人工腦和仿神經(jīng)結構工程

顧凡及

復旦大學 生命科學學院，上海 200433

人工智能狂潮使人們對“人工腦”產生了極大的興趣。通過“逆向工程”，用硬件或是軟件復制出結構和功能都類似于腦(特別是人腦)的系統(tǒng)，就是人工腦。用機器忠實地拷貝人腦，是否現(xiàn)實和必要？這依然是一個有著極大爭議的問題。

1 仿神經(jīng)結構工程

美國計算機科學家米德(Carver Andress Mead)(圖1) 是大規(guī)模集成電路的先驅，他對腦是如何進行計算的深感興趣。他說道：“我對于動物視覺系統(tǒng)的機制越來越佩服。我老是對自己說：‘我永遠也想不到這一點，但是這確實是一個好主意?！盵1]他在20世紀80年代末提出了仿神經(jīng)結構工程(neuromorphic engineering)1也譯為“神經(jīng)形態(tài)工程”，不過這里實際上最重要的并非神經(jīng)組織的表觀形態(tài)，而是其構筑或結構，因此筆者建議譯為“仿神經(jīng)結構工程”。的概念[1]。最初這一概念指的是采用由模擬電路構成的超大規(guī)模集成電路(VLSI)模仿神經(jīng)結構來實現(xiàn)相應的神經(jīng)功能?，F(xiàn)在這一概念已不限于模擬電路，而可以是用模擬電路、數(shù)字電路或混合電路構成的VLSI甚至軟件系統(tǒng)來建立神經(jīng)系統(tǒng)的模型。

圖1 卡弗·安德烈斯·米德教授(引自http://quecomoquien.republica.com/ fi les/2012/01/carver-mead.jpg)

20世紀末，正是通過學習視網(wǎng)膜的神經(jīng)機制，米德指導自己的一位博士生馬霍瓦爾德(Misha Mahowald)研制出“硅視網(wǎng)膜”。馬霍瓦爾德的硅視網(wǎng)膜是一個模擬視網(wǎng)膜頭三層解剖結構(感光細胞、水平細胞和雙極細胞)和功能原理的芯片(圖2)。這一人工視網(wǎng)膜能夠產生與生物視網(wǎng)膜類似的輸出信號。之后，該實驗室開發(fā)出來的人工視網(wǎng)膜和人工耳蝸成為仿神經(jīng)結構工程在醫(yī)學上得到實際應用的第一批成果之一。他們的另一項成果是用互補型金屬氧化物半導體(CMOS)電路直接模擬離子通道，并在此基礎上構建出硬件的“硅神經(jīng)元”。這些工作成為仿神經(jīng)結構工程的發(fā)韌之作[2]。

圖2 硅視網(wǎng)膜線路的示意圖。左圖中的每一個節(jié)點都代表一個雙極細胞(其詳細線路顯示于右圖，該圖右上側的光敏元件代表感光細胞)，把節(jié)點連接起來的電阻則代表水平細胞，其作用是使相鄰的雙極細胞相互抑制，從而模仿了雙極細胞的功能。這一線路能再現(xiàn)馬赫帶(也就是在光刺激圖像明暗交界處兩側分別有一條特別亮的亮線和特別暗的暗線的知覺的現(xiàn)象)等視覺現(xiàn)象(引自http://tapec.uv.es/pardo/doctorado/visionchips/vision_chips/mahowald_mead.html)

