這只線蟲不簡單！大腦被高精度還原，可動(dòng)態(tài)蠕動(dòng)前行

金磊 筱薇 發(fā)自 凹非寺

量子位 | 公眾號(hào) QbitAI

最高精度“線蟲大腦”，它來了。

這顆“大腦”所模擬的是一只秀麗隱桿線蟲的全生物神經(jīng)系統(tǒng)。

（注：秀麗隱桿線蟲是“最簡單的生命智能體”，擁有302個(gè)神經(jīng)元）

這一次，國內(nèi)的學(xué)者不僅把秀麗線蟲全部的神經(jīng)元網(wǎng)絡(luò)還原了出來，更是細(xì)到了它們的亞細(xì)胞級(jí)連接關(guān)系。

據(jù)了解，它的精細(xì)程度已經(jīng)達(dá)到了當(dāng)前已知的最高水平：

此前，一項(xiàng)研究對單個(gè)生物神經(jīng)元的計(jì)算復(fù)雜度進(jìn)行了研究，文章指出，一個(gè)深度神經(jīng)網(wǎng)絡(luò)需要 5 到 8 層互聯(lián)神經(jīng)元才能表征單個(gè)生物神經(jīng)元的復(fù)雜度。

而通過這樣的精細(xì)構(gòu)建的“大腦”，已可以讓這只“智能線蟲”完成動(dòng)態(tài)蠕動(dòng)前行。

這，便是來自北京智源人工智能研究院的最新研究成果，背后的“利器”則是天演項(xiàng)目。

而且這只“智能線蟲”——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(jù)研究團(tuán)隊(duì)的介紹：

這是邁出人造智能生命關(guān)鍵一步。

最高精度大腦，是怎么煉成的？

這次大腦選擇的秀麗隱桿線蟲，可以說是“擁有神經(jīng)系統(tǒng)的最簡單生物之一”——

它既具有完整的神經(jīng)系統(tǒng)，感知逃逸覓食交配都能完成，整體結(jié)構(gòu)又非常簡單，成蟲只有大約1000多個(gè)體細(xì)胞。

就是這只長約1mm的透明小生物，已經(jīng)是科學(xué)研究界的“常客”，近20年來有三次諾貝爾獎(jiǎng)都與它有關(guān)。

對于神經(jīng)科學(xué)家們來說，秀麗隱桿線蟲的神經(jīng)系統(tǒng)已經(jīng)被完整破解，實(shí)時(shí)圖譜還登上了當(dāng)年的Nature封面，非常適合用來研究并模擬“腦回路”。

更重要的是，線蟲體內(nèi)存在的乙酰膽堿、多巴胺等神經(jīng)遞質(zhì)，在哺乳動(dòng)物體內(nèi)也同樣存在。

研究它的神經(jīng)系統(tǒng)，對于研究人類神經(jīng)系統(tǒng)的調(diào)控機(jī)制也有重要作用。

但研究結(jié)構(gòu)是一回事，用計(jì)算機(jī)建模又是另一回事了。

要知道，模擬一個(gè)生物的神經(jīng)元可不是簡單地像卷積那樣，做個(gè)線性變換就完事，它所模擬的（如細(xì)胞間）物質(zhì)交換、神經(jīng)元間動(dòng)作電位的產(chǎn)生和傳導(dǎo)等行為非常復(fù)雜。

例如，僅僅是突觸之間遞質(zhì)的傳遞，就涉及數(shù)量、速度、濃度、反流、方向等多個(gè)參數(shù)，用數(shù)學(xué)模型來計(jì)算模擬還會(huì)更加復(fù)雜。

即便模擬出了完整的神經(jīng)系統(tǒng)，如何用計(jì)算機(jī)模擬出接近真實(shí)環(huán)境的“賽博空間”，并在其中訓(xùn)練“智能線蟲”模型，又是另一大研究難點(diǎn)。

此前，雖然已經(jīng)有不少團(tuán)隊(duì)在進(jìn)行線蟲仿真方面的研究，但無論是精度、還是仿真環(huán)境都與現(xiàn)實(shí)有一定差距，就像我們常見的仿生機(jī)器魚遠(yuǎn)達(dá)不到魚的精度一樣。

這次，天演團(tuán)隊(duì)成功建模出了最高精度的智能“賽博線蟲”，實(shí)現(xiàn)了讓它在3D流體仿真環(huán)境下動(dòng)態(tài)蠕動(dòng)前行、并具備簡單趨利避害的能力。

那么，這只“智能線蟲”究竟長啥樣？

首先，團(tuán)隊(duì)利用大量公式和模型，建模出線蟲的“電子神經(jīng)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，用于模擬細(xì)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(jīng)元的每個(gè)部分都模擬成不同的電路元件；

