最高精度「線蟲大腦」來了：蠕動前行 高精度還原大腦
最高精度「線蟲大腦」，它來了。
這顆「大腦」所模擬的是一隻秀麗隱桿線蟲的全生物神經系統。
（註：秀麗隱桿線蟲是「最簡單的生命智慧體」，擁有302個神經元）
這一次，中國的學者不僅把秀麗線蟲全部的神經元網路還原了出來，更是細到了它們的亞細胞級連接關係。
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，一項研究對單個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個生物神經元的複雜度。
而通過這樣的精細構建的「大腦」，已可以讓這隻「智慧線蟲」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」則是天演項目。
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。
最高精度大腦，是怎麼煉成的？
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。
對於神經科學家們來說，秀麗隱桿線蟲的神經系統已經被完整破解，實時圖譜還登上了當年的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，線蟲體記憶體在的乙醯膽鹼、多巴胺等神經遞質，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，僅僅是突觸之間遞質的傳遞，就涉及數量、速度、濃度、反流、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「智慧線蟲」模型，又是另一大研究難點。
此前，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」。
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都模擬成不同的電路元件；
△HH模型示例，圖片來源於維基百科—真·生物是一台精密的電子儀器
多艙室模型，將神經元視為一個系統，按動力學特點分為若干個艙室，每個艙室所包含的離子通道數目也各不相同。
△圖片來源於江小芳, 劉深泉, 張煦晨著論文《中等多棘神經元的多房室模型分析》
這三種模型組合起來，就能將神經元的構造、神經元細胞膜上動作電位和梯度電位的形成與傳導、以及物質在各機體部分間傳導的速率模擬出來。
施工完成後的這隻「智慧線蟲」，精細建模了秀麗隱桿線蟲（雌雄同體）的302個神經元、以及這些神經元之間的數千個連接，使用了14種離子通道，細節達到了亞細胞級別。
線蟲的302個神經元分為感官神經元、中間神經元和運動神經元等，在這其中，團隊又針對106個感知和運動神經元進行了高精度建模，高度擬合了它們的電生理動力學。
統計下來，單個神經元最多艙室（compartment）數2313個，最少10個。302個神經元平均每個52個艙室。神經元之間的突觸連接精細到神經突（樹突、軸突）的水平：
然後，團隊構造了一個3D流體動態模擬環境，讓線蟲在接近真實的場景下運動起來。
注意，模擬環境這一步尤為重要，它是研究線蟲如何自適應微觀環境運動方式的關鍵步驟。
線蟲建模精細到亞細胞（微米級別）後，物理定律的尺度都縮小了，摩擦力與粘滯力的作用要比重力大上幾個數量級。
在這種情況下，線蟲還能自如地吃飯喝水供能，與其和環境交互的巧妙方式密不可分。
因此，天演團隊結合計算神經學、運動力學、圖形學等多學科交叉，為智慧線蟲「天寶」構造了逼真的線蟲肌肉和身體軟體模型，建立了更適合人工智慧體訓練的流體模擬環境。
具體來說，這個環境框架由包含三維建模、有限元求解、簡化流體模型、強化學習、可視化等多個模組，能最大程度上模擬線蟲與環境的交互方式。
相比目前國際領先的OpenWorm線蟲模擬項目，天演團隊的流體模擬環境規模更大，也更適合作為生命體的多體/群體智慧行為模擬環境、完成智各種能體學習訓練複雜任務等。
最後，團隊將線蟲模型放到模擬環境中，完成了初步訓練。
這些都是未來天演平台的組成部分。具體來說，這是一個還在建造中的多GPU集群平台，可用於高精度、大規模生物神經元的模擬。
在場景尺度超過1300個線蟲身長的模擬環境下，團隊現在已經初步訓練出了能夠根據環境化學訊號分布自主行動的「智慧線蟲」，而這一場景也能支援更大空間和多線蟲群體模擬。
據團隊表示，「智慧線蟲」模型能夠高效、精準地計算與流體環境相互作用的規律，在相同計算資源下，單線蟲單次模擬時間小於0.1秒。
下一階段，天演團隊計劃讓這隻「賽博線蟲」實現避障、覓食等更複雜的智慧任務。
事實上，類腦智慧研究一直是個全球性課題。
國際上，包括歐盟腦計劃支援的Blue Brain項目、美國腦計劃等都在進行類腦研究；科技巨頭如Google，近5年一直在發布腦圖譜、腦工具；高校研究機構如MIT，用19個線蟲模擬神經元實現了自動駕駛控制……
然而，單從類腦研究來看，各團隊的研究方向卻有很大不同，甚至有相當一部分團隊藉由先設計晶片、再設計演算法的方式來實現類腦計算。
但這樣的研究，反而會被晶片等硬體約束了演算法的設計與實現，最終與實現類腦智慧的目標相距甚遠。
相較之，天演團隊選擇從實現AI的角度，去研究並實現類腦智慧。
