諾貝爾和圖靈，都把獎給了這項成果！它是讓機器變“聰明”的關鍵
人工神經網絡的構造，長期以來就成爲各位發明家嘗試的對象。那麼，怎麼進行神經網絡訓練？又該如何產生智能？它的背後沒有如何識別人臉的規則，而是一個網絡經過多輪調整而逐漸獲取的功能…
出品：格致論道講壇
以下內容爲北京智源人工智能研究院長 黃鐵軍演講實錄：
大家好，我是黃鐵軍。今天我的演講題目是 《機器崛起，智能無疆》。
比起“人工智能”，我更喜歡用“機器智能”這個詞。因爲人工智能總讓人想到是人類在設計智能，但事實並非如此。機器作爲智能的載體，它本身會不斷地發展、進化。它在發展時，會帶動智能不斷髮展。
技術科學的無盡疆域
什麼是智能呢？這是一個很基礎的也很難定義的概念。你也可以將智能定義爲感知、認知，但是這樣的話智能的定義幾乎是無窮無盡的。
我給智能的定義是這樣的： 智能是系統通過獲取和加工信息而獲得的一種能力，從而讓系統實現從簡單到複雜的演化。
我的定義有什麼特別的地方呢？首先，它說明了智能一定是在某個系統上出現的一種功能，它一定要有一個物理系統作爲它的承載者。
第二，智能是這個系統通過獲取和加工信息獲得的一種能力。人通過吃飯能獲取能量讓身體變強壯，但這是動能而不是智能。智能只有通過獲取信息才能發展，比如看書、看世界、用耳朵獲取信息、與世界互動等等，纔有可能對我們的智能發展帶來作用。
有了這個定義，我們就很容易區分生物智能和機器智能這兩種智能。從功能或者現象的層次來說，它們可以是相似的，也可以完全不同。
之所以很容易區分，是因爲它們的物理載體是不同的。包括人類在內，生物智能的載體就是有機生物體；而機器智能的載體是包括計算機在內的各種非生物體的機械、機器。
還有一個區別是，生物智能屬於生命科學領域。生命科學研究的對象是生命，它是自然科學的一部分。物理、化學、生物、天文、地理……任何自然科學都有一個特定的、明確的研究對象。
生命、特別是生命的大腦這樣一個複雜的對象，是我們至今爲止已知的宇宙中最複雜的客觀對象。所以，有人就把腦科學、神經科學、認知科學這樣一個關於生物智能的學科叫做自然科學的最後的疆域，如果把它搞清楚了，自然科學的所有的問題就能解決了。
相比之下，機器智能以機器爲載體，而機器本身是不斷地發展的。一開始是由人類設計機器，機器變得越來越複雜，它的智能變得越來越強大；將來，機器還可能自己設計機器，所以機器自身也會不斷地迭代發展。因此，機器智能的功能會越來越多、越來越強大。
那麼何處是它的邊界呢？生物智能在不斷地進化，但是進化速度比較慢，它是有邊界的；但是機器進化的速度將來會特別快，它的智能是無窮無盡的，所以說 機器智能是技術科學的無盡疆域。
從接受規則到自主學習
說起人工智能，大家可能喜歡說它是通過在計算機上寫程序、編算法實現的智能。這其實是一種對機器智能的狹義理解，它們只是實現機器智能的一種途徑。
▲ 狹義機器智能：以計算機爲載體的人工智能
按照這樣的觀點，機器智能在過去60多年的發展歷史中大致可以分成三個階段。
第一個階段大概是在20世紀五六十年代到七十年代初，那時基本的思想是把邏輯、推理這樣的一些規則賦予機器，也就是我們通常說的編程、寫算法，然後讓機器去執行。
這當然是實現智能。但是很明顯，人類是設計者，而機器只不過是一個執行者。這一派的觀點發展了20年左右之後證明，很多問題是解決不了的。
第二個階段是在七八十年代，那時像專家系統、知識工程這樣的一套方法發展起來。這套方法提出：不僅要向機器灌輸規則，還得教給它如“北京是中國的首都”這樣的知識。所以那時就設計了大量的知識庫、專家系統。
但是後來人們發現，這樣做還是有問題。因爲不是世界上所有的知識都能變成一條一條的條目或是書本上的符號，灌輸給機器的內容有大量都是不可以描述的。