多艙室模型，將神經(jīng)元視為一個(gè)系統(tǒng)，按動(dòng)力學(xué)特點(diǎn)分為若干個(gè)艙室，每個(gè)艙室所包含的離子通道數(shù)目也各不相同。

這三種模型組合起來，就能將神經(jīng)元的構(gòu)造、神經(jīng)元細(xì)胞膜上動(dòng)作電位和梯度電位的形成與傳導(dǎo)、以及物質(zhì)在各機(jī)體部分間傳導(dǎo)的速率模擬出來。

施工完成后的這只“智能線蟲”，精細(xì)建模了秀麗隱桿線蟲（雌雄同體）的302個(gè)神經(jīng)元、以及這些神經(jīng)元之間的數(shù)千個(gè)連接，使用了14種離子通道，細(xì)節(jié)達(dá)到了亞細(xì)胞級(jí)別。

線蟲的302個(gè)神經(jīng)元分為感官神經(jīng)元、中間神經(jīng)元和運(yùn)動(dòng)神經(jīng)元等，在這其中，團(tuán)隊(duì)又針對106個(gè)感知和運(yùn)動(dòng)神經(jīng)元進(jìn)行了高精度建模，高度擬合了它們的電生理動(dòng)力學(xué)。

統(tǒng)計(jì)下來，單個(gè)神經(jīng)元最多艙室（compartment）數(shù)2313個(gè)，最少10個(gè)。302個(gè)神經(jīng)元平均每個(gè)52個(gè)艙室。神經(jīng)元之間的突觸連接精細(xì)到神經(jīng)突（樹突、軸突）的水平：

然后，團(tuán)隊(duì)構(gòu)造了一個(gè)3D流體動(dòng)態(tài)仿真環(huán)境，讓線蟲在接近真實(shí)的場景下運(yùn)動(dòng)起來。

注意，模擬環(huán)境這一步尤為重要，它是研究線蟲如何自適應(yīng)微觀環(huán)境運(yùn)動(dòng)方式的關(guān)鍵步驟。

線蟲建模精細(xì)到亞細(xì)胞（微米級(jí)別）后，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(gè)數(shù)量級(jí)。

在這種情況下，線蟲還能自如地吃飯喝水供能，與其和環(huán)境交互的巧妙方式密不可分。

因此，天演團(tuán)隊(duì)結(jié)合計(jì)算神經(jīng)學(xué)、運(yùn)動(dòng)力學(xué)、圖形學(xué)等多學(xué)科交叉，為智能線蟲“天寶”構(gòu)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能體訓(xùn)練的流體仿真環(huán)境。

具體來說，這個(gè)環(huán)境框架由包含三維建模、有限元求解、簡化流體模型、強(qiáng)化學(xué)習(xí)、可視化等多個(gè)模塊，能最大程度上模擬線蟲與環(huán)境的交互方式。

相比目前國際領(lǐng)先的OpenWorm線蟲仿真項(xiàng)目，天演團(tuán)隊(duì)的流體仿真環(huán)境規(guī)模更大，也更適合作為生命體的多體/群體智能行為仿真環(huán)境、完成智各種能體學(xué)習(xí)訓(xùn)練復(fù)雜任務(wù)等。

最后，團(tuán)隊(duì)將線蟲模型放到仿真環(huán)境中，完成了初步訓(xùn)練。

這些都是未來天演平臺(tái)的組成部分。具體來說，這是一個(gè)還在建造中的多GPU集群平臺(tái)，可用于高精度、大規(guī)模生物神經(jīng)元的模擬。

在場景尺度超過1300個(gè)線蟲身長的仿真環(huán)境下，團(tuán)隊(duì)現(xiàn)在已經(jīng)初步訓(xùn)練出了能夠根據(jù)環(huán)境化學(xué)信號(hào)分布自主行動(dòng)的“智能線蟲”，而這一場景也能支持更大空間和多線蟲群體仿真。

據(jù)團(tuán)隊(duì)表示，“智能線蟲”模型能夠高效、精準(zhǔn)地計(jì)算與流體環(huán)境相互作用的規(guī)律，在相同計(jì)算資源下，單線蟲單次仿真時(shí)間小于0.1秒。

下一階段，天演團(tuán)隊(duì)計(jì)劃讓這只“賽博線蟲”實(shí)現(xiàn)避障、覓食等更復(fù)雜的智能任務(wù)。

事實(shí)上，類腦智能研究一直是個(gè)全球性課題。

國際上，包括歐盟腦計(jì)劃支持的Blue Brain項(xiàng)目、美國腦計(jì)劃等都在進(jìn)行類腦研究；科技巨頭如谷歌，近5年一直在發(fā)布腦圖譜、腦工具；高校研究機(jī)構(gòu)如MIT，用19個(gè)線蟲模擬神經(jīng)元實(shí)現(xiàn)了自動(dòng)駕駛控制……

