最高精度“線蟲大腦”，它來了。
這顆「大腦」所模擬的是秀麗隱桿線蟲的全生物神經系統。
(註：秀麗隱桿線蟲是“最簡單的生命智能體”，擁有302個神經元)
這一次，國內的學者不僅把秀麗線蟲全部的神經元網絡還原了出來，更是細到了它們的亞細胞級連結關係。
據了解，它的精細程度已經達到了當前已知的最高水平：
此前，一項研究對單一生物神經元的計算複雜度進行了研究，文章指出，一個深度神經網路需要5 到8 層互聯神經元才能表徵單一生物神經元的複雜度。
而透過這樣的精細構建的“大腦”，已可以讓這只“智能線蟲”完成動態蠕動前行。
這，便是來自北京智源人工智慧研究院的最新研究成果，背後的「利器」則是天演計畫。
而且這隻「智慧線蟲」——天寶(MetaWorm)1.0的誕生，不僅僅是生命模擬精度上的一次突破，根據研究團隊的介紹：
#這是邁出人造智慧生命關鍵一步。
這次大腦選擇的秀麗隱桿線蟲，可以說是「擁有神經系統的最簡單生物之一」——
它既具有完整的神經系統，感知逃逸覓食交配都能完成，整體結構又非常簡單，成蟲只有大約1000多個個體細胞。
就是這隻長約1mm的透明小生物，已經是科學研究界的“常客”，近20年來有三次諾貝爾獎都與它有關。
對於神經科學家來說，秀麗隱桿線蟲的神經系統已經被完整破解，即時圖譜也登上了當年的Nature封面，非常適合用來研究並模擬「腦迴路」。
△雌雄同體，共有302個神經細胞
更重要的是，線蟲體內存在的乙醯膽鹼、多巴胺等神經傳導物質，在哺乳動物體內也同樣存在。
研究它的神經系統，對於研究人類神經系統的調控機制也有重要作用。
但研究結構是一回事，用電腦建模又是另一回事了。
要知道，模擬一個生物的神經元可不是簡單地像卷積那樣，做個線性變換就完事，它所模擬的(如細胞間)物質交換、神經元間動作電位的產生和傳導等行為非常複雜。
例如，只是突觸之間遞質的傳遞，就涉及數量、速度、濃度、逆流、方向等多個參數，用數學模型來計算模擬還會更加複雜。
即便模擬出了完整的神經系統，如何用電腦模擬出接近真實環境的“賽博空間”，並在其中訓練“智能線蟲”模型，又是另一大研究困難。
先前，雖然已經有不少團隊在進行線蟲模擬方面的研究，但無論是精度、還是模擬環境都與現實有一定差距，就像我們常見的仿生機器魚遠達不到魚的精度一樣。
這次，天演團隊成功建模出了最高精度的智慧“賽博線蟲”，實現了讓它在3D流體模擬環境下動態蠕動前行、並具備簡單趨利避害的能力。
那麼，這隻「智慧線蟲」究竟長啥樣?
首先，團隊利用大量公式和模型，建模出線蟲的「電子神經元」。
使用到的模型主要有三種：多種離子通道模型、Hodgkin-Huxley模型和多艙室(多房室)模型(Multi-compartment Model)。
其中，多種離子通道模型顧名思義，用於模擬細胞膜上的各種離子通道，天寶1.0模型使用了14種離子通道;
Hodgkin-Huxley模型(HH模型) ，能將神經元的每個部分模擬成不同的電路元件;
△HH模型示例，图片来源于维基百科—真·生物是一台精密的电子仪器
多舱室模型，将神经元视为一个系统，按动力学特点分为若干个舱室，每个舱室所包含的离子通道数目也各不相同。
△图片来源于江小芳, 刘深泉, 张煦晨著论文《中等多棘神经元的多房室模型分析》
这三种模型组合起来，就能将神经元的构造、神经元细胞膜上动作电位和梯度电位的形成与传导、以及物质在各机体部分间传导的速率模拟出来。
施工完成后的这只“智能线虫”，精细建模了秀丽隐杆线虫(雌雄同体)的302个神经元、以及这些神经元之间的数千个连接，使用了14种离子通道，细节达到了亚细胞级别。
线虫的302个神经元分为感官神经元、中间神经元和运动神经元等，在这其中，团队又针对106个感知和运动神经元进行了高精度建模，高度拟合了它们的电生理动力学。
统计下来，单个神经元最多舱室(compartment)数2313个，最少10个。302个神经元平均每个52个舱室。神经元之间的突触连接精细到神经突(树突、轴突)的水平：
然后，团队构造了一个3D流体动态仿真环境，让线虫在接近真实的场景下运动起来。
注意，模拟环境这一步尤为重要，它是研究线虫如何自适应微观环境运动方式的关键步骤。
线虫建模精细到亚细胞(微米级别)后，物理定律的尺度都缩小了，摩擦力与粘滞力的作用要比重力大上几个数量级。
在这种情况下，线虫还能自如地吃饭喝水供能，与其和环境交互的巧妙方式密不可分。
因此，天演团队结合计算神经学、运动力学、图形学等多学科交叉，为智能线虫“天宝”构造了逼真的线虫肌肉和身体软体模型，建立了更适合人工智能体训练的流体仿真环境。
具体来说，这个环境框架由包含三维建模、有限元求解、简化流体模型、强化学习、可视化等多个模块，能最大程度上模拟线虫与环境的交互方式。
