雷锦肖伟源自奥菲寺
qubit |微信官方账号QbitAI
精度最高的“线虫脑”[S2/]，来了。
这个“大脑”模拟了一只秀丽隐杆线虫的整个生物神经系统。
(注:秀丽隐杆线虫是“最简单的生命剂”，有302个神经元)
这一次，国内学者不仅恢复了秀丽隐杆线虫的所有神经元网络，还细化了它们的亚细胞连接。
据了解，其精细度已经达到目前已知的最高水平:
此前，一项研究研究了单个生物神经元的计算复杂性。文章指出，深度神经网络需要5到8层相互连接的神经元来表征单个生物神经元的复杂性。
通过如此精细构造的“大脑”，这种“智能线虫”已经能够完成的动态蠕动。
这是北京致远人工智能研究院的最新研究成果，其背后的“利器”是尹田项目。
而且这种“智能线虫”——天宝(MetaWorm)1.0的诞生，不仅仅是生命模拟精度的突破。根据研究小组的介绍:
这是人工智能生命中至关重要一步。
最高精度的大脑是怎么做出来的？
大脑这次选择的秀丽隐杆线虫可以说是“最简单的具有神经系统的生物之一”—
它不仅有完整的神经系统，还能感知逃跑、觅食和交配。整体结构非常简单，成体只有1000个左右的体细胞。
这种长约1mm的透明小生物一直是科研领域的常客，在过去的20年里有三次诺贝尔奖都与它有关。
对于神经科学家来说，秀丽隐杆线虫的神经系统已经被完全破解，实时图谱也出现在了当年《自然》的封面上，非常适合研究和模拟“脑回路”。
△雌雄同体，共302个神经细胞。
更重要的是，线虫体内的乙酰胆碱、多巴胺等神经递质在哺乳动物体内也存在。
研究其神经系统对研究人体神经系统的调节机制也有重要作用。
但是研究结构是一回事，用计算机建模又是另一回事。
要知道，模拟一个生物的神经元，并不只是像卷积一样，只是做一个线性变换。它所模拟的行为，如神经元间的物质交换(如细胞间)、动作电位的产生和传导，都是非常复杂的。
比如就突触间神经递质的传递涉及到数量、速度、浓度、回流、方向等多个参数。用数学模型计算模拟会更复杂。
即使模拟完整的神经系统，如何通过计算机模拟接近真实环境的“赛博空房间，并在其中训练“智能线虫”模型，是另一大研究难点。
此前，虽然有很多团队一直在做线虫模拟的研究，但其准确性与现实存在一定差距，就像我们常见的仿生机器鱼与鱼类的准确性相差甚远。
这一次，田燕团队成功地以最高的精度对智能“网络蠕虫”进行了建模，使其能够在3D流体模拟环境中动态地向前爬行，并具有简单地趋利避害的能力。
那么，这种“智能线虫”长什么样呢？
首先，团队使用了大量的公式和模型对线虫的“电子神经元”进行建模。
使用的模型主要有三种:多离子通道模型、霍奇金-赫胥黎模型和多室模型。
其中，多离子通道模型顾名思义，用于模拟细胞膜上的各种离子通道。天宝1.0型号使用14个离子通道；
霍奇金-赫胥黎模型(HH模型)，可以将神经元的每一部分模拟成不同的回路元件；
△HH模型示例，图片来自维基百科——现实生活是精密的电子仪器。
多隔室模型将神经元视为一个系统，根据其动力学特征分为若干个隔室，每个隔室中离子通道的数量也不同。
△图片来自江晓芳、刘神泉、张旭晨的论文《中缝神经元多室模型分析》。
将这三个模型结合起来，可以模拟神经元的结构，神经元细胞膜上动作电位和梯度电位的形成和传导，以及身体各部分之间物质的传导速率。
构建完成后，这种“智能线虫”，精细地模拟了秀丽隐杆线虫(雌雄同体)的 302个神经元以及这些神经元之间的数千个连接，使用了14种离子通道，细节达到了亚细胞水平。
线虫的302个神经元分为感觉神经元、中间神经元和运动神经元。其中，团队对106个感觉和运动神经元进行了高精度建模，高度拟合了它们的电生理动力学。