近年來，許多大學和公司的實驗室都紛紛出資研制仿神經(jīng)結構芯片，企圖由此開發(fā)能耗小、速度快的新型信息處理裝置，甚至開發(fā)出超越馮·諾伊曼架構的新一代計算機。究其原因，這是因為人們發(fā)現(xiàn)傳統(tǒng)計算機雖然在計算和邏輯操作上遠超人腦，但是在模式識別和運動控制方面卻不如人腦。雖然現(xiàn)在通過機器學習，計算機也能執(zhí)行這些任務，但是其耗費的能量遠超人腦，速度則遠不如人腦。人腦工作消耗的能量幾乎和冰箱里的小燈泡差不多，大概只有20 W。如果采用最簡單的神經(jīng)元模型，在傳統(tǒng)計算機上用軟件計算一個其中節(jié)點數(shù)和人腦中神經(jīng)元數(shù)目相仿的神經(jīng)網(wǎng)絡，那么即使耗盡一個超大城市的全部電力也還不夠。原因在于，作為傳統(tǒng)計算機基本元件的門電路需要在兩個相差數(shù)伏的不同電平之間來回切換，需要不斷消耗能量，而生物神經(jīng)元則只有在發(fā)送脈沖的很短時間里才消耗能量。另外，在傳統(tǒng)計算機中處理單元和存儲單元是分隔開來的，需要在兩者之間不斷通信，這也需要消耗大量能量；而腦并沒有彼此分離的中央處理器和存儲器，許多處理都在當?shù)鼐徒鉀Q了。因此當計算規(guī)模非常大時，能耗和速度就成了用傳統(tǒng)計算機仿真某些腦功能時的瓶頸，更不要說具體應用了。

工程師們由此受到啟發(fā)，試圖構建由脈沖發(fā)放神經(jīng)元(這種神經(jīng)元模型的輸出和真實神經(jīng)元類似，都是一個個離散的脈沖，因此只有在輸出脈沖時才消耗能量)構造的網(wǎng)絡來實時解決模式識別和運動控制問題，甚至發(fā)展新一代計算機，這就是近年來倍受重視的仿神經(jīng)結構芯片。目前，歐美的一些大學和大公司正在競相開發(fā)，如米德以前的學生、美國斯坦福大學教授包漢(Kwabena Boahen)用硅神經(jīng)元開發(fā)的神經(jīng)網(wǎng)格超級計算機(neurogrid supercomputer)[3]，IBM公司印度裔美國科學家莫德哈(Dharmendra S. Modha)開發(fā)的“真北”(TrueNorth)系統(tǒng)[4-5]，在歐盟人腦計劃(EU Human Brain Project，EU HBP)仿神經(jīng)結構計算平臺(Neuromorphic Computing Platform)下的兩個項目：英國曼徹斯特大學的弗伯(Steve Furber)領銜的“脈沖發(fā)放神經(jīng)網(wǎng)絡構筑”(Spiking Neural Network Architecture，SpiNNaker)項目和由德國海德堡大學的邁爾(Karlheinz Meier)領銜的“仿神經(jīng)結構混合系統(tǒng)腦啟發(fā)多尺度計算”(Brain-Inspired Multiscale Computation in Neuromorphic Hybrid Systems，BrainScaleS)項目，以及英特爾公司的洛以希(Loihi)芯片，等。

這些系統(tǒng)中的神經(jīng)元數(shù)都達到了百萬級或以上，而消耗的能量要比在傳統(tǒng)計算機上仿真有同樣節(jié)點數(shù)的神經(jīng)網(wǎng)絡降低4個數(shù)量級以上。這些系統(tǒng)的共同特點是采用脈沖發(fā)放神經(jīng)元作為基本元件，并用脈沖進行通信。不過在實現(xiàn)脈沖發(fā)放神經(jīng)元方面則各顯神通，有用傳統(tǒng)數(shù)字電路、模擬電路的，也有用硅神經(jīng)元的。下面就介紹其中一個有一定代表性的項目。

2“仿神經(jīng)結構適應性可塑可擴縮電子學系統(tǒng)”計劃和“真北”系統(tǒng)

從2008年開始，美國國防部高級研究計劃局(DARPA)資助了一項稱為“仿神經(jīng)結構適應性可塑可擴縮2Scalable的意思是大小可變，這里譯為可擴縮。這是因為這種系統(tǒng)把處理單元和存儲單元放在一起，因此可以在留有通信口的情況下隨意拼接，這樣系統(tǒng)的大小就可以在兩個維度上隨意擴大或縮小。電子學系統(tǒng)”(Systems of Neuromorphic Adaptive Plastic Scalable Electronics，SyNAPSE)的計劃，這一計劃的目的是開發(fā)一種在形態(tài)、功能和結構上都類似于哺乳動物腦的認知計算機。莫德哈(圖3)領導的團隊承擔了其中的一部分。