我舉一個例子，我在說“紅色”這個詞時，你的腦子裡會有清楚的感受，但這種感受是沒有辦法描述成所謂的知識或者符號的。
第三個階段是上個世紀八十年代到現在，稱爲“從數據中學習”的階段。即不是靠人來編規則、編知識，然後讓機器去執行，而是讓機器、計算機直接從數據裡找規則、找規律，也就是機器學習的時代。
所以說起狹義人工智能，大概就是按照這樣的三個階段來劃分的。
機器何以獲得智能？
剛纔說的狹義人工智能，總體是符號主義這一流派的思維方式，也就是用符號來表示智能的方方面面，然後用機器去執行它。其實除此之外，還有兩個很重要的學術流派，第二個流派叫連接主義，又叫神經網絡。第三個叫行爲主義，又叫控制論的方法。
如果我們形象地去理解這三種流派或者三種思想的區別的話， 符號主義講的是機器應該能夠思考；連接主義講的是要實現智能就得有一個類似於頭腦、神經系統這樣的一個物理載體，所以要製造頭腦；而行爲主義認爲，如果光有頭腦沒有身體，就無法與環境互動，也不能形成智能和發展智能。
第一個流派符號主義的觀點是要把智能的功能和現象用符號進行刻畫。我們在課堂裡學的很多知識其實已經有老師或者作者把它變成了符號化的東西，我們是去接受它、學習它。記住一個定律、記住一個推導的規則，廣義地講，這就是符號主義。把符號主義的思想用到智能上，就是把這些符號變成代碼、程序、算法，讓計算機去執行。
符號主義取得了很多成果，我舉兩個比較有代表性的例子。
一個就是在人工智能這個概念出現之前，有一套叫“邏輯理論家”的軟件算法系統，它能夠證明數學中的很多定理，在那時是很有名的。它也是1956年人工智能這個概念出現時唯一一個能夠運行的人工智能系統。
▲ 著名數學家、中國科學院院士吳文俊
另外一個里程碑式的成就是由中國的科學家吳文俊先生創立的。他在1977年提出了吳方法，所有能夠通過機器證明的定理都可以用這種方法來證明。但是這句話是有前提的，即“能夠用機器證明的定理”。 事實上不能用機器證明的定理和不可證明的定理大量存在。
第二個流派是行爲主義，這種思想的歷史也比人工智能的概念出現得還早。
▲ 沃爾特的機器烏龜，1948
比如在1948年，就有一位發明家發明了上圖中的一個像小烏龜一樣的機器。當時這個機器用了光傳感器和模擬電路，能夠靠它的光傳感器發現障礙物。碰見障礙物時，它可以通過左右移動尋找能夠走的路。另外，在它裡面有電路來模擬神經系統條件反射，在電快用完的時候，可以回到插座去充電。
這個東西我們都很熟悉，現在很多家庭都有，就是掃地機器人，它發明時間比人工智能的歷史還長。
那時這樣一個機器的裡面當然沒有計算機和芯片，也沒有程序和算法。它只是內部有一個模擬電路，靠行爲、靠跟環境的互動來獲得它的智能。
最近幾年我們經常看到一些很炫的機器人，比如波士頓動力做的機器人。它們可以在很複雜的環境裡運動，像上圖的這個機器人就可以做到跳躍到高臺上去。
這種機器人背後的設計思想主要也是行爲主義。這些行爲不是由人進行編程，制定“先邁左腳，再邁右腳，遇到多高的東西怎麼行爲”的規則，再讓機器人去嘗試、去執行，是訓練出來的。
既然有訓練，就會有失敗，我們看到的都是成功的例子。爲了完成這個動作，它其實已經訓練了很長時間，摔斷了無數次腿。
第三個學派是連接主義。如前所述，實現智能需要有物理載體，這個載體本身是一個客觀的物理存在。按照連接主義的思想，它就應該是神經網絡。
因爲生物或者人類智能的主要載體就是我們以大腦爲中樞的神經系統，所以我們構造一個機器智能系統，也就應該構造一個人工神經網絡。 這個人工神經網絡的構造，長期以來就成爲各位發明家嘗試的對象。
其實在過去這些年，我們對生物的神經系統瞭解還很有限。本來我們應該借鑑生物的神經系統來構造人工的神經網絡，但在得不到生物神經系統藍圖的時候，就只能去創造各種各樣的神經網絡。