相比目前国际领先的OpenWorm线虫仿真项目，天演团队的流体仿真环境规模更大，也更适合作为生命体的多体/群体智能行为仿真环境、完成智各种能体学习训练复杂任务等。
最后，团队将线虫模型放到仿真环境中，完成了初步训练。
这些都是未来天演平台的组成部分。具体来说，这是一个还在建造中的多GPU集群平台，可用于高精度、大规模生物神经元的模拟。
在场景尺度超过1300个线虫身长的仿真环境下，团队现在已经初步训练出了能够根据环境化学信号分布自主行动的“智能线虫”，而这一场景也能支持更大空间和多线虫群体仿真。
据团队表示，“智能线虫”模型能够高效、精准地计算与流体环境相互作用的规律，在相同计算资源下，单线虫单次仿真时间小于0.1秒。
下一阶段，天演团队计划让这只“赛博线虫”实现避障、觅食等更复杂的智能任务。
事实上，类脑智能研究一直是个全球性课题。
国际上，包括欧盟脑计划支持的Blue Brain项目、美国脑计划等都在进行类脑研究;科技巨头如谷歌，近5年一直在发布脑图谱、脑工具;高校研究机构如MIT，用19个线虫模拟神经元实现了自动驾驶控制……
然而，单从类脑研究来看，各团队的研究方向却有很大不同，甚至有相当一部分团队藉由先设计芯片、再设计算法的方式来实现类脑计算。
但这样的研究，反而会被芯片等硬件约束了算法的设计与实现，最终与实现类脑智能的目标相距甚远。
相较之，天演团队选择从实现AI的角度，去研究并实现类脑智能。
但即便如此，费尽心力建模一个线虫大脑，真的有意义吗?
若是用一句话来概括这个问题，那便是：
这是迈出人造智能生命的关键一步。
自人工智慧誕生以來，把“機器打造得像人一樣”，便成為了研究人員一直努力研發的方向。
然而隨著時間的推移，即使到了現今以深度學習為主的發展階段，人工智慧還是沒有達到真正意義上的智慧程度。
即使是像2016年AlphaGo轟動世界的那場圍棋比賽，也只是刷新了人們對於人工智慧的認知。
但也正如CMU教授Hans Moravec所述：
要讓電腦像成年人一樣下棋是相對容易的;但是要讓電腦擁有一歲小孩層次的感知和行動能力，卻是相當困難，甚至是不可能的。
那麼，問題到底出在了哪裡?
在2016年的時候，智源研究院院長黃鐵軍就給過答案。
他認為，深度學習本質上依賴人工神經網絡，而生物的智能所依賴的是生物神經網絡。
其中，人工神經網路更接近“實現功能”，而生物神經網路模擬的則是“實現功能的結構”，二者在“體積”上便不是一個級別的，後者明顯龐大得多，也更重要——
因為結構決定功能，而生物神經網路才是智慧的載體。
因此，黃鐵軍基於這種情況下所提出的「解法」是：
從腦機理模擬的角度出發。
簡單來說，就是要去探索生腦大腦內部的“運作模式”，這才是通往通用人工智慧的途徑之一。
無獨有偶，在更早的2009年，瑞士洛桑聯邦理工學院的Henry Markram教授也提出過類似的觀點。
當時他宣布了一個計畫——將在理解大腦結構的基礎之上，用超級電腦建立大腦模型。
這項計畫後來得到了歐盟的大力支持和關注，因為這種方式的意義不僅是理解人類大腦智慧的本身，甚至還可能為腦疾病找到別樣的治療方法。
但問題也接踵而至，要模擬人類整個大腦神經網絡，靠電腦是相當困難的。
這不僅是因為計算模擬的複雜度，更是因為生物腦本身的複雜度。
畢竟人類大腦的含有神經元數量高達1011，其所需的計算量和成本可見一斑。
而人類實際上透過大腦去做推理、創作等一系列行為時，所消耗的功耗僅為20-25瓦。
也就是說生物大腦具備了「高智慧」、「低功耗」的特性。
這也就是為什麼說研究生物大腦，是通往通用人工智慧最佳藍本的原因所在了。
而且這種訊號也已經開始浮現。
例如2021年發表於頂刊NEURON上的Single Cortical Neurons as Deep Artificial Neural
Networks研究顯示－
一個深度神經網路需要5到8層互聯神經元才能表徵單一生物神經元的複雜度。
這也證明了單一神經元所具備的計算力之強，所以若是能夠對單一神經元做非常精細化的刻畫，便可更加逼近生物處理訊息的複雜過程。
但更精細地模擬生物大腦的意義還遠不止於此。
目前人類在大腦方面仍存在許多較為棘手的疾病，例如阿茲海默症、憂鬱症和腦損傷等。
研究各種腦疾病的過程更是消耗巨大人力和物力的過程，若是能夠精細地模擬具備生物性質的大腦，那麼或許會在解決方案上提供另一種可能性。
……
總而言之，更好地模擬和認識大腦，是在認識大腦本身的同時，也是在重視人類自己。
以上是這隻線蟲不簡單！大腦被高精度還原，可動態蠕動前行的詳細內容。更多資訊請關注PHP中文網其他相關文章！
