可以用起來(lái)。“腦科學(xué)是科學(xué)領(lǐng)域中最后的堡壘，而真正地理解人腦是我們的終極目標(biāo)?！瘪T建峰說(shuō)。
參考資料：
1.Lu,W. et al. Imitating and exploring human brain's resting and task-performing states via resembling brain computing: scaling and architecture.National Science Review11: 080(2024). https://doi.org/10.1093/nsr/nwae080
2.https://www.technologyreview.com/2020/11/03/1011616/ai-godfather-geoffrey-hinton-deep-learning-will-do-everything/
排版：劉雅坤、何晨龍
熱門跟貼