然而，單從類腦研究來看，各團(tuán)隊(duì)的研究方向卻有很大不同，甚至有相當(dāng)一部分團(tuán)隊(duì)藉由先設(shè)計(jì)芯片、再設(shè)計(jì)算法的方式來實(shí)現(xiàn)類腦計(jì)算。

但這樣的研究，反而會(huì)被芯片等硬件約束了算法的設(shè)計(jì)與實(shí)現(xiàn)，最終與實(shí)現(xiàn)類腦智能的目標(biāo)相距甚遠(yuǎn)。

相較之，天演團(tuán)隊(duì)選擇從實(shí)現(xiàn)AI的角度，去研究并實(shí)現(xiàn)類腦智能。

但即便如此，費(fèi)盡心力建模一個(gè)線蟲大腦，真的有意義嗎？

線蟲“大腦”，有什么用？

若是用一句話來概括這個(gè)問題，那便是：

這是邁出人造智能生命的關(guān)鍵一步。

自人工智能誕生以來，把“機(jī)器打造得像人一樣”，便成為了研究人員一直努力研發(fā)的方向。

然而隨著時(shí)間的推移，哪怕到了現(xiàn)今以深度學(xué)習(xí)為主的發(fā)展階段，人工智能還是沒有達(dá)到真正意義上的智能程度。

即便是像2016年AlphaGo轟動(dòng)世界的那場圍棋比賽，也只是刷新了人們對于人工智能的認(rèn)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(dòng)能力，卻是相當(dāng)困難，甚至是不可能的。

那么，問題到底出在了哪里？

在2016年的時(shí)候，智源研究院院長黃鐵軍就給出過答案。

他認(rèn)為，深度學(xué)習(xí)本質(zhì)上依賴于人工神經(jīng)網(wǎng)絡(luò)，而生物的智能所依靠的是生物神經(jīng)網(wǎng)絡(luò)。

其中，人工神經(jīng)網(wǎng)絡(luò)更接近于“實(shí)現(xiàn)功能”，而生物神經(jīng)網(wǎng)絡(luò)模擬的則是“實(shí)現(xiàn)功能的結(jié)構(gòu)”，二者在“體量”上便不是一個(gè)級(jí)別的，后者明顯要龐大得多，也更重要——

因?yàn)榻Y(jié)構(gòu)決定功能，而生物神經(jīng)網(wǎng)絡(luò)才是智能的載體。

因此，黃鐵軍基于這種情況下所提出的“解法”是：

從腦機(jī)理模擬的角度出發(fā)。

簡單來說，就是要去探索生腦大腦內(nèi)部的“運(yùn)作模式”，這才是通向通用人工智能的途徑之一。

無獨(dú)有偶，在更早的2009年，瑞士洛桑聯(lián)邦理工學(xué)院的Henry Markram教授也提出過類似的觀點(diǎn)。

當(dāng)時(shí)他宣布了一個(gè)計(jì)劃——將在理解大腦結(jié)構(gòu)的基礎(chǔ)之上，用超級(jí)計(jì)算機(jī)建立大腦模型。

這項(xiàng)計(jì)劃后來得到了歐盟的大力支持和關(guān)注，因?yàn)檫@種方式的意義不僅僅是理解人類大腦智能的本身，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(gè)大腦神經(jīng)網(wǎng)絡(luò)，靠計(jì)算機(jī)是相當(dāng)困難的。

這不僅僅是因?yàn)橛?jì)算模擬的復(fù)雜度，更是因?yàn)?strong>生物大腦本身的復(fù)雜度。

畢竟人類大腦的含有神經(jīng)元數(shù)量高達(dá)1011，其所需的計(jì)算量和成本可見一斑。

而人類實(shí)際上通過大腦去做推理、創(chuàng)作等一系列行為時(shí)，所消耗的功耗僅為20-25瓦。

也就是說生物大腦具備了“高智能”、“低功耗”的特性。

這也就是為什么說研究生物大腦，是通向通用人工智能最佳藍(lán)本的原因所在了。

而且這種信號(hào)也已經(jīng)開始浮現(xiàn)。

例如2021年發(fā)表于頂刊NEURON上的Single Cortical Neurons as Deep Artificial Neural Networks研究表明——