上圖展示了已經發明的很多種神經網絡的神經元是如何連接成各種各樣的結構。
構造神經網絡是爲了產生智能，那麼什麼樣的神經網絡能產生智能？怎麼去產生智能？就成了連接主義這個流派要解決的問題。
機器也逃不過適者生存的法則
在上個世紀八十年代前後，有好幾個研究組都提出了一個類似的思想，我們今天叫它反向傳播算法。
▲ 多層神經網絡上的反向傳播算法（1985前後）
大家看，上面這個神經網絡其實是一個結構很簡單的網絡。說它簡單是因爲它的結構是多層的，每個縱向的一列就是一層神經元，兩層之間的神經元是全連接，也就是任何一個上層的神經元跟下層的所有的神經元都是互聯的。這樣的網絡結構大家都很容易想到，很簡單。
生物的神經網絡要比這複雜得多，但還遠遠不清楚，因此現在人類只能按照自己的理解去設計這樣的簡單人工神經網絡。上面這個網絡到今天仍然在被大量使用。
這樣的一個簡單結構怎麼產生智能呢？這個網絡在開始時，所有的神經連接是隨機的。它的左邊是輸入，右邊是輸出。如果現在要它完成人臉識別，你在左邊輸入一幅人臉的圖像，右邊希望它輸出這是張三或李四。像這樣隨便輸入一個圖像讓它輸出人名，在沒有任何教學過程的情況下，它根本無法做到正確輸出。
比如說我們希望T1等於1的時候就是張三，T2等於1的時候就是李四，但是當我們輸入張三的圖像時，幾乎可以肯定T1不等於1。不等於1沒關係，既然我們希望T1等於1，那麼它跟1的差別有多大呢？這個差別可以用Δ表示。
爲了讓T1的值等於1，算法會反向地一層層調節神經網絡，讓前面每一層連接的強度值發生變化。所以每完成一次訓練就要進行一輪調節，經過一遍遍的訓練和調節後，再讓機器做出識別。
我就做過這種神經網絡，再簡單的問題，大概三天三夜能夠訓練出一個像樣的結果就不錯了。
所以它的背後沒有如何識別人臉的規則，它的功能是一個網絡經過很多輪的調整而逐漸地獲取的。
今天神經網絡訓練的背後基本也是這樣的思路，我們最後得到的結果實際上就是經歷了反覆嘗試、優勝劣汰後取得的。大自然訓練我們的大腦其實也是這樣的過程，在數十億年生命發展過程中，有無數生命因爲試錯而死亡。
▲ 2006年，Geoffrey Hinton在《Science》
發表關於深度神經網絡的論文
2006年，著名的科學家傑弗裡·辛頓(GeoffreyHinton)提出了一個改進的算法：在前面提及的神經網絡上做了一些方法上的改進之後，它能夠起到很好的識別效果。我們稱之爲深度學習。
什麼是深度學習？深度指的是神經網絡的層數有很多。我剛纔舉的例子只有幾層，但今天的神經網絡已經有幾百層甚至上千層了。學習就是機器學習，即通過一遍一遍的嘗試、不斷地調整參數，最終調到接近人類希望的答案。
所以深度學習就是在多層神經網絡上，經過一遍一遍的嘗試，最後獲得規律的過程。
這是個通用的方法，通過這樣的方法可以解決很多問題：如果輸入一張人臉，最後它能識別出是張三、李四，這是人臉識別；如果輸入的是一句話，它最後理解的就是一個一個的字，這就是語音識別。其他不同媒體的數據類型都可以通過這種方式尋找數據背後的結構。
能夠從複雜的現象背後發現規律、發現結構，這就是智能的基本特徵。而深度網絡就能做到這一點：無論是什麼類型的數據，只要它內部存在結構性，深度網絡都可以通過多次嘗試找到結構性。這就是深度學習工作的基本方法。
機器憑什麼戰勝人類高手？
深度學習的一個例子就是AlphaGo。2016年AlphaGo圍棋系統戰勝了李世石，它是怎麼做到的呢？在比賽之前還有很多人否認這種可能性，認爲計算機不可能戰勝人類。因爲他們做這種結論時背後的思想是符號主義的，就是通過給機器制定規則去搜索圍棋下法。
▲ AlphaGo通過視覺感知獲得“棋感”
