人类最伟大的期望之一就是设计出拥有超越人脑“认知性智能（cognitive intelligence）”的机器。虽然电脑运算能力变得越来越强大并有望超过人类大脑，但直至今天，我们仍未能设计出这样的机器。最近，Neftci等人在《美国国家科学院院刊》上发表的文章给我们带来了耳目一新和震撼人心的提示：高性能运算所具有的严苛的数字精度并不会产生大脑的认知，然而，一个非常有效并具有弹性的集体形式的运算却产生了大脑认知。这种集体形式的运算是在迟钝、不严谨和不可靠的模拟组件组成的巨形集合体中进行的。John von Neumann在他最后一篇文章（1957年）中首次提出了这一现象，这现象在数十年之后的今天，不断地挑战科学家和工程师们：找到并再现出大脑样认知运算（cognitive computing）的机制。

目前在神经科学领域，通过科学家和工程师的合作，相关的发展正以宏大的规模在推进对大脑的理解。与欧洲“人类脑计划”同时推进的美国“脑计划”（BRAIN Initiative，全称为“推进创新神经技术脑研究计划”）承诺将在研究工具上取得突破性的进展，为神经科学带来革命性改变：运用纳米技术探测脑功能，使得研究能够在空间和时间的细节方面得到大幅提高。工程师们为这项神经科学的革命性发展整装待发以期做出更大的贡献。就这一点而言，将“分析”（analysis）与“综合”（synthesis）相联系是非常有益的；“分析”是科学的好奇本质，“综合”是工程学的建设性力量。尽管神经科学的“分析”已经取得了不起的成绩：神经和突触的结构研究已经达到分子层面；但是“分析”像大脑这样复杂的结构就离不开“合成”所搭建的桥梁，更不用说“分析”大脑的认知功能。系统工程擅长对越来越抽象的对象进行分层模块化组合，从而对复杂功能进行“综合”，并且为系统神经科学领域的中枢神经系统多尺度研究提供一个平台。Carver Mead在1990年的宣言中首次提出了神经形态系统工程学（neuromorphic systems engineering）的概念，他为这样的研究模式（综合分析法，analysis by synthesis）提供了一个引人注目的例子，即“在硅芯片中逆向调控神经回路”: 宏观处，绘制代表大脑各级神经运算模块和模拟这些模块的硅电子元件的同构相似之处；微观处，在粒子水平，比较“跨膜离子转运”与“阈下刺激跨金属氧化物半导体晶体管能量位垒的电子转运”相似的物质基础（图1A）。除了促成系统神经科学的进步之外，以硅芯片技术为基础的“综合分析”模式的神经系统实验，为研究极低功耗小型化设备的工程学提供了巨大的附带利益。通过对生物相似物功能结构的模拟，同时提供感受处理和运算过程中尽量相似的能源效应；这些神经形态设备能够在其环境中发挥更加有效和更加自然的作用。可以用几个例子来说明神经形态系统工程学最近的进展：我们可以通过硅视网膜和硅耳蜗来看见和听到这个世界；硅质皮层模型运行速度比人脑快；突触阵列运行的能源效率与人脑突触传递的效率相当。

然而，迄今为止，达到人类认知水准的机器智能却不知何时才能出现。如果对认知的复杂性稍有认识则会对机器智能目前面临的挑战有进一步的了解（图1B）。为了论证方便，我们首先界定“认知”的概念，即在特定环境下由某种激发因素导致的决策过程，例如象棋手决定棋子在棋盘上移动的过程。认知任务的复杂性，能够解释环境中可获取的任何激发因素导致的各种可能状况，它来源于决策过程广度和深度的指数扩展，并在任何简单但相关的任务里迅速地扩展到天文级水平。树检索算法（Efficient tree-search algorithms）能够在动态编程过程中根据贝尔曼最优化原理（Bellman’s principle of optimality）使用变量来耗竭搜索空间，高效的树检索算法能够处理相对复杂的问题，例如国际象棋，但是它的成本巨大，其消耗的运算资源与任务的复杂性是呈线性关系的。精确的符号推理在搜索中需要对大部分的状态矢量空间进行采样，这样的线性关系是首要的限制。与此相反，人类的大脑执行这种时序逻辑任务是相当困难的，因为它需要实时地将大量的嵌套式工作记忆具体化。由此来看，计算机在非结构化数据的深度搜索上能够轻易地超越大脑也就不值得惊奇了，更不用提那些能够替代大脑的神经形态设备：例如，首次穿越迷宫，或者用特定的关键词在网络上搜索到某个文档。然而，最关键的不同之处在于，我们能够感知的世界大多是高度结构化的，并且我们的大脑能够通过高效率地概括和降维，从感官数据中学习结构。因此，我们在处理超多尺度的自然结构化数据问题时，也许可以期待基于智慧线（brain-line）认知运算模式的神经形态模型能够超越传统的“冯•诺依曼”电子计算机（冯•诺依曼被誉为计算机之父）：例如高水平的视觉认知，在此过程中由传统的电子状态机实现带来的任务复杂性与机器复杂性之间的线性关系被抑制。

