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個神經(jīng)元)

這一次，國內(nèi)的學者不僅把秀麗線蟲全部的神經(jīng)元網(wǎng)絡還原了出來，更是細到了它們的亞細胞級連接關系。

據(jù)了解，它的精細程度已經(jīng)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(jīng)元的計算復雜度進行了研究，文章指出，一個深度神經(jīng)網(wǎng)絡需要 5 到 8 層互聯(lián)神經(jīng)元才能表征單個生物神經(jīng)元的復雜度。

而通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(tài)蠕動前行。

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)研究團隊的介紹：

這是邁出人造智能生命關鍵一步。

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，整體結構又非常簡單，成蟲只有大約1000多個體細胞。

就是這只長約1mm的透明小生物，已經(jīng)是科學研究界的“?？汀保?0年來有三次諾貝爾獎都與它有關。

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

△雌雄同體，共有302個神經(jīng)細胞

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)控機制也有重要作用。

但研究結構是一回事，用計算機建模又是另一回事了。

要知道，模擬一個生物的神經(jīng)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(zhì)交換、神經(jīng)元間動作電位的產(chǎn)生和傳導等行為非常復雜。

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、方向等多個參數(shù)，用數(shù)學模型來計算模擬還會更加復雜。

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

此前，雖然已經(jīng)有不少團隊在進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能“賽博線蟲”，實現(xiàn)了讓它在3D流體仿真環(huán)境下動態(tài)蠕動前行、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，團隊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)元的每個部分都模擬成不同的電路元件;

△HH模型示例，圖片來源于維基百科—真·生物是一臺精密的電子儀器

多艙室模型，將神經(jīng)元視為一個系統(tǒng)，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(shù)目也各不相同。

△圖片來源于江小芳, 劉深泉, 張煦晨著論文《中等多棘神經(jīng)元的多房室模型分析》

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

施工完成后的這只“智能線蟲”，精細建模了秀麗隱桿線蟲(雌雄同體)的302個神經(jīng)元、以及這些神經(jīng)元之間的數(shù)千個連接，使用了14種離子通道，細節(jié)達到了亞細胞級別。

線蟲的302個神經(jīng)元分為感官神經(jīng)元、中間神經(jīng)元和運動神經(jīng)元等，在這其中，團隊又針對106個感知和運動神經(jīng)元進行了高精度建模，高度擬合了它們的電生理動力學。

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

然后，團隊構造了一個3D流體動態(tài)仿真環(huán)境，讓線蟲在接近真實的場景下運動起來。

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微觀環(huán)境運動方式的關鍵步驟。

線蟲建模精細到亞細胞(微米級別)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數(shù)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(huán)境交互的巧妙方式密不可分。

因此，天演團隊結合計算神經(jīng)學、運動力學、圖形學等多學科交叉，為智能線蟲“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能體訓練的流體仿真環(huán)境。

具體來說，這個環(huán)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。

相比目前國際領先的OpenWorm線蟲仿真項目，天演團隊的流體仿真環(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、完成智各種能體學習訓練復雜任務等。

最后，團隊將線蟲模型放到仿真環(huán)境中，完成了初步訓練。

這些都是未來天演平臺的組成部分。具體來說，這是一個還在建造中的多GPU集群平臺，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個線蟲身長的仿真環(huán)境下，團隊現(xiàn)在已經(jīng)初步訓練出了能夠根據(jù)環(huán)境化學信號分布自主行動的“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)團隊表示，“智能線蟲”模型能夠高效、精準地計算與流體環(huán)境相互作用的規(guī)律，在相同計算資源下，單線蟲單次仿真時間小于0.1秒。

下一階段，天演團隊計劃讓這只“賽博線蟲”實現(xiàn)避障、覓食等更復雜的智能任務。

事實上，類腦智能研究一直是個全球性課題。

國際上，包括歐盟腦計劃支持的Blue Brain項目、美國腦計劃等都在進行類腦研究;科技巨頭如谷歌，近5年一直在發(fā)布腦圖譜、腦工具;高校研究機構如MIT，用19個線蟲模擬神經(jīng)元實現(xiàn)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芯片、再設計算法的方式來實現(xiàn)類腦計算。

但這樣的研究，反而會被芯片等硬件約束了算法的設計與實現(xiàn)，最終與實現(xiàn)類腦智能的目標相距甚遠。

相較之，天演團隊選擇從實現(xiàn)AI的角度，去研究并實現(xiàn)類腦智能。

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”，有什么用?

若是用一句話來概括這個問題，那便是：

這是邁出人造智能生命的關鍵一步。

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

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

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于人工智能的認知。

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。

那么，問題到底出在了哪里?

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(zhì)上依賴于人工神經(jīng)網(wǎng)絡，而生物的智能所依靠的是生物神經(jīng)網(wǎng)絡。

其中，人工神經(jīng)網(wǎng)絡更接近于“實現(xiàn)功能”，而生物神經(jīng)網(wǎng)絡模擬的則是“實現(xiàn)功能的結構”，二者在“體量”上便不是一個級別的，后者明顯要龐大得多，也更重要——

因為結構決定功能，而生物神經(jīng)網(wǎng)絡才是智能的載體。

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“運作模式”，這才是通向通用人工智能的途徑之一。

無獨有偶，在更早的2009年，瑞士洛桑聯(lián)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，用超級計算機建立大腦模型。

這項計劃后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，要想模擬人類整個大腦神經(jīng)網(wǎng)絡，靠計算機是相當困難的。

這不僅僅是因為計算模擬的復雜度，更是因為生物大腦本身的復雜度。

畢竟人類大腦的含有神經(jīng)元數(shù)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(chuàng)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本的原因所在了。

而且這種信號也已經(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——

一個深度神經(jīng)網(wǎng)絡需要5到8層互聯(lián)神經(jīng)元才能表征單個生物神經(jīng)元的復雜度。

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

但更精細化地模擬生物大腦的意義還遠不止于此。

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，若是能夠精細地模擬具備生物性質(zhì)的大腦，那么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。