計算機比較笨，但是算得快。算得快並不能解決問題，因爲圍棋的可能性太多了，多到今天的計算機無論用多少萬年，都無法實現找到所有下法這一複雜的計算需求。
但是人也無法把圍棋的所有下法下一遍然後總結經驗。那麼在有限的棋局裡，人是如何總結規律的呢？AlphaGo學的其實就是這一點，它把棋盤看成了一個圖像。
棋盤其實不大，只有361個點，每個點只有黑、白和無三種狀態，所以它是個很簡單的圖像，比人臉簡單多了。
機器能看到大量的圖像，因爲有些圖像最終導致贏，有些圖像導致輸，這個結果是很清楚的。所以就可以把這些圖像輸給機器，告訴它：“出現這種局面的時候贏的概率大一點兒，出現那種圖像時贏的概率小一點”。儘管這個輸贏的概率只有很細微的差別，但是學多了也能逐漸掌握規律。
所以AlphaGo下圍棋時，它的神經網絡學習就是看圍棋的局面、找其中規律性的東西，這個過程跟人類從複雜的數據、事物裡找規律的道理是一樣的。
AlphaGo學到的棋感跟我們人類學到的棋感是一樣的，機器和生物做的沒有什麼區別。但是重要的是機器的計算能力強大，它可以看更多的棋面、棋局。比如AlphaGo當時總共自我對弈了3000萬盤棋。如果人類以100歲爲計，生命長度總共是36500天，3000萬盤相當於每天要下800盤左右的圍棋。
人類無法做到從出生起到100歲每天下800盤棋，但是機器用幾個月就可以做到。它獲得的棋感要比人類獲得的數據源豐富得多，所以它找到了很多沒有任何人嘗試過的妙招，它打敗人是一個很顯然的結果。
▲ 2019年1月，
DeepMind AlphaStar在與兩位
職業選手的比賽中獲得了全勝，
其中一位還是世界前10的頂尖神族選手Mana。
除了下棋，機器還可以做很多事，比如遊戲。在星際爭霸這樣的遊戲裡輸贏也是很清楚的。
儘管整個遊戲的場景或者選擇的可能性很多，但總的來說它是一個規則很清楚的場景，機器同樣可以從角色空間裡尋找更佔優勢的策略，然後不斷地提高自己的能力。用類似的方法，2019年機器就戰勝了人類的頂尖高手。
▲ 2020年6月21日，
啓元AI“星際指揮官”以兩個2：0的成績擊敗了
《星際爭霸I/II》全國冠軍黃慧明（TooDming）
和黃金總決賽三連冠選手李培楠（Time）
這是2020年6月在北京舉行的比賽，中國的兩位星際爭霸的頂級選手和機器對戰。這套系統用的機器的算力消耗只有國外同類系統的十分之一，但是靠算法的改進，它達到了與國外系統相當的水平。那一天我在現場，它幾乎是沒有懸念就把人類兩個頂級高手給打敗了。
爲什麼做智能機器要仿腦？
這麼看的話，機器智能似乎發展得很快，已經有點兒勢不可當了，下棋、打星際爭霸甚至更復雜的決策，機器都能做得到。是不是照着這種勢頭下去，機器就能超越人類了呢？是不是隨着大算力、大數據等等的發展，把模型做得越來越大，然後人工智能就是一片光明瞭呢？其實不是的。
舉一個例子，人臉識別是人工智能最成功的應用，不少公司的產品就是做人臉識別，我們日常生活中也經常看到人臉識別。那麼今天的人工智能系統是不是已經解決了人臉識別問題呢？
人類識別人臉的能力是有限的，平均一個人能夠分辨人臉的類別總共是2000左右。好在我們一生不用認識那麼多人，區別2000人的人臉對我們來說已經夠用了。
在人臉識別方面，比如輸入一張照片問，這個人在這個有幾千萬人口的城市的什麼地方出現過？機器做得確實比人類強。
但是，看似很強大的人工智能系統，在做一些基本任務時跟人類相比還差得很遠。
比如上圖這個穿條紋衣服的人被機器檢測出來了，但在肚皮上貼圖片的這個人，機器就檢測不出是個人。
這位女士的頭上不貼那個圖片的話，很容易檢測識別出她是誰，但是一旦加上這幅圖片，機器根本不知道圖像裡存在一個人或者一張人臉。
所以機器看似很強大，但實際上有很大的弱點，它跟人類視覺相比還有很大的差距。