圖3 IBM公司印度裔美國科學家莫德哈

2009年11月，莫德哈宣稱編寫了一個仿真貓腦的程序。2012年11月，他宣稱在由96臺IBM的藍基因超級計算機組成的紅杉(Sequoia)超級計算機上仿真了5 300億個神經(jīng)元和137萬億個突觸，其規(guī)模大體上和人腦相當。當然，就“神經(jīng)元”本身和相互連接的復雜性而言，都無法與人腦相比。即使如此，為了實現(xiàn)類似于人腦的某些功能，其速度僅為人腦的1/1500。如果想把速度提高到和人腦相仿，那么就要耗盡紐約市加上洛杉磯市的全部電力。

2014年，他又宣稱在硬件上開發(fā)出這樣的芯片，每塊芯片都有4 096個核。這些核進行并行分布式處理，并且不用時鐘控制，而由事件驅動。核把記憶、計算和通信整合在一起。因此，即使個別的核壞了，芯片還能繼續(xù)工作，同時也能按需要無縫擴展。圖4就是這樣的一塊電路板，其上有4×4塊芯片。這種稱為“真北”的芯片上有100萬個電子“神經(jīng)元”和2.56億個電子“突觸”，運行功率僅為70 mW，要比在傳統(tǒng)計算機上運行同樣功能少4個數(shù)量級。其速度是每秒每瓦執(zhí)行460億次突觸運算。這種芯片在實現(xiàn)模式識別等復雜功能方面比傳統(tǒng)芯片要強得多，能實時識別環(huán)境中的不同對象，如行人、騎車人、卡車、汽車、大巴等(圖5)。雖然傳統(tǒng)技術也能實現(xiàn)類似功能，但是真北系統(tǒng)的速度要快得多，而能耗則少得多。其遠期目標是建立起有100億個神經(jīng)元和100萬億個突觸的系統(tǒng)，而體積只有2 L，能耗僅為1 kW。

圖4 由16個真北芯片構成的電路板(圖片來源：維基百科)

為了方便而有效地運行這種芯片，需要開發(fā)合適的軟硬件環(huán)境，也就是所謂的“生態(tài)系統(tǒng)”(ecosystem)。應用這種系統(tǒng)，現(xiàn)在已經(jīng)可以運行深度學習和卷積網(wǎng)絡。為了推廣這種系統(tǒng)，IBM甚至成立了一所虛擬的網(wǎng)上“突觸大學”(Synapse3“突觸”這一術語的英語單詞synapse正好和“仿神經(jīng)結構適應性可塑伸縮電子學系統(tǒng)”的縮寫SyNAPSE一樣。University)進行這種新語言的編程教學。

真北系統(tǒng)最后能否成功，在一定程度上將取決于應用者是否愿意重新投資學習這種新語言進行編程，以換取提高速度和減低能耗。據(jù)2016年11月的報道，當時已有30個以上的大學和政府或公司的實驗室正在使用這種系統(tǒng)，但是這和現(xiàn)在幾乎所有實驗室和產業(yè)界都在使用的傳統(tǒng)計算機比較起來仍然只是滄海一粟。當然，造價也是一個關鍵因素。

盡管人們常常把真北系統(tǒng)稱為人工腦，但是莫德哈強調：“我們沒有建造腦，也沒有建造任何腦一樣的東西。我們所建造的只是一種受腦啟發(fā)而來的計算機。這個計算機的輸入和輸出都是脈沖。從功能上說起來，它只是把輸入脈沖的時空流變換成輸出脈沖的時空流?！彼倪@段話也適用于其他仿神經(jīng)結構芯片。不過他在另一個場合又說道：“在無機硅技術允許的范圍之內，我們力圖使系統(tǒng)盡可能接近于腦?！?/p>

