马克拉姆的蓝脑计划：人脑模拟进展

准确模拟人脑是构建数码大脑的方法之一。例如，哈佛大学脑科学博士生大卫·达尔林普尔（David Dalrymple）就计划模拟一种线虫（蛔虫）的大脑，因为线虫的神经系统构造相对来说比较简单，大约只有300个神经元，他打算模拟到非常细微的分子层级。^[149]同时，他还给这个大脑加了个虚拟身体，并模拟了线虫真实的生存环境，如此一来，这个虚拟线虫就可以像真实的线虫那样猎食、做其他同类擅长的事情。达尔林普尔说，这似乎是人类第一次完全模拟生物大脑，并且让其生活在虚拟环境中。尽管线虫在竞争食物、消化食物、躲避猎食者和繁衍后代这些方面的确拥有某些技巧经验，但我们依然无从知晓线虫是否真的有意识，更不用说模拟线虫了。

亨利·马克拉姆的蓝脑计划却致力于模拟人脑，包括整个新皮质和海马体、杏仁核以及小脑等旧脑区域。各个部分的模拟程度有所不同，最高可达到分子层级的完全模拟。如同我在第4章提到的那样，马克拉姆已经发现了新皮质中反复出现神经元的关键分子，这说明学习是由这些分子而不是那些单个神经元完成的。

马克拉姆的计划进度持续呈指数级速度增长。2005年这个项目刚刚启动时，他就成功模拟出第一个神经元。2008年，他的团队已经模拟出包含10000个神经元的老鼠大脑新皮质。截至2011年，模拟能力扩大到100个皮质柱，成功模拟了106万个神经元，马克拉姆将它称为“中回路”（mesocircuit）。马克拉姆的研究引发了反对者的争议，他们认为马克拉姆虽已成功模拟出神经元，但却无法证明这些模拟神经元就是真实神经元的再现。要证明这一点，这些模拟神经元必须演示出我将在下面讨论的学习。

马克拉姆当时计划到2014年，完成对老鼠整个大脑100个中回路的完全模拟，总共包含1亿个神经元和大约1万亿个突触。在2009年牛津召开的TED大会上，马克拉姆说道：“模拟人类大脑并非不可能，我们可以在10年内完成这项任务。”^[150]他最近的目标是在2023年完成全脑模拟（见图7-1）。^[151]

图7-1计算机速度（软磁盘）

通过对真实神经元详细的解剖及电化学分析，马克拉姆及其团队试图以真实神经元为模板建构模型。借助名为“膜片钳机器人”（patch-clamprobot）的自动装备，他们能够测定特定的粒子通道、神经传递素以及负责每个神经元内电化学活动的生化酶。马克拉姆说，这种自动系统能将30年的分析时间缩短为6个月。而且他们还从这些分析中发现了新皮质的基本功能单元——“乐高记忆”（Lego memory）模块。

MIT神经科学家艾德·博伊登（Ed Boyden）、佐治亚大学机械工程技术系的克雷格·福里斯特教授（Craig Forest）及其研究生撒哈拉·利丹达拉玛哈（Suhasa Kodandaramaiah）均对膜片钳机器人技术作出了突出贡献（见图7-2）。他们宣称，在不损害神经元精细薄膜组织的情况下，这种精确到1微米的自动系统，可以近距离扫描神经组织。博伊登说：“这是人类不能而机器人却能做的事情。”

回到马克拉姆的模拟，在成功模拟出一个新皮质皮质柱后，马克拉姆说过：“现在我们要做的就是扩大模拟数量。”^[152]数量的确很重要，但仍有其他重要问题需要解决，即学习。如果蓝脑计划所模拟的大脑要会“讲话、思考、像人类那样活动”——马卡拉姆在2009年接受BBC采访时提到的目标，那么要完成上述任务，大脑的模拟新皮质就必须拥有足够的信息。^[153]任何试图跟新生儿交流的人都会明白，想达到上述目标还有很多学习要完成。

有两种方法可以让蓝脑计划这种模拟大脑具备学习能力。第一种，让模拟大脑像人脑那样学习。模拟大脑应像新生儿那样——自身就具有学习分层知识以及在感觉预处理区预编某些转化的能力。我们还需将新生婴儿和具备交流能力的成人之间的学习模式放到非生物大脑的学习模式中。但是这种方法仍存在问题，按照蓝脑模拟的大脑要正常运行的话，至少要等到21世纪20年代早期。除非研究人员愿意等个10年或20年，让蓝脑达到成人的智力水平，否则，即使计算机性价比越来越高，运行速度持续加快，蓝脑的现实运行速度依然会很缓慢。