爲什麼會發生這種情況呢？其實道理很簡單。因爲任何智能都是有載體的，深度學習依賴於人工神經網絡，生物的智能依賴於生物的神經網絡。
今天的人工神經網絡跟生物神經網絡相比，還是小巫見大巫。
▲ 人類視覺系統
就像這個圖片顯示的，我們的視覺系統在後腦勺，眼睛的信號通過視神經纖維送到後腦勺。這個視覺系統差不多佔大腦皮層五分之一的面積，其神經網絡的複雜程度遠遠超出今天所有人臉識別系統的人工神經網絡。所以生物視覺的物理基礎強大，能力強也沒有什麼奇怪的。
如果想做一個能夠媲美人類視覺的視覺系統，就得做一個跟人類視覺的神經網絡相當的人工神經網絡纔有可能做到。
這樣的觀念其實並不新鮮，在人工智能的概念沒出現時人們就討論過了。我舉兩個例子。
▲ 馮·諾伊曼
我們今天講的計算機都叫馮·諾伊曼計算機，是因爲馮·諾伊曼定義了計算機的體系結構。
他在提出計算機體系結構的那個年代也提出了一個觀點，他認爲 生物視覺系統最簡單的完整模型就是視覺系統本身，如果你想簡化，只會讓事情變得更復雜，而不是更簡單。所以要實現某種智能，就必須有實現那種智能相應的機器和對應的結構纔可能做到。
▲ 圖靈
圖靈是一位更著名的學者和計算機專家，我們今天的計算機的基本模型就是圖靈提出的。圖靈在1950年發表了一篇論文，這篇論文也被追認爲人工智能的第一篇論文。因爲人工智能的概念在1956年出現，而這篇論文是1950年發表的。
在這篇論文中，圖靈給了一個很清楚的判斷，他認爲 真正的智能機器必須具有學習能力，製造這種機器的方法是先製造一個模擬童年大腦的機器，再教育訓練它。只有用能夠模擬童年大腦的機器訓練，才能產生預期的智能。
爲什麼要仿腦？爲什麼必須在腦的基礎上去做？人類也可以嘗試做各種神經網絡，然後解決一些現實的問題，但從終極意義上講，最節省的方法就是把人的大腦作爲葫蘆去畫瓢，這個瓢就是機器智能。
爲什麼要用生物大腦作爲“葫蘆”？因爲它是經過35億年的進化、試錯後試出來的、證明是有效的結構。我們今天只要把這個結構搞清楚，然後用它去做機器智能就行了。
人類大腦在很多方面是很強大的，雖然能耗只有25瓦，但是它能做的事情比我們今天的大型計算機都要強大得多。人腦進化的成本地球已經付出過了，所以它是一個成本很低的、現成的可參照物。
先造大腦，再研究智能的奧秘
這裡可能有一個問題。很多專家說：“你說得容易，但做起來很難，大腦背後的機理你知道嗎？”
就像我剛纔說的，大腦是人類自然科學最後的疆域，大腦奧秘什麼時候能破解？確實不可預測，幾百年、幾千年都不好說。
但是機器智能這四個字可分爲“機器”和“智能”。我們做機器智能，第一步是要做機器，第二步是做智能，不是隻盯着智能，而首先要做一個可能產生強大智能的機器。 首先 要關心機器、關心大腦、關心這個產生強大智能的結構，而不要先糾結大腦的思維和智能的機理。它如何產生智能？那是之後的事。
爲了不顯得太抽象，我舉個例子。如果認爲人類要製造能飛行的機器，就得先把飛行原理搞清楚才能造機器的話，人類到今天都飛不上天。因爲人類到今天都沒有弄明白飛行的所有原理。
實際上飛機發明的歷史發展過程是這樣的：1903年萊特兄弟發明了飛機，那時根本沒有任何飛行原理。到了1939年錢學森和馮·卡門才真正建立出了一套飛行理論。在這30多年的時間中間，有兩次世界大戰，飛機已經發揮了很大作用。
那在這中間發生了什麼？其實萊特兄弟發明飛機，只是利用了工業時代的技術進步，靠動力、靠嘗試讓一個機械裝置飛上天。萊特兄弟和世人都不明白它爲什麼能飛上天，但它就是發生了。
有一個叫馮·卡門的人堅決不相信這件事情，他在1908年跟別人打賭說：“人類不可能讓一個龐大的裝置在天上飛，而且人還能待在上面。”直到在巴黎親眼看到這個事實之後，他才下決心去研究爲什麼一個這麼重的裝置能飛上天。花了三十幾年的時間，他才找到了飛行的原理，纔有了空氣動力學。
