图片来源@视觉中国

文｜脑极体

人工智能这个词，从诞生到一路坎坷地迎来辉煌，就注定与“模拟”紧密相连。

1956年，在新罕布什尔州达特茅斯学院的一次小型会议上，赫伯特西蒙、约翰麦卡锡、克劳德香农等AI界的开山鼻祖们，就提出了“智能的任何特征，原则上都可以精确描述，因此我们可以制造机器来对它进行模拟”。

当代也有不少科学家坚信，观察研究人类大脑，可以轻松解决新一代人工智能的设计问题。2013年，欧盟牵头、26个国家135个合作机构参与的“人类脑计划”（Human Brain Project，简称HBP）也将重点放在了，如何通过超级计算机技术来模拟人脑功能，以期实现人工智能。

听起来，模拟人脑的思维路径，在此基础上进行推理运算，得到新的知识、判断，似乎是AI从诞生到进化的必由之路。

然而，远有日本雄心勃勃打造的能像人一样推理的“第五代计算机”宣告破产，近有耗时10年、烧光10亿欧元试图模拟大脑的“蓝脑计划”（Blue Brain Project）彻底凉凉，连一个蠕虫的大脑都没模拟成功。

这不禁让我们有些疑惑，AI与模拟大脑之间，到底存在着怎样复杂纠结的联系？

从热恋到冷落：模拟大脑如何成为AI的备胎

先解释一下，虽然都是对大脑智能的“模拟”，但不同人工智能学派的理念却各不一样。

符号主义学派主张模拟人脑的逻辑思维。先把问题或知识表示为某种逻辑结构，运用符号演算，从而实现表示、推理和学习等功能，典型代表就是专家系统。

联结主义学派则主张模拟人脑的生理结构和工作机理。通过人脑神经网络、神经元之间的连接以及在神经元间的并行处理,实现对人脑智能的模拟。现在街知巷闻的神经网络算法，就是这一理念的成功应用。

而行为主义学派则主张直接模拟智能行为的感知和动作模式。不要考虑复杂的知识、表征、推理等等，让AI在现实世界中通过自动控制过程与环境交互作用表现出来就好。

当然也有像瑞士神经科学家Henry Markram主导的“蓝脑计划”一样，试图用计算机创建复杂的数学模型，用来模拟人脑的86亿个神经元和100万亿的突触，以帮助研发出更智能的机器人。

在当时来看，所有模拟理论或多或少都有一些问题。比如符号主义很难说清楚，数字模型与人类心理相似性上的关联；联结主义智能粗略地模拟神经系统，如果训练多层网络使用的路径，就很难找到与之对应的生物学知识和匹配的硬件。行为主义只能实现低层智能，比如让机器虫爬来爬去，而复刻一个数字化大脑就更不现实了，因为想要从细胞层面构建人脑模型、模拟860亿个神经元的运作与相互关联，以今天的脑科学水平注定只是白花钱。

所以，现实中的人工智能，正如图灵说所，唯一需要做的事就是找到脑内运行的程序，获得正确的智能算法，然后在合适的硬件上运行它。

而时代的幸运儿就是深度学习。模拟人脑神经网络工作机制的深度学习方法，乘着互联网的东风直上青云，成为最适合将智能程序与算法下沉到社会机器上的核心技术。

在感知层面，利用现代计算机算力的提升，以及网络数据量的暴涨，让深度学习通过大规模数据集与训练来获得数据模型成为了可能。

而在让机器“看起来智能”的核心推理能力上，深度学习也展现了足够强大的进步。主要体现在两个方面：一种是判别事物。在已知属性的条件下，让机器对某个事物进行判断与分类，比如找出垃圾邮件或攻击性语言，亦或是从图像、视频中识别出某种特殊物体等等。

另一个能力则是生成。也就是通过训练好的模型，产生处符合该模型描述的数据。比如风靡一时的AI换脸，越来越机灵的智能语音助手，自动编写新闻的机器人等等。

得益于这种在应用场景上快速打开商业想象力的优势，我们今天提到AI，绝大多数人的第一反应，已经不再是被替代的恐慌、超越人类的恐怖故事，而是如何让数字世界为AI所用，再让以深度学习及衍生技术为基石的AI反哺千行万业，为社会生活提质增效。

既然如此，为什么科学家们还是对模拟人脑的方案念念不忘呢？这恐怕要从“赛尔的中国屋”说起。

念念不忘，必有回响：AI研究为何与模拟大脑再续前缘？

哲学家赛尔，曾经用这样一个例子，来表达他对模拟程序的“机器智能”并不认可。