但即便如此，費盡心力建模一個線蟲大腦，真的有意義嗎？
線蟲「大腦」，有什麼用？
若是用一句話來概括這個問題，那便是：
這是邁出人造智慧生命的關鍵一步。
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，哪怕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。
即便是像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水平的感知和行動能力，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出過答案。
他認為，深度學習本質上依賴於人工神經網路，而生物的智慧所依靠的是生物神經網路。
其中，人工神經網路更接近於「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「體量」上便不是一個級別的，後者明顯要龐大得多，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」，這才是通向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劃——將在理解大腦結構的基礎之上，用超級電腦建立大腦模型。
這項計劃後來得到了歐盟的大力支援和關注，因為這種方式的意義不僅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，要想模擬人類整個大腦神經網路，靠電腦是相當困難的。
這不僅僅是因為計算模擬的複雜度，更是因為生物大腦本身的複雜度。
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。
而人類實際上通過大腦去做推理、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，是通向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研究表明——
一個深度神經網路需要5到8層互聯神經元才能表徵單個生物神經元的複雜度。
這也就證明了單個神經元所具備的計算力之強，所以若是能夠對單個神經元做非常精細化的刻畫，便可更加逼近生物處理資訊的複雜過程。
但更精細化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然存在許多較為棘手的疾病，例如阿爾茲海默症、抑鬱症和腦損傷等。
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。
來自圖靈獎得主都參與的大會
回歸到此次最高精度模擬的「智慧蟲」，它的亮相，正是在2022北京智源大會。
在這場大會上，包括學術界、產業界的各個AI大牛，都會介紹自己最前沿、最關鍵的AI研究成果。
而除了「智慧線蟲」之外，這場峰會還發布了其它多項重要研究成果。
例如九鼎智算平台。
它的算力高達1000P（在建中），劍指計算新範式，包括通用智慧大模型、AI for science等趨勢性科研方向。
據了解，九鼎智算平台有別於目前已有的商業雲計算。
首先在任務方面，現有的公有雲主要是以高並發的推理任務為主；但九鼎智算平台則是面向大模型訓練為代表的大規模混合計算任務。
其次在結構方面，九鼎智算平台在現有的處理器和加速器的異構計算雲平台資源上，需要構造一套能融合以深度學習為代表的AI和高性能計算任務的雲平台架構。
最後在適配方面，平台需要支援多家廠商的異構AI加速晶片，九鼎團隊希望探索自動適配的新方法，讓自動每一款異構計算晶片能發揮其最佳運算能力，提高平台的整體效率。
不難看出，AI大模型和AI for Science，是九鼎智算平台的「主旋律」了。
而除了技術和平台的發布之外，在「把技術用起來」這事上，智源研究院也公布了最新進展。
也就是此前推出的悟道大模型。
例如悟道GLM模型已經在美團App上使用，約7億用戶享受到了它的能力。
據了解，在智慧客服方面帶來了11%的效能提升，搜索廣告收入提升約2.7%。
悟道CogView文圖生成模型則是把「生成圖片」效果的逼真度拉上了一個新台階。
現在通過這個模型生成動物的圖片，其品質已經堪比攝影照片，這將具備非常大的商業潛在價值。
悟道CogVideo模型，則已經可以實現「一句話生成影片」。例如只要說：
讓綠巨人在螢幕上咆哮、蜘蛛俠在空中吐絲、蒙娜麗莎對你嫣然微笑、梵高的星空璀璨律動……
那麼與之對應的影片畫面，分分鐘內便可以打造出來了：
但除了項目和成果的發布之外，與會嘉賓也是此次北京智源大會的一大亮點。
今年不僅請來了圖靈獎得主Adi Shamir，Karl Friston、Cynthia Dwork等多位世界級科學家。
還有全球頂級AI實驗室的科研代表，例如DeepMind首席AI科學家Richard Sutton、OpenAI研究團隊負責人Meta AI 西雅圖負責人等。
他們會在此次大會中，針對機器學習、多模態、大模型、AI開源等研究方向做最新進展報告。
目前，大會依舊處於「進行時」，感興趣的朋友可以戳下方鏈接進行參與。
2022北京智源大會線上地址：
//2022.baai.ac.cn/schedule