1939年後，基於空氣動力學的原理，我們可以把飛機造得更好、更大、更強大，但是第一架飛機不是基於原理製造出來的，而是人類的一個重大的發明。
這種事件在科學技術歷史上很多。比如中國宋朝時發明指南針，當時我們不知道電磁學，但這並沒有妨礙指南針的發明。如果沒有指南針，就沒有大航海，還有沒有我們今天的科技的進展都不好說。
所以大家不要被原理迷惑，認爲做一件事必須先把原理搞清楚才能做，這是阻礙創新的一個很大的思想障礙。
智能其實也是一樣的。 我們今天不是要回答智能背後的原理是什麼，大腦的奧秘是怎樣的。我們要先看是什麼樣的結構產生了智能，然後製造這樣的機器去實現智能，再去研究它產生的奧秘。
這是馮·卡門的老師、馮·卡門以及他的學生錢學森的一張珍貴的照片。馮·卡門晚年曾經總結過一句話：“科學家發現現存的世界，工程師創造未來的世界。”
科學家研究的對象一定是存在的，研究不存在的對象是玄學。工程師創造的東西可以是基於科學原理，但是 最偉大的工程師是在沒有原理的情況下把一個東西做出來，這纔是0到1的重大發明。
發現和發明同樣重要，有時是發現指導發明，有時是先發明後纔有科學發現。機器智能現在要做的是要發現生物神經系統的結構，不是發現生物智能的奧秘。
那麼，我們要發現什麼樣的生物智能背後的結構呢？
科學研究常用的模式動物就那麼幾種。最簡單的是線蟲，線蟲只有302個神經元，它靠300多個神經元就足以生存、繁衍、感知、運動。
比線蟲複雜一點的生物，也是現在常用的斑馬魚。斑馬魚出生時只有數萬個神經元，隨着成長，它的神經元不斷增加，可以增加到百萬級別。斑馬魚是透明的，所以可以用光電儀器仔細地觀察這些神經元的行爲。
更復雜一點的就是果蠅，然後就是哺乳動物小鼠。比小鼠更復雜一點的是狨猴，這是靈長類裡大腦最小的動物，它的大腦大概有10億個神經元。最複雜的生物就是人類，人類的大腦大概有800多億個神經元，差不多是千億規模的。
不同的生物神經網絡複雜程度不同，造就了各種各樣的智能行爲。
什麼時候我們能夠把生物的大腦解析清楚，作爲製造機器智能的藍圖呢？對此，人們有不同的看法。
我想引用2016年4月全球腦計劃研討會提出的看法，它當時說：10年內希望能夠完成包括但不限於以下動物的大腦的解析：果蠅、斑馬魚、鼠和狨猴。也就是未來10年左右對生物大腦的解析要進入靈長類。
那什麼時候能到人類呢？20年？30年？現在很難給出一個答案。
但是總的來說，這需要的只不過是我們用最先進的技術對一個複雜對象進行解析。不存在能不能的問題，只有技術手段夠不夠的問題。雖然準確的時間不好說，但是大概在幾十年之內，這件事情是可以辦得到的。
就像人類基因組一開始測基因的成本很高，但今天我們測人類基因的成本可能幾百塊錢就足夠了。技術進步會帶來對大腦結構解析的巨大進步。
走向通用人工智能
既然生物這邊能夠把生物神經系統的構造解析出來，那做信息和人工智能的人面臨的問題就是，你能不能照葫蘆畫瓢，把這個電子大腦構造出來，也就是製造智能的機器。
在這方面其實全世界進展得很快。我國2019年已經在北京懷柔開建一個國家重大科技設施“多模態跨尺度生物醫學成像設施”。這個設施的主要目標就是解析大腦的神經網絡結構。
貴州的FAST天文望遠鏡看的是我們的大宇宙，而這套系統要看的則是我們生物的小宇宙。
即便不是人的大腦，如果能把果蠅大腦中這幾十萬個神經元做出來，其實也很有用。今天的無人機看着很強大，但跟果蠅對比的話還差得遠。如果能構造出一個果蠅的大腦，相應電子裝置其實就已經可以滿足很多實際的問題。
關於無人駕駛，有的人說幾年就能成功了，有的人說可能幾十年都成功不了，這裡最主要的問題就是駕駛腦到底能不能靈敏地感知環境。