据统计，单个神经元的最大隔室数为2313个，最小为10个。302个神经元平均每个有52个隔室。神经元之间的突触连接精细到神经突(树突、轴突)的水平:
然后，团队构建了一个3D流体动力学模拟环境，让线虫在接近真实的场景中运动。
注意模拟环境这一步尤为重要，是研究线虫如何适应微环境运动的关键步骤。
线虫模型细化到亚细胞水平(微米级)后，物理规律的尺度减小，摩擦力和粘性的影响比比重大几个数量级。
在这种情况下，线虫可以自由地吃喝供能，这与它们与环境互动的巧妙方式密切相关。
因此，田燕团队结合计算神经病学、运动力学、图形学等学科，为智能线虫“天宝”构建了逼真的线虫肌肉和身体软件模型，建立了更适合人工智能训练的流体模拟环境。
具体来说，这个环境框架由三维建模、有限元求解、简化流体模型、强化学习、可视化等模块组成，可以最大程度地模拟线虫与环境的相互作用。
与目前国际领先的镂空线虫模拟项目相比，田燕团队的流体模拟环境规模更大，也更适合作为生命体的多体/群体智能行为模拟环境，可以完成学习和训练各种智能主体的复杂任务。
最后，团队将线虫模型放入模拟环境中，完成了初步的训练。
这些都是未来性能平台的组成部分。具体来说，这是一个仍在建设中的多GPU集群平台，可用于生物神经元的高精度、大规模模拟。
在场景规模超过1300个线虫体长的模拟环境中，团队已经初步训练出能够根据环境化学信号自主行动的“智能线虫”，这种场景也可以支持更大空和多线虫的模拟。
据该团队介绍，“智能线虫”模型可以高效准确地计算出与流体环境的相互作用规律。在相同的计算资源下，单个线虫的单次模拟时间小于0.1秒。
下一阶段，田燕团队计划让这种“网络线虫”实现更复杂的智能任务，如避障和觅食。
其实类脑智能研究一直是一个全球性的话题。
国际上正在开展类脑研究，包括欧盟脑计划支持的蓝脑计划和美国脑计划。谷歌等科技巨头近五年来一直在发布脑图和大脑工具；麻省理工学院等大学研究机构利用19个线虫模拟神经元实现了自动驾驶控制...
但单从类脑研究来看，各个团队的研究方向差异较大，甚至有相当一部分团队是先设计芯片，再设计算法来实现类脑计算。
但这样的研究会受制于芯片等硬件来设计和实现算法，与类脑智能的目标相差甚远。
相比之下，田燕团队选择从人工智能的角度研究和实现类脑智能。
但即便如此，费尽心思去建模一个线虫大脑真的有意义吗？
线虫的“大脑”，有什么用？
如果用一句话来概括这个问题，那就是:
这是人工智能生命中的关键一步。
自人工智能诞生以来，让“机器像人一样”成为研究人员一直努力发展的方向。
然而，随着时间的推移，即使在目前深度学习的发展阶段，人工智能仍然没有达到的真正智能水平。
即使是2016年轰动世界的AlphaGo这样的围棋比赛，也只是刷新了人们对人工智能的认知。
但是正如CMU大学教授汉斯·莫拉维克所说:
让计算机像成人一样下棋相对容易；但是让一台计算机拥有一岁儿童的感知和动作能力是相当困难的，甚至是不可能的。
那么，问题是什么呢？
2016年，致远研究院院长黄铁军给出了答案。
他认为深度学习本质上依赖于人工神经网络，而生物智能依赖于生物神经网络。
其中人工神经网络更接近于“实现功能”，生物神经网络模拟的是“实现功能结构”。两者在“体量”上不是一个级别的，后者显然大得多，也重要得多——
因为结构决定功能，而生物神经网络就是智能载体 。
因此，黄铁军根据这种情况提出的“解决方案”是:
从脑机制模拟的角度。
简单来说，就是探索大脑的大脑内部的“运行模式”，这是通用人工智能的途径之一。
无独有偶，早在2009年，瑞士洛桑联邦理工学院的亨利·马克拉姆教授也提出了类似的观点。
当时他宣布了一个计划——在了解大脑结构的基础上，用超级计算机构建大脑模型。
