人工智能邁出的一步是在計算機上模擬人類大腦如何運轉(zhuǎn)

摘要：在AI從功能相對專門化變成能夠像人類一樣輕松處理眾多任務之前，還有一段路要走。

近年來AI已迎來了巨大的飛躍。我們看到這項技術(shù)應用于自動駕駛汽車、協(xié)作式機器人和多用途深度學習系統(tǒng)（這種系統(tǒng)可以獨自玩轉(zhuǎn)各種各樣的棋盤游戲，借助地鐵地圖推斷路線或借助家譜圖推斷關系）。然而，在AI從功能相對專門化變成能夠像人類一樣輕松處理眾多任務之前，還有一段路要走。

向開發(fā)這種強人工智能邁出的一步是在計算機上模擬人類大腦如何運轉(zhuǎn)，以便研究人員能更深入地了解智能背后的內(nèi)在機理?？蓡栴}是，人類大腦異常復雜，即使借助今天的大型超級計算機的強大功能，還是不可能模擬人腦1000億個神經(jīng)元與數(shù)萬億個突觸之間的所有相互關系。

但現(xiàn)在這個目標更接近了一步，這要感謝一群國際研究人員，他們現(xiàn)在已開發(fā)出了一種算法，該算法不僅加快了現(xiàn)有超級計算機上的人腦模擬，還向未來的百億億次運算超級計算機（每秒能執(zhí)行上百億億次運算的計算機）上實現(xiàn)“全腦”模擬邁出了一大步。

全腦模擬所需的計算

這項研究成果發(fā)表在《神經(jīng)信息學前沿》（Frontiers in Neuroinformatics）雜志（https://www.frontiersin.org/articles/10.3389/fninf.2018.00002/full?utm_source=G-BLO&utm_medium=WEXT&utm_campaign=ECO_FNINF_20180302_exascale-brain）上，概述了研究人員如何在超級計算機機上構(gòu)建一個神經(jīng)網(wǎng)絡的新方法。想了解這項任務有多艱巨，僅舉一例來說明：現(xiàn)有的超級計算機（比如日本神戶計算科學高級研究所的千萬億次運算K計算機）也只能復制大腦中10%部位的活動。

那是由于它受制于構(gòu)建模擬模型的方式，這影響了超級計算機的節(jié)點之間如何通信。超級計算機可能有超過十萬個這樣的節(jié)點，每個節(jié)點都有自己的處理器來執(zhí)行運算。在更龐大的模擬中，這些虛擬神經(jīng)元分布在計算節(jié)點之間，以便高效地均衡處理工作負載，然而這些更龐大模擬面臨的挑戰(zhàn)之一是神經(jīng)網(wǎng)絡的高連通性，這需要大量的計算能力來復制。

斯德哥爾摩瑞典皇家理工學院的蘇姍娜?孔克爾（Susanne Kunkel）是論文作者之一，她說：“在神經(jīng)網(wǎng)絡模擬能夠進行之前，需要以虛擬方式構(gòu)建神經(jīng)元及其連接，這意味著它們需要在節(jié)點的內(nèi)存中創(chuàng)建實例。在模擬過程中，神經(jīng)元不知道目標神經(jīng)元在哪些節(jié)點上，因此神經(jīng)元的短電脈沖需要發(fā)送給所有節(jié)點。然后，每個節(jié)點檢查所有這些電脈沖中哪些對該節(jié)點上存在的虛擬神經(jīng)元來說很重要?！?/p>

用更簡單更形象的話來說，這比給每個節(jié)點發(fā)送整堆草垛，那樣每個節(jié)點都需要從這堆草垛中找到對它來說很重要的那些針。不用說，這個過程消耗大量內(nèi)存，虛擬神經(jīng)元網(wǎng)絡的規(guī)模增大時更是如此。想要使用現(xiàn)有技術(shù)來擴大規(guī)模，并模擬整個人腦，就需要比當今超級計算機多出100倍的處理內(nèi)存。然而，新算法改變了游戲規(guī)則，因為它可以優(yōu)化這個過程，為此它讓節(jié)點可以先交換哪些節(jié)點發(fā)送、哪些節(jié)點接收方面的信息，那樣以后每個節(jié)點只需要發(fā)送和接收它所需要的信息，沒必要翻遍整堆草垛。

論文作者、于利希研究中心的雅各布?喬丹（JakobJordan）說：“有了這項新技術(shù)，我們可以比以前更好地充分利用現(xiàn)代微處理器的并行機制，這在百億億次運算計算機中將變得極為重要?！?/p>

研究團隊發(fā)現(xiàn)，借助這種經(jīng)過改進的算法，一個由5.8萬億個突觸連接的5.2億個神經(jīng)元組成的虛擬網(wǎng)絡在于利希研究中心的超級計算機JUQUEEN上運行，能夠在5.2分鐘的運算時間模擬1秒鐘的生物時間，而以前使用傳統(tǒng)方法需要28.5分鐘的運算時間。

據(jù)預測，將來能夠執(zhí)行百億億次運算的機器將比當前超級計算機的性能高出10倍到100倍。借助該團隊開發(fā)的算法（將作為一種開源工具來提供），這將意味著更能夠探究智能在整體上的機理。