如果能夠把生物的大腦做出來，不說別的，一隻小鼠在複雜空間的感知能力都比今天的無人車要強大得多。如果能做出一個鼠腦，就足以完成無人駕駛的功能了。
所以如果能把這些腦高精度地模擬出來，然後把上面的智能訓練出來，就能夠解決人工智能的很多問題。而這些問題的一步步解決，將帶來走向通用人工智能的歷史性的進步。
今天所有的人工智能都是弱人工智能。弱人工智能也叫窄人工智能或者專用人工智能，這個智能系統只能完成一件事。能夠做任何事的智能系統叫通用人工智能系統，也叫強人工智能系統。
人類當然是強人工智能系統，我們不是隻會一件事，只要學習，我們可以學會各種解決問題的辦法。
我們未來的目標就是要做出通用人工智能系統。這個系統什麼時候能做出來，也是個很有爭議的話題，不同人的看法可以說是天壤之別。
2015年1月時，有一個關於人工智能安全的會議叫AI Safety。會議現場對於與會專家進行了一個現場調查，讓他們預測什麼時候能出現通用人工智能或者強人工智能。
把他們的答案排一個序，有人說10年、20年、30年、50年，有人說永遠做不到。預測的中點時間是2045年，也就是在2015年的30年後，這種智能就會做出來。
我沒有參加那次會議，但是我的判斷也是類似的。
我在那次會議之前發表了一篇名爲《人類能製造出超級大腦嗎？》的文章。其實文章原名叫《製造超級大腦》，編輯怕說得太絕對，就用了一個疑問句。文章內容講的就是我們如何構造一個電子大腦，讓它產生強人工智能。我自己做科研時也在做這方面的工作。
比人眼快1000倍的電子眼
剛纔說複製一個大腦還需要幾十年的時間，那麼我們在幾年之內能做什麼？我們幾年之內只能做大腦的一部分，具體來說做的是眼睛，就是視覺部分。
我們的眼球裡有一個複雜的神經網絡，眼球裡的感受神經元數量超過一億個，其中有大概600萬個負責精細視覺，就是大家盯着某件事物看時用到的那部分神經元，它叫黃斑區或者中央凹。我們模擬的就是這個區域。
要模擬這個區域就得搞清楚它是怎麼回事，所以就要對其中的每一種神經元進行精細的結構和功能的解析，然後在計算機上模型化，把它重現出來。上圖就是其中的一個神經節細胞的結構以及它接受信號刺激時發放神經脈衝的過程。
我的課題組就是這樣一個一個解析、模型化、重現神經元，經常一個博士生幾年就做一個神經元。
人類的眼睛裡大致有六七十種神經元，我們做了其中的10種左右中央凹這個區域的神經元。把這些神經元按照生物的結構連接在一起，讓它感受光刺激，我們可以看到一層層神經元傳遞的過程。
上圖是給神經元一個圖像刺激之後，它們發黃光，也就是發放神經脈衝，然後相互作用，來表示視覺刺激的的過程。
除了要想搞清楚生物的神經系統的細節之外，還得搞出一個電子系統來重現生物的功能，所以我們就設計了一顆芯片。
這個芯片做了很多簡化，實際上上面那個把生物的細節都做到的動畫背後的所有計算是在天河二號上完成的，我們做的芯片只仿真了其中的一個核心功能。
這樣的芯片做出來後，我們就可以嘗試看看這隻電子眼能夠看見什麼。其實它實現的功能不比人眼複雜，只不過是人眼功能的一個子集，但有一點兒不同，它是個電子系統。
生物的神經系統很複雜，但是生物是一個慢速系統。生物的任何兩個神經元之間每秒鐘能夠傳送的神經脈衝的數量通常只有幾個到幾十個，不可能超過100個，但是我們構造的電子神經元之間傳送信號就可以快得多。
我們的第一版芯片就做到每秒4萬個脈衝，假定生物平均是40個，這兩者就差了1000倍。這1000倍的速度差別帶來的就是這隻電子眼睛可以看到高速運動過程。
比如一個電扇轉起來之後，人眼是看不到電扇上的細節的。如果在電扇的扇葉上貼上幾個字母，電扇不轉的時候你能看得清清楚楚，電扇一轉你就看不清楚了。