这一计划得到了欧盟的大力支持和关注，因为这一方法的意义不仅在于了解人类大脑本身的智能，还在于寻找大脑疾病的其他治疗方法。
但问题也随之而来，用计算机模拟整个人脑神经网络相当困难。
这不仅是因为计算模拟的复杂性，也是因为生物大脑本身的复杂性。
毕竟人脑的神经元数量高达1011，从计算量和成本上就能看出来。
然而，当人类真正通过大脑进行推理、创造等一系列行为时，耗电量仅为20-25瓦。
也就是说，生物大脑具有“高智能”“低功耗”的特性。
这就是为什么研究生物大脑是通用人工智能的最佳蓝图。
而这种信号已经开始出现。
例如，2021年发表在顶级期刊《神经元》上的单个皮质神经元作为深度人工神经网络的研究表明—
深度神经网络需要5到8层相互连接的神经元来表征单个生物神经元的复杂性。
这也证明了单个神经元具有很强的计算能力，所以如果单个神经元可以用非常精细的方式来描述，就可以更接近生物信息处理的复杂过程。
但是更细致的模拟生物大脑的意义远不止于此。
目前人类大脑还有很多疑难杂症，如老年痴呆症、抑郁症、脑损伤等。
研究各种脑部疾病的过程是一个消耗巨大人力物力的过程。如果能精细模拟出具有生物属性的大脑，或许能为解决方案提供另一种可能。
总之，更好地模拟和理解大脑，不仅是认识大脑本身，也是重视人类本身。
来自图灵奖获得者参加的会议。
回到模拟精度最高的“智能Bug”，它的出现是在2022年北京致远大会上。
在本次大会上，包括学术界和产业界在内的所有AI大牛都将介绍自己的前沿和关键AI研究成果。
除了“智能线虫”，本次峰会还发布了许多其他重要的研究成果。
比如九鼎智能计算平台。
其计算能力高达1000P(在建)，剑指新的计算范式，包括通用智能大模型、面向科学的AI等趋势研究方向。
据了解，九鼎智能计算平台不同于现有的商业云计算。
首先，在任务方面，现有公有云主要以高并发推理任务为主；而九鼎智能计算平台是以大规模模型训练为代表的大规模混合计算任务。
其次，在结构方面，九鼎智能计算平台需要基于现有的处理器、加速器等异构计算云平台资源，构建一个能够集成以深度学习为代表的AI和高性能计算任务的云平台架构。
最后，在适配方面，平台需要支持多家厂商的异构AI加速芯片。九鼎团队希望探索出一种自动适配的新方法，让每个异构计算芯片都能发挥出最佳的计算能力，提高平台的整体效率。
不难看出AI大模型和 AI for 理科是九鼎智能计算平台的“主旋律”。
除了技术和平台的发布，致远研究院还公布了“用技术”的最新进展。
也就是前面介绍的大启蒙模式。
例如，启迪GLM模式已在美团App上使用，约有7亿用户享受了其功能。
据了解，智能客服带来了11%的效率提升，搜索广告收入增长约2.7%。
启蒙的CogView模式是将“生成图片”效果的保真度提升到一个新的高度。
现在，该模型生成的动物图片质量与摄影照片相当，将具有巨大的商业潜在价值。
CogVideo启蒙模式“一句话生成视频”已经可以实现了。例如，只需说:
让浩克在屏幕上咆哮，蜘蛛侠在空吐丝，蒙娜丽莎对你微笑，梵高的星星空明亮而有节奏……
然后，相应的视频图像可以在几分钟内创建:
不过除了项目和成果的发布，参会的嘉宾也是北京致远大会的一大亮点。
今年不仅邀请了图灵奖获得者阿迪·萨莫尔、卡尔·弗里斯顿、辛西娅·德沃克等众多世界级科学家。
还有世界顶级AI实验室的科研代表，比如DeepMind的首席AI科学家Richard Sutton，OpenAI研究团队Meta AI Seattle的负责人。
在本次大会中，他们将就机器学习、多模态、大模型、AI开源等研究方向做最新进展报告。
目前发布会还在进行中，感兴趣的朋友可以戳下方链接参与。
2022北京致远大会在线地址:
https://2022.baai.ac.cn/schedule