另外一种方法就是以一个或多个人脑为模型，因为人脑已经拥有充足的知识，可以进行有意义的语言交谈以及表现成熟的行为，然后将人脑的新皮质模式复制到模拟大脑中。这种方法的问题在于，它要求我们掌握能够处理这个任务、具备足够的时空分辨率的无损伤扫描技术。我认为这项“移植”技术直到21世纪40年代左右才会问世。（准确模拟大脑的计算要求——大约每秒10¹⁹，可能会于21世纪20年代在超级计算机上得以实现，但是实现大脑无损扫描则需要更长的时间。）

还有第三种方法，我认为像蓝脑这样的模拟计划就应该采用这种方法。通过构建不同精细程度的功能等同体，我们可以简化分子模型，包括本书中描述的功能算法以及接近全分子模拟的模型。学习速度也会因简化而提升，提升的速度则取决于简化的程度。我们还可以将教育软件植入模拟大脑（利用功能模型），模拟大脑学习的速度也会相对提高。这样，全分子的模拟大脑就可以被较为简单的模型取代，而后者仍然保留了前者循序渐进的学习方式。之后我们就可以循序渐进地模仿人类的学习。(www.xing528.com)

美国计算机科学家、IBM认知计算创始人达曼德拉·莫哈（Dharmendra Modha）及其IBM的同事已成功模拟了人类视觉新皮质的细胞层级，其中包含16亿个视觉神经元和9万亿个突触，相当于一只猫的新皮质神经元和突触总和。即使将其装入拥有147 456个处理器的IBM蓝色基因超级计算机，其运行速度还是比人类的处理速度慢100倍。他们凭借这项工作获得了美国计算机协会颁发的贝尔·戈登奖（Gordon Bell Prize）。

无论是蓝脑计划，还是莫哈的新皮质模拟计划，这些仿生大脑计划的最终目的都可归为一点——完善和确定一个功能模型。与人脑水平相当的人工智能主要采用本书中讨论的模型——功能算法模型。但是精细到分子程度的模拟可以帮助我们完善此模型，并让我们明白到底哪些细节才是最重要的。20世纪八九十年代的语音识别技术发展过程中，只要能够了解听觉神经及早期听觉皮质负责的实际信号传递，我们就能精简算法。不论功能模型多么完美，弄清楚它在大脑中的运行轨迹也是有益的——因为这会加深我们对人类功能机制和机能失调的认识。

只要拥有真实大脑的详细数据，我们就能模拟出生物学意义上的大脑。马克拉姆团队正在收集自己的数据。还有其他规模较大的项目也在收集此类数据，并将所收集的数据转化成科学家可以利用的数据。例如，纽约的冷泉港实验室（Cold Spring Harbor Laboratory）在对某种哺乳动物（老鼠）的大脑进行扫描后，于2012年6月公布了500兆兆字节的数据。在他们公布的扫描图上，用户可以像在谷歌地图上查看位置那样查看大脑的各个组成部分。用户可以在整个大脑区域内任意移动，放大任意区域，以清楚地观看某个神经元及其与其他神经元的联结。用户还可以点亮任意联结并跟踪它在脑内的运行轨迹。

美国国家卫生研究院（NIH）的16个部门共同承接了名为“人类联结组计划”（Human Connectome Project）的新项目，并获得3 850万美元的资助。该项目由圣路易斯华盛顿大学领衔，明尼苏达大学、哈佛大学、马萨诸塞总医院、加州大学洛杉矶分校也参与其中。该项目致力于使用一些非侵入性的扫描技术，包括新型核磁共振、脑磁图仪（记录大脑电流活动产生的磁场）、弥散跟踪技术（跟踪大脑纤维束轨迹的方法），绘制人类大脑三维联结图。

就像我将在第10章讲到的，非侵入性扫描技术的空间分辨率正在飞速提高。哈佛大学神经科学家范·韦丁恩及其马萨诸塞总医院的同事发现：新皮质的电路呈现出一种高度规则的网格结构，这个结构我已经在第4章中讲到过。

牛津大学计算机神经科学家安德斯·桑德伯格（Anders Sandberg）和瑞典哲学家尼克·博斯特罗姆（Nick Bostrom）联合发表了一篇名为《全脑模拟》（WholeBrain Emulation）的论文。该论文详细论述了不同级别的人脑模拟（也包括其他类型的大脑）——从高级功能模型到分子级别（见图7-3和图7-4）。^[154]

该论文虽未提供统一标准，却对模拟不同类型大脑的精确性提出了要求，如大脑扫描、建模、储存和计算方面。论文中预测这些领域的研究能力正在飞速发展，精细的人脑模拟不久之后就会成为现实。

图7-3全脑模拟所需的技术能力略图

图7-4《全脑模拟》一文的技术框架