3 低等動物的腦仿真

下面我們介紹在這方面以研究腦功能為主要目的的一些努力，這可以稱為人工腦(artificial brain)或是腦仿真(brain simulation)。

低等動物神經(jīng)系統(tǒng)中神經(jīng)元的數(shù)目遠比人腦要少，結構也相對簡單，其行為當然也遠沒有人那么復雜，因此以此起步也就不足為怪了。說起對低等動物神經(jīng)系統(tǒng)線路圖的研究，大概沒有比對秀麗隱桿線蟲(C. elegans)(圖6)的研究更透徹的了。這種線蟲的神經(jīng)系統(tǒng)中一共只有302個神經(jīng)元，所以還稱不上是一個腦。到1985年科學家就把它的線路圖畫清楚了，1993年就有人對此做了局部仿真，2004年后更有了不少用軟件仿真的模型。但是即使這樣“簡單”的一個神經(jīng)系統(tǒng)(其中有100多種不同的神經(jīng)元)，迄今為止我們依然解釋不清楚其種種行為的神經(jīng)機制[6]。也有人對果蠅的腦進行仿真。不過低等動物的神經(jīng)系統(tǒng)與人相去甚遠，所以更多人把這方面的研究放到像鼠這樣的哺乳動物上，其中最著名的當數(shù)在瑞士洛桑聯(lián)邦理工學院工作的南非神經(jīng)科學家馬克拉姆(Henry Markram)的藍腦計劃(Blue Brain Project，BBP)。

4 藍腦計劃[7-9]

2005年，馬克拉姆啟動了一項稱為“藍腦計劃”的研究。其目的是創(chuàng)立人工人腦，把有關人腦的一切知識，從基因組到神經(jīng)細胞膜上的離子通道結構，直到有意識的決策，都通過超級計算機仿真整合在一起。他認為這樣建立起來的模型將闡明神經(jīng)回路是如何組織起來的，行為和認知是怎樣產生的，從而徹底完善對腦的認識。

圖6 秀麗隱桿線蟲的放大圖，它的整個長度在1 mm左右(引自https://en.wikipedia.org/wiki/Caenorhabditis_elegans#/media/File:CelegansGoldsteinLabUNC.jpg)

2005年底，他們建立了一個包括各種離子通道和形態(tài)細節(jié)的神經(jīng)元模型，在這些神經(jīng)元模型中考慮了200種不同的離子通道模型、它們在細胞膜上的分布，以及神經(jīng)元的形態(tài)。2006年，他們把10 000個簡化的神經(jīng)元模型相互連接構成一個功能柱模型(一些科學家發(fā)現(xiàn)從皮層表面垂直向下所遇到的神經(jīng)元有類似的功能特性，因此他們假定這些神經(jīng)元可能組織成某種功能單元，而稱之為功能柱)。模型考慮了不同類型神經(jīng)元在新皮層柱中的分布和密度，每個神經(jīng)元又可能與好幾千個神經(jīng)元有聯(lián)系。然而由于缺乏實驗數(shù)據(jù)，具體如何連接只能是假設的。此模型能自發(fā)地涌現(xiàn)出與生物腦類似的高頻腦電，成為他們的標志性成就。這一工作的完整版本于2015年在《細胞》(Cell)雜志上正式發(fā)表：歷時20年，由國際上82位科學家合作，仿真了幼鼠體感皮層中相當于一個功能柱組織的一塊1/3 mm3大小的組織(圖7)[10]。他們也曾把100個這樣的功能柱相互連接起來。

圖7 數(shù)字重建鼠體感皮層微型回路[10]。(上)采集實驗數(shù)據(jù)。(中)從解剖結構和生理電性質上重建硅神經(jīng)細胞。(下)左圖：當令鈣離子濃度從低到高增大時，仿真結果得出網(wǎng)絡在兩種定性上不同的動力學狀態(tài)之間翻轉；右圖：由仿真結果預測的生物實驗結果

不過，他們構建人工腦的實質性的進展好像到此為止就一直踏步不前。雖然2009年他聲稱可以在3年內建立人工鼠腦，而如果能得到巨額資助的話，則可以在2023年建立起人工人腦。2012年，當他在爭取以他為首的“人腦計劃”(Human Brain Project，HBP)在歐盟的“未來和新興技術旗艦計劃(2013—2023)”立項時，他又一次重申3年內實現(xiàn)人工鼠腦，2023年實現(xiàn)人工人腦的承諾。2013年，他如愿以償獲得立項和10億歐元的資助。不過以后的進展似乎始終踏步于神經(jīng)元和功能柱的層次。兩個3年都過去了，始終未見有人工鼠腦的報道。