因此，神经形态工程学最令人激动之处，在于它开启了大胆地深入研究高复杂性任务的新纪元。它不仅使大脑认知的解密变得可能，并且能够全面地进行研究，并提供传统运算方式不能达到的高效性。那么，我们如何才能做到这些呢？举例来说，某种神经形态替代设备，如果没有使用和人脑一样多的资源，就不可能像人脑一样完成复杂的任务：人脑大约拥有1012个神经元和1015个神经突触，这些生物结构如果不是必要的，早就在进化中被淘汰以适应有限的空间和代谢的需要。幸运的是，神经形态硅纳米技术已经可以达到人脑的极高密度和能源效率（每平方厘米有1011个突触，每一次突触的活动消耗1fJ能量），而该项技术能够在在0.002平方米的空间里消耗20瓦的能量，因此能够在移动设备或置入平台上进行“具身认知（embodied cognition）”。

毫无疑问，仅仅将神经形态设备的硬件升级到人脑的神经元和突触的数量级，并不足以保证它能够获得认知性智能。Neftci等人的贡献在于，他们揭示了神经形态系统中情景相关（context-sensitive）的认知行为的组成元素，而我们知道神经形态系统是拥有可靠的软性的“赢家通吃”【soft Winner-Take-All (WTA)】动力学的模块化的结构。神经形态的“软性状态机械设备”（soft-state machines）和数码的“有限状态机械设备”（finite-state machines）截然不同，后者与任务复杂性具有线性关系。这种软性状态机械设备相当于认知中的“习惯”。在人脑中，通过在不同分散式状态的工作记忆之中学习软转换，这些“习惯”能够轻易被回忆起来；在认知过程中，基于原则的符号推理因大量的嵌套的工作记忆不断地呈现，耗费脑力，而软性状态机械设备能够避免这种过度的脑力耗费。Neftci等人指出，在应用方面，软性WTA网络的选择性放大和内在的信号存储功能提供了工作记忆的稳定模块，这些工作记忆是类似于神经编码的情景；在这些情景中的转换是输入依赖的，在此转换过程中，遍布软性WTA模块中的稀疏的突触连接产生了认知习惯。尽管Neftci等人故意锁定低端的任务复杂性来进行概念验证，但是这些概念已经逐步扩展到了神经的横向和纵向的各层面（图1A）。工作记忆在亚稳定状态中出现的“临床异质性转换”（Heteroclinic transitions）会发生在各个层次的不同水平上，低水平的认知过程模块化了这些临床异质性转换。对于某个认知主体来说，这样分层的模块结构对于学习伴随着复杂嵌套式认知行为的习惯性反应是非常必要的。为了将这样的认知行为有效地嵌入到压缩的神经编码中去，分层和深度学习是同样重要的。事实上，对于一个既定的任务复杂性，多尺度的有效学习是重要的降维方式，这样能够简化机械复杂性（图1B）。凭借奥卡姆剃刀，这样的精简方式也能够提供优质的概括，进一步有益于认知活动。

人类的大脑提供了一个很好的实物证明，不精确、不可靠的模拟回路组件的集合能够产生高度可靠的认知行为，这些认知行为即便不可复制，也是非常有弹性的。有待解决的问题是这样的行为能够发散到什么程度？从更多的传统的计算机功能结构中仔细地进行精雕细琢的功能性总结，也许更有效。近来，神经形态设计的趋势是大规模的认知运算皮质模型，这一趋势支持一项混合工艺。这项工艺结合了高效模拟的连续时间树突状突触仿真集合、神经元兴奋性（灰质）和具有高度灵活性的数字选通的轴突纤维束的动作电位（白质），提供内存表中可具体化的、可重构的、长期、动态的突触连接。纯粹的数字替代品也都是堆焊的，提供了可以用“微微焦耳”表示的、可比较的每个峰值的能源效率，但是通过数字积累和转换峰值来概括神经元和突触功能的连续时间的模拟的实质。在任务复杂性轴的认知竞赛里，时间最终会告诉我们物理真实感和数字抽象的最佳搭配（图1B），但是，深度学习的最新进展支持了神经形态工程学的基本观点，即玻耳兹曼统计（Boltzmann statistics）是计算智能的最基本的物理学基础。比硅芯片更好的用来做仿真基质的材料有哪些呢？电子和小孔在场效应晶体管的通道中通过时内在的玻尔兹曼统计，类似于钠、钾和其他离子在细胞膜的离子通道中运动。正如Carver Mead所说：倾听技术的声音，然后找到它所告诉你的东西。不久之后，在天时地利人和的情况下，我们也许能够听到科学家和工程师们共同打造的和谐动听的“硅芯片”交响曲，以便我们全面地了解大脑，并用这种知识来提高我们的健康和智能水平。

（作者：刘荣军、沈颖)

参考文献：《Proceedings of the National Academy of Sciences》2014;110:15512-15513