近日，中國科學院自動化研究所徐波研究員和中國科學院腦科學與智能技術卓越創(chuàng)新中心蒲慕明院士在《國家科學評論》（NSR）上發(fā)表社論，就以促進更加綠色的類腦通用人工智能為目標，評述如何發(fā)展腦啟發(fā)的類腦神經(jīng)網(wǎng)絡架構、類腦學習算法及基于脈沖編碼的類腦計算軟硬件等。

《國家科學評論》刊發(fā)社論

大語言模型（LLM）的出現(xiàn)以及它們在生成任務中的驚人表現(xiàn)預示著通用人工智能（AGI）新時代的開始。在很大程度上，它們已經(jīng)通過了經(jīng)典的圖靈測試。

通過與機器人結合，大模型將進一步發(fā)展出更強大的具身智能?；诖笳Z言模型的各種科學、教育和商業(yè)應用正激發(fā)人們對未來人工智能的無限遐想。然而，大語言模型存在著大量的連接參數(shù)，它們在訓練和推理階段的計算調(diào)整和并行推理往往消耗了巨大的算力成本，這個問題將限制大語言模型作為社會基礎設施的廣泛應用。

發(fā)展受腦啟發(fā)的類腦通用智能研究是解決現(xiàn)有問題的一種有效途徑。人類大腦是進化過程賦予的一種高效生物神經(jīng)網(wǎng)絡，包含多樣的細胞類型和連接模式，且在人類出生后的腦發(fā)育過程中通過與環(huán)境交互進一步完善并形成高效的連接模式。即使我們不能像圖靈曾經(jīng)提出的那樣制造一個“兒童機器”（Child Machine），通用人工智能也仍然可以從兩個方面向成熟的大腦學習，即神經(jīng)網(wǎng)絡架構和類腦學習算法。

過去的人工神經(jīng)網(wǎng)絡在一定程度上受到了生物腦網(wǎng)絡的啟發(fā)，例如分層和模塊化的網(wǎng)絡結構，以及可調(diào)權重的突觸連接。然而，大腦網(wǎng)絡實現(xiàn)高效運轉不僅僅是更多神經(jīng)元和突觸的堆疊，更重要的是不同神經(jīng)元類型以及功能模塊之間的選擇性連接。大腦網(wǎng)絡從局部模式到全局拓撲已經(jīng)啟發(fā)了當今人工智能中的卷積、循環(huán)及多類Transformer等強大神經(jīng)算子。當前，全腦空間轉錄組（用于識別不同的神經(jīng)元亞型）和介觀連接組（用于定義特定細胞類型的連接）的研究，為進一步設計更有效的大語言模型網(wǎng)絡架構提供了更多的生物依據(jù)。

突觸連接往往通過短時和長時的突觸可塑性機制進行神經(jīng)活動的局部調(diào)節(jié)。全局神經(jīng)調(diào)質(zhì)可以在許多突觸上發(fā)揮作用，以改變局部突觸可塑性的能力和特性。類腦學習算法利用大腦發(fā)現(xiàn)的多尺度、多形式的突觸可塑性，如時序依賴突觸可塑性、自組織可塑性傳播、神經(jīng)調(diào)制元可塑性等，來決定網(wǎng)絡突觸權重的動態(tài)變化。類腦學習算法也可以通過梯度下降方法與可塑性學習規(guī)則相結合，使得在沿用反向傳播核心原理同時，解決很多高效計算問題。開發(fā)用于大模型權重學習的新算法需要神經(jīng)科學和人工智能之間的深度融合。

同步開發(fā)新的網(wǎng)絡架構和學習算法將發(fā)展出新形式的類腦計算（BIC），即在神經(jīng)形態(tài)芯片上實現(xiàn)生物啟發(fā)的脈沖神經(jīng)網(wǎng)絡算法（SNN）。在網(wǎng)絡和算法層面，SNN使用具有豐富動力學和脈沖模式的生物神經(jīng)元作為基本計算單元，可以更容易地采用多尺度突觸可塑性進行優(yōu)化。在硬件層面，神經(jīng)形態(tài)芯片需要新一代的非馮·諾依曼計算架構，通過借鑒大腦的事件驅(qū)動稀疏計算、高度并行運算以及存內(nèi)計算來降低硬件功耗成本。類腦計算的一個充滿吸引力的特質(zhì)是，在執(zhí)行推理時，只有一小部分脈沖神經(jīng)元被激活以參與稀疏加法運算。這種稀疏計算非常適合降低大型人工智能模型的訓練和推理成本。

社論認為， 除了開發(fā)綠色和可持續(xù)的低功耗人工智能這個緊迫問題，人們也越來越擔心未來通用人工智能的發(fā)展可能會以有害的方式對人類社會產(chǎn)生重大影響。考慮到存在著政治、社會和文化差異，實現(xiàn)有效的人工智能全球治理不是一個容易實現(xiàn)的目標，但卻是人類生存必需邁出的一步。