人腦計劃由于科學目標不現(xiàn)實、技術路線不可行、領導專橫等原因而受到許多科學家的聯(lián)名杯葛，經(jīng)過調解委員會的調解，對領導機構和計劃內容都作了根本性的改變。計劃不再提建立人工人腦，馬克拉姆本人也黯然下臺，回到藍腦計劃。雖然藍腦計劃仍堅持原來的設想，不過從報道來看似乎在人工腦方面也無多大突破。

馬克拉姆建立人工全腦的努力看來至少在現(xiàn)在并不現(xiàn)實，但是在簡化形式下模仿生物腦的機制，構建在某些功能方面類似于局部腦的機器還是有現(xiàn)實可能性的。諾貝爾獎得主、美國科學家埃德爾曼(Gerald Edelman)(圖8)的“仿腦機”(brain based devices，BBD)是這方面的一個例子。

圖8 埃德爾曼(圖片來源：維基百科)

5 仿腦機[11-12]

埃德爾曼因為在免疫學方面的成就而獲得1972年的諾貝爾生理學或醫(yī)學獎，之后他轉向腦研究，并且建立起自己的腦科學研究所，研究方向之一就是研發(fā)仿腦機。他開發(fā)了一系列仿腦機，并給這些機器起名“達爾文”，以紀念進化論和競爭選擇學說的奠基人達爾文。這些機器根據(jù)脊椎動物腦的組織結構而建立，通過經(jīng)驗進行學習。與傳統(tǒng)的機器人不同，“達爾文”系列機器是一種“選擇系統(tǒng)”，而不是“指令系統(tǒng)”，也就是說它是通過從許多不同的仿真神經(jīng)回路中進行選擇來學習的，而不是按照事先編制好的程序指令來工作的。這樣，這些機器可通過與環(huán)境的互動自行改變內部結構而學會一些復雜行為。例如，基于小腦模型結構的仿腦機采用預測控制可學會在兩側由交通錐隔離而成的路徑中穿行(圖9)。

他們開發(fā)了一系列仿腦機，這些機器與其說是為了解決實用目的，不如說是為了探索腦機制。這種機器的特點是必須在實際環(huán)境中執(zhí)行某種任務。在開始時，仿腦機中的神經(jīng)元是按照已知的解剖結構連接成回路的，但是在和環(huán)境相互作用的過程中，這些回路中的神經(jīng)元之間的連接權重會按照某種獎懲原則發(fā)生變化。對每個仿腦機來說，這種變化的模式都是獨特的，因為它們的經(jīng)歷不一樣。用仿腦機來研究這種變化的優(yōu)點是可以詳細地研究所有的神經(jīng)元、突觸和回路的活動，而這在動物實驗中是很難做到的。這也是他們開發(fā)系列仿腦機的初衷。

圖9 達爾文機在路徑中穿行。經(jīng)過幾次摸索，基于小腦模型結構的達爾文機就可自行學會在復雜的過道中行走而不碰到路邊的東西[13]

達爾文機10號(它仿真了50個不同的腦區(qū)，有9萬個神經(jīng)單元和140萬個突觸連接) 模仿了海馬及其周圍腦區(qū)50個不同區(qū)域的解剖結構，能學會在迷宮中尋找目標。

把達爾文機10號放在一個迷宮中，迷宮的墻上涂有不同寬度的色條作為視覺線索(圖10)。經(jīng)過一番探索以后，它從任何起始點都可以憑記憶和墻上的線索直接走向某個隱藏著的目標(只有當機器正好位于這個地點時它才可以接收到一個紅外線的獎勵信號，這是它在其他地點用它的“視覺系統(tǒng)”所看不到的)。這實際上是模仿著名的所謂莫里斯(Morris)水迷宮實驗：把老鼠放到一只盛滿牛奶狀液體的池子中，在液面下隱藏著一個老鼠看不到的可以安身的平臺，老鼠在亂游一氣之后，最后發(fā)現(xiàn)了這個平臺而得以站在上面休息。池子周圍的墻壁上畫有不同的標記。經(jīng)過幾次嘗試后，不論在什么地方把老鼠放入池中，它都會徑直游向平臺。但是如果破壞了老鼠的海馬，它就再也做不到這一點了。如果在完成這樣的訓練以后暗中把平臺移走，無論是達爾文機10號還是老鼠，都會在原來有平臺的地點打轉。對達爾文機10號訓練完成后，埃德爾曼可以找到驅動機器運動的神經(jīng)單位，然后追溯所有神經(jīng)單位之間相互連接的類型和強度的變化過程，結果發(fā)現(xiàn)可能有大量各不相同的路徑和回路都能最終導致這個驅動單位的活動。這就是他曾經(jīng)對神經(jīng)系統(tǒng)工作原理猜測過的“簡并”(degeneracy)，也就是說，不同的結構可以產生相同的輸出。這一研究表明他的猜測很可能是對的，但要做類似的動物實驗卻很難。