爲什麼？因爲生物的眼睛是一個慢速系統，每秒鐘每一個神經元只能給大腦送幾個脈衝，所以當然看不出電扇每秒鐘轉幾十轉的高速過程。
電子眼比人眼快1000倍，對它來說所謂的高速只是一個很緩慢的運行過程，所以這隻電子眼可以看清楚電扇轉起來時的所有細節。
▲ 仿眼高速相機和識別系統
爲了證明電子眼能看見，我們買了一個激光器做了一個裝置，就是上圖的這個方形結構。這個激光器能做什麼呢？
▲ 仿眼高速相機和識別系統
這是慢放1000倍的場景，真正的信號實時地放，沒有任何人能看清楚。
在電扇轉起來之後，我們的算法就在一個計算機上執行了。你可以選任何字母，上面的PKU是北京大學的縮寫。如果你希望激光擊中其中的某一個字母，比如說“K”，你按下K鍵之後，激光就會直接在粘貼“K”的扇葉上打一串激光點，這就證明電子眼是可以實時看到的。
這個系統的成本其實很低，是我們自己設計的相機和筆記本電腦組成的。將來筆記本電腦會變成一個芯片，變成一個可以做到超高速的小裝置系統，這就是仿生物帶來的好處。
如果在傳統計算機上加一個攝像機的話，沒有一個龐大機櫃是做不了這種高速過程的。
人機大戰的現象可能發生嗎？
我們往往把機器、機器人想象得像人類一樣，這是一個錯誤觀念。比如很多好萊塢電影裡經常出現機器人跟人類英雄互相打鬥的場景，這是太高看人類了。
機器的眼睛比人類快1000倍，甚至是1萬倍也可能，它的機械動作也比人高很多倍，機器跟人類互相對戰的現象不會發生。
你給機器一個子彈，它順手就可以抓住，它沒必要跟你對着槍互相打。你的槍還沒舉起來的時候，機器人光靠巴掌就可以把你拍在地上。所以這是人類把自己的功能和性能都投射到機器上了，實際上不是這樣的。隨着機器的發展，它的性能將遠超我們。
特斯拉在1896年講過一句話，他說：“我認爲任何一種對人類心靈的衝擊，都比不過一個發明家親眼見證人造大腦變爲現實。”
如果以人工、電子、光電的方式實現大腦的話，這個世界會發生翻天覆地的變化。未來人類如何跟這種越來越強大的智能共存，是一個挑戰性特別大的問題。
一方面，這種超級智能的神經網絡繼承了人類大腦的結構，所以它跟我們是有相融性的。儘管它的思維比我們快很多，但它不過是一個電子的大腦。比起外星人，我們與超級智能至少存在交流的可能性。 我們製造的強大機器在某種意義上還是我們的後裔，是人類的子孫。
另一方面，超級智能的速度又比我們快很多倍，我們完全跟不上。
馬斯克做腦機接口，認爲“人類趕不上機器了，那直接把生物神經系統跟機器連在一起共同提高不行嗎？”這聽着好像是一個很好的想法，但是這就像汽車與馬車的關係：汽車的速度比馬車快十倍，但是汽車不可能拉着馬車一起跑。它們根本不同步，無法共同工作。
所以一旦這種超越人類的機器出現的話，我們面臨的挑戰是很大的，我們一定要思考怎麼共存和發展。
當然，有很多人也在思考這個問題。2015年AI Safety會議上曾經預測過2045年會出現這樣的機器，2019年時又舉行了一次名叫Beneficial AGI的會議，也就是“向善的通用人工智能”。會議的主題是希望這種智能出現之後，它能夠跟人類和平共處，我也去參加了這次會議。
2020年，這個會的參加者之一羅素教授給了我一本他馬上要正式出版的書《AI新生》的預印本，這本書裡面就提出了一種人類如何跟性能上遠遠超越人類的機器共存的方法。
這只是他提的一種方法，這個問題是人類真正應該思考的開放問題。也許在未來幾十年內，對人類來說這會是個最大的挑戰，希望大家能夠關注、思考。
謝謝！
“格致論道”，原稱“SELF格致論道”，致力於非凡思想的跨界傳播，旨在以“格物致知”的精神探討科技、教育、生活、未來的發展，由中國科學院計算機網絡信息中心和中國科學院網絡安全與信息化辦公室主辦，中國科普博覽(中國科學院科普雲平臺)提供技術支持。