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，旨在推進服務于人類的深度學習、類腦工程和智能機器人領域的科技突破與應用轉(zhuǎn)化。作為一位跨領域科學家，Bragi 在美國紐約大學和卡耐基梅隆大學期間為了發(fā)現(xiàn)制約人工智能發(fā)展的根本問題，設計了一套重新改造計算機科學基礎的綜合性研究項目。Bragi 和他的聯(lián)合創(chuàng)始人Idonae Lovetrue正在帶領一支全球最頂尖的專家團隊測試實現(xiàn)下一代人工智能的感知計算「圖靈機」。
阿蘭·圖靈堅稱人腦和現(xiàn)代計算機有著相同的計算模型，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(xiàn)代計算機的體系結(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)了廣泛關注。科學界和工業(yè)界啟動了一系列先進項目打造硅基大腦，希望能夠賦予下一代智能機器（無人機、機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)科學家與計算機科學家召集在了一起——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。
計算機是表達和處理信息的機器。自現(xiàn)代計算機出現(xiàn)以來，腦科學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(xiàn)代計算機的兩位奠基者卻在「大腦在本質(zhì)上是不是現(xiàn)代計算機」這一議題上存在著分歧：阿蘭·圖靈堅稱大腦和現(xiàn)代計算機有著相同的計算模型，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(xiàn)代計算機的體系結(jié)構(gòu)，即「馮·諾依曼架構(gòu)」。
深度學習和神經(jīng)形態(tài)工程學是腦科學與人工智能目標交叉融合的絕佳典范。在深度學習和神經(jīng)形態(tài)工程學界有著廣泛的共識——理解大腦的工作原理和建造類腦計算機都需要在保留「圖靈機」的基礎上徹底改變「馮·諾依曼架構(gòu)」。
但是，這種觀點是站不住腳的，原因在于：計算機架構(gòu)只是計算模型的物理實施方案，而計算模型本質(zhì)上是一種數(shù)學構(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)于全新的計算機架構(gòu)，因為科技史不斷重演著這樣的發(fā)展規(guī)律：原理的發(fā)現(xiàn)先于系統(tǒng)的設計。而另一方面，科學史中也有不計其數(shù)的慘痛教訓表明，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·諾依曼的計算機架構(gòu)早出現(xiàn)十年。
鑒于大腦可能是宇宙中最復雜的物理系統(tǒng)，我們在對大腦進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」的罪魁禍首。而對這種盲目的無視正在將人工智能和腦科學置于另外一場本末倒置的危機中。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制來收集海量全面的大腦數(shù)據(jù)，但缺乏對等的合作機制來探究統(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架構(gòu)，然而就背后對應的非圖靈機的新型計算模型，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領域用于引導漸進式發(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(jié)果是否比以前更好，但「革命」所需的基準衡量的是新的結(jié)果是否離目標更近。比過去更好往往并不一定意味著離目標更近。工程師文化中對于漸進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引導漸進式發(fā)展，比如計算機視覺領域中的ImageNet。 但是工程師思維的盛行令人工智能與腦科學的發(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。從智能手機到超級計算機， 現(xiàn)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說極其容易，但對現(xiàn)代計算機來說卻異常困難。相反，處理符號信息對大腦來說相對困難，但對現(xiàn)代計算機來說卻是小菜一碟。這與被認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)代計算機有著截然不同的功耗與表現(xiàn)之間的動態(tài)關系。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)代計算機而言，功耗和算法表現(xiàn)卻存在著超線性的動態(tài)關系，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)能夠達到大腦級別的功耗水平，或像FacebookDeepFace那樣的神經(jīng)網(wǎng)絡模型能夠達到大腦級別的表現(xiàn)水平，但它們沒有實現(xiàn)功耗與表現(xiàn)之間的亞線性動態(tài)關系，因此并非突破性進展。
第三條線索是大腦和現(xiàn)代計算機有著不同的信息處理與信息存儲之間的關系。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。即便一個新的計算機架構(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是，生物感知計算機已經(jīng)存在了數(shù)億年之久，而第一臺符號計算機則出現(xiàn)在70年前�？茖W的發(fā)展史表明，許多顯著的復雜系統(tǒng)實際上都是被一些相對簡單的通用定律所支配，現(xiàn)代計算機就是一個范例。因此，第四條線索是感知計算機的計算模型必須要像圖靈機一樣簡潔通用。否則，相對于由大量電力驅(qū)動的人工符號計算機，生物感知「計算機」不可能在一個能量相對匱乏并且供應不穩(wěn)定的真實世界里繁榮發(fā)展并延續(xù)至今。
通過對大腦進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，但實際上未必可行。因為在起點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)實與預期之間的巨大反差令我們難以在耗費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，建立一個新的基準來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來表達通過物理傳感器收集來的信息，現(xiàn)代計算機使用0和1來表達由人類自由定義的信息。兩段分別由大腦和現(xiàn)代計算機生成的擁有完全相同的01組合的二進制代碼，卻表達著截然不同的信息。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)代計算機生成每一個比特的信息則沒有這樣的維度。圖靈機定義的符號計算從一開始就假設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」。
等待下一個「圖靈」
對于我們現(xiàn)在所關心的深度學習模型和神經(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)計算領域一直被歐洲研究者取得的成就所主導。我在歐洲的觀察也表明，這里比全世界其他任何地方都準備好了實現(xiàn)非圖靈計算模型的突破，因為歐洲的領航者們已經(jīng)建立了完備的用于測試下一代神經(jīng)網(wǎng)絡模型的基礎設施：Steve Furber，當今智能手機芯片所采用的ARM架構(gòu)之父，在曼徹斯特大學已經(jīng)建成了世界上第一個專門用于測試下一代神經(jīng)網(wǎng)絡功能屬性的數(shù)字「風洞」設施 SpiNNaker ；Giacomo Indiveri， 在全球類腦計算中心蘇黎世大學已經(jīng)建成世界最先進的用于測試神經(jīng)網(wǎng)絡物理屬性的模擬「風洞」設施ROLLS。
正在極速增長的對人工智能普世應用的龐大需求， 使人工智能學術界與產(chǎn)業(yè)界正在以過去無法想象的速度融合，令人工智能的科學價值與應用價值正在以前所未有的方式統(tǒng)一。因此，神經(jīng)網(wǎng)絡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」。