圖10 達爾文機10號在迷宮中找“看不見”的目標[12]。(左)示意圖。中間的方框表示迷宮，其右上角的圓圈表示“看不見”的目標，四周的彩色條表示在迷宮四邊墻上顯示的圖形標記；數(shù)字表示在4次實驗中，達爾文機(中心的圖標)的4個不同的出發(fā)點。(右)實際情形

仿腦機的獨特優(yōu)點就是這種腦模型能主動從和環(huán)境打交道的過程中進行學習，這克服了以往的腦模型只是被動地接受程序員外加給它的信息的根本缺點。埃德爾曼希望他的達爾文機不僅有助于闡明神經(jīng)系統(tǒng)的活動機制，而且也可以付諸實際應用。不過從現(xiàn)在的實際情況來看，盡管他的仿腦機對工程技術會有啟發(fā)，但是試圖完全拷貝腦機制解決工程問題未必實際可行?，F(xiàn)在的自動駕駛汽車并沒有采用仿腦機的路線，用的還是人工智能技術就是一個例子。不幸的是，埃德爾曼在2014年與世長辭，仿腦機研究失去了一位主要的推動者。

6 結語和思考

人工腦和仿神經(jīng)結構工程引起了人們極大的興趣，近年來一些著名大學和公司的實驗室正在競相開發(fā)各種各樣的仿神經(jīng)結構芯片，如何評價這些研究還存在著很大的爭論。這里筆者只是說一下自己的思考，供讀者參考。

從目的上來說，這些研究有兩個雖聯(lián)系密切但是依然很不相同的方向：一個方向是為了解決工程上的實際問題，向腦學習，開發(fā)新一代的智能機器和計算機，特別是在模式識別、運動控制方面做到速度快、能耗少；另一個方向則是為了認識腦的工作機制。在筆者看來，由于目的不同，其技術路線也應該大不相同。大自然并不是一位“工程師”，而是一位“修補匠”。大自然從來也不從頭設計一個系統(tǒng)，而是在進化的基礎上針對新的環(huán)境變化修修補補，只求機體能夠適應環(huán)境而得以生存延續(xù)，不求最優(yōu)。大自然并非頂層設計，也不追求元器件標準化，而是求助于多樣化，通過競爭優(yōu)勝劣汰。既然有這樣本質的不同，因此工程應用不可能也不應該照搬或者在一切細節(jié)上都拷貝腦，而應該從腦功能及其機理中尋求啟發(fā)，用工程上可行的方法來實現(xiàn)。可惜人們往往忘了或不注意這一點，盲目要求拷貝腦。

2009年，當莫德哈宣稱在計算機上仿真了一個和貓腦規(guī)模相當?shù)纳窠?jīng)網(wǎng)絡時，馬克拉姆怒氣沖沖地給IBM的首席技術官(CTO)邁耶森(Bernard Meyerson)發(fā)了封信，并抄送給許多媒體。信中聲稱：“您告訴我上次當莫德哈愚蠢地聲稱仿真了鼠腦時恨不得把這家伙倒吊起來。我以為在我們小心地進行藍腦研究以后，記者們應該能認清IBM的報道純屬欺騙，哪里有什么貓腦規(guī)模的仿真啊，他們完全被這些謊言騙倒了?！徊贿^是一些點神經(jīng)元?！绻嬎銠C足夠大，要想仿真10億個相互作用的點神經(jīng)元并不算什么事?！澜鐩]有一個合格的神經(jīng)科學家會認為這和貓腦相近?！艺嫦Ｍ幸粋€道德委員會把這個家伙倒吊起來?！逼溲赞o之激烈令人咋舌。除了競爭IBM資助這一利益驅使之外，混淆不同類型的研究也是原因之一。固然莫德哈的仿真并不能說是人工貓腦，但是說這是一個規(guī)模和貓腦相當，并用簡化神經(jīng)元構造網(wǎng)絡來解決工程問題的嘗試卻并無大錯，至少并沒有犯下應該倒吊起來的大罪。