一個(gè)深度神經(jīng)網(wǎng)絡(luò)需要5到8層互聯(lián)神經(jīng)元才能表征單個(gè)生物神經(jīng)元的復(fù)雜度。

這也就證明了單個(gè)神經(jīng)元所具備的計(jì)算力之強(qiáng)，所以若是能夠?qū)蝹€(gè)神經(jīng)元做非常精細(xì)化的刻畫，便可更加逼近生物處理信息的復(fù)雜過程。

但更精細(xì)化地模擬生物大腦的意義還遠(yuǎn)不止于此。

目前人類在大腦方面仍然存在許多較為棘手的疾病，例如阿爾茲海默癥、抑郁癥和腦損傷等。

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(xì)地模擬具備生物性質(zhì)的大腦，那么或許會(huì)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(rèn)識(shí)大腦，是在認(rèn)識(shí)大腦本身的同時(shí)，也是在重視人類自己。

來自圖靈獎(jiǎng)得主都參與的大會(huì)

回歸到此次最高精度模擬的“智能蟲”，它的亮相，正是在2022北京智源大會(huì)。

在這場大會(huì)上，包括學(xué)術(shù)界、產(chǎn)業(yè)界的各個(gè)AI大牛，都會(huì)介紹自己最前沿、最關(guān)鍵的AI研究成果。

而除了“智能線蟲”之外，這場峰會(huì)還發(fā)布了其它多項(xiàng)重要研究成果。

例如九鼎智算平臺(tái)。

它的算力高達(dá)1000P（在建中），劍指計(jì)算新范式，包括通用智能大模型、AI for science等趨勢性科研方向。

據(jù)了解，九鼎智算平臺(tái)有別于目前已有的商業(yè)云計(jì)算。

首先在任務(wù)方面，現(xiàn)有的公有云主要是以高并發(fā)的推理任務(wù)為主；但九鼎智算平臺(tái)則是面向大模型訓(xùn)練為代表的大規(guī)?；旌嫌?jì)算任務(wù)。

其次在結(jié)構(gòu)方面，九鼎智算平臺(tái)在現(xiàn)有的處理器和加速器的異構(gòu)計(jì)算云平臺(tái)資源上，需要構(gòu)造一套能融合以深度學(xué)習(xí)為代表的AI和高性能計(jì)算任務(wù)的云平臺(tái)架構(gòu)。

最后在適配方面，平臺(tái)需要支持多家廠商的異構(gòu)AI加速芯片，九鼎團(tuán)隊(duì)希望探索自動(dòng)適配的新方法，讓自動(dòng)每一款異構(gòu)計(jì)算芯片能發(fā)揮其最佳運(yùn)算能力，提高平臺(tái)的整體效率。

不難看出，AI大模型和AI for?Science，是九鼎智算平臺(tái)的“主旋律”了。

而除了技術(shù)和平臺(tái)的發(fā)布之外，在“把技術(shù)用起來”這事上，智源研究院也公布了最新進(jìn)展。

也就是此前推出的悟道大模型。

例如悟道GLM模型已經(jīng)在美團(tuán)App上使用，約7億用戶享受到了它的能力。

據(jù)了解，在智能客服方面帶來了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(gè)新臺(tái)階。

現(xiàn)在通過這個(gè)模型生成動(dòng)物的圖片，其質(zhì)量已經(jīng)堪比攝影照片，這將具備非常大的商業(yè)潛在價(jià)值。

悟道CogVideo模型，則已經(jīng)可以實(shí)現(xiàn)“一句話生成視頻”。例如只要說：

讓綠巨人在屏幕上咆哮、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(dòng)……

那么與之對應(yīng)的視頻畫面，分分鐘內(nèi)便可以打造出來了：

但除了項(xiàng)目和成果的發(fā)布之外，與會(huì)嘉賓也是此次北京智源大會(huì)的一大亮點(diǎn)。

今年不僅請來了圖靈獎(jiǎng)得主Adi Shamir，Karl Friston、Cynthia Dwork等多位世界級(jí)科學(xué)家。

還有全球頂級(jí)AI實(shí)驗(yàn)室的科研代表，例如DeepMind首席AI科學(xué)家Richard Sutton、OpenAI研究團(tuán)隊(duì)負(fù)責(zé)人Meta AI 西雅圖負(fù)責(zé)人等。

他們會(huì)在此次大會(huì)中，針對機(jī)器學(xué)習(xí)、多模態(tài)、大模型、AI開源等研究方向做最新進(jìn)展報(bào)告。

目前，大會(huì)依舊處于“進(jìn)行時(shí)”，感興趣的朋友可以戳下方鏈接進(jìn)行參與。

2022北京智源大會(huì)線上地址：

https://2022.baai.ac.cn/schedule