筆者最后想對人工腦和仿神經(jīng)結構工程的前景提幾點想法。

從歐盟人腦計劃的浮沉看來，現(xiàn)在要想完全自下而上地從基因組和離子通道起始，一路往上保留生物腦的所有細節(jié)重建人工人腦，時機還不成熟。另外，即使詳盡如馬克拉姆的模型，許多重要因素因為還不清楚而無法考慮在內，如比神經(jīng)元數(shù)目還要多10倍的膠質細胞。腦還有大量的秘密尚未揭開，而不是只有某些縫隙有待填補，現(xiàn)在還沒有一個哪怕粗線條的腦理論?，F(xiàn)有計算機的高能耗也使這樣大規(guī)模的仿真不切實際。另外，這樣的思路會不會使模型陷入過多的細節(jié)，“只見樹木，不見森林”，反而看不清背后的總體規(guī)律？其實，馬克拉姆對其中的一些問題恐怕也不是完全不知道，他在2009年的藍腦計劃網(wǎng)站上就說過：“以目前和可預見的未來的計算機技術而論，看來還不大可能仿真一個精確到細胞和突觸復雜性(分子層次以上)的哺乳動物的腦?！睂τ凇澳阆嘈趴梢杂靡慌_計算機來真實地仿真人腦嗎？”他的回答是：“這個可能性很小，也沒有這個必要。要這樣做是非常困難的，因為腦中的每個分子就是一臺功能強大的計算機，而我們得仿真以百萬兆計的分子的結構和功能，還得仿真這些分子相互作用所遵循的全部規(guī)律。你至少需要比現(xiàn)在大一百萬兆倍和快一百萬兆倍的超級計算機。哺乳動物自己就能繁殖，我們無需用計算機來復制哺乳動物。這不是我的目的。我們只是想認識生物系統(tǒng)是如何工作的，又為什么會失常，這將造福于人類?！钡?012年他申請“人腦計劃”時完全改變了口氣，恐怕只是申請大基金的策略吧！

當然，筆者并不否認藍腦計劃或人腦計劃對建模和仿真方法的強調，也不否認通過這些方法把大量實驗數(shù)據(jù)跨層次地組織起來的重要性，只是這里有個“度”的問題。一般說來，層次以兩三個為宜，對更多層次的模型研究，所考慮的關鍵變量要少。過多的參數(shù)將使研究者可以得出任意他所想要的結果而失去了仿真的意義。

“仿腦機”只集中在仿真腦的某些局部，這可能更為現(xiàn)實。不過由于埃德爾曼的去世，這一工作似乎已經(jīng)陷入停頓。類似研究是否會有光明的前途值得關注。

仿神經(jīng)結構芯片已引起大公司的關注。用脈沖神經(jīng)元取代門電路作為基本單元，在降低能耗上已取得了明顯的進步。最近用真北芯片執(zhí)行深度學習的成功，也反駁了以前對仿神經(jīng)結構芯片不能實現(xiàn)認知功能的批評。不過這些芯片目前使用的只是深度學習的早期版本，精度較低。弗伯在總結仿神經(jīng)結構芯片的現(xiàn)狀時說道：“現(xiàn)在已經(jīng)做出了仿神經(jīng)結構芯片，你可以得到和使用這種芯片。但是其用戶的規(guī)模還相當小，主要是大學和產業(yè)的研究小組，而且使用它還需要相當?shù)膶I(yè)知識。目前還沒有令人信服的大眾應用實例能表明仿神經(jīng)結構技術優(yōu)于其他同類技術?！币苍S這種技術首先將在對能耗要求很高的場合找到應用，至于它能否發(fā)展成新一代計算機，則在很大程度上取決于其造價能否與傳統(tǒng)計算機競爭，特別是有多少人愿意放棄已經(jīng)駕輕就熟的傳統(tǒng)技術，而徹底改換門庭重新投資這一新技術。