大家好，這里是老上光顯微鏡知識課堂，在這里你可以學到所有關于顯微鏡知識，好的，請看下面文章： 從知識分子，作者：黃鐵俊，原標題：走向強大的智力：使圖靈的童年大腦。
    
     腦計算是中國腦規劃和腦研究的重要組成部分，這一部分的任務是什么這個概念是什么意思在腦力計劃的準備過程中會有很多爭議，稍后會有辯論。爭論是一件好事，而且它有助于把有限的投資放在刀刃上。這里我圍繞著全班（哪種）大腦從大腦中得到什么計算（如何）三個問題是談談你自己的觀點，并與業內同行討論。
    
     人腦是宇宙中已知的最復雜的物體，擁有已知的最強的智能。雖然計算機在計算速度方面遠遠快于人腦，人工智能系統已經把我們遠遠落后于Go等高智能游戲，但是這些都是罪惡。GLE事件，而大腦無疑是智力最強的全能運動員。
    
     正如歐盟人腦項目在其報告{1}中所建議的：除了人腦之外，沒有任何自然或人工系統能夠適應新的環境和挑戰，自動獲取新的信息和技能，在復雜的環境中做出有效的決策并代替工作。任何系統都無法保持具有多重損傷的人腦的健壯性，并且沒有人工系統在處理相同的復雜任務時能夠與人腦的低能耗相匹配。
    
     在人工智能方面，到目前為止所有的人工智能都是弱人工智能，而人腦是一個通用的智能系統，具有很強的人工智能，即自我意識，通過學習來適應環境和迎接未知的挑戰。因此，繪制人腦是開發人工智能的重要途徑。
    
     大多數人理解人腦是功能大腦，即理解腦智能的工作機制或原理，然后根據這一科學原理設計人工智能系統。這種觀點常常影響人工智能技術的發展方向，但效果并不令人滿意，許多計算機和人工智能專家甚至對此感到厭倦，厭惡認知科學甚至腦科學，這是為什么
    
     首先理解智能然后創造智能聽起來是合理的，但是它并不真正經得起審查。特別是為了實現強大的人工智能，這條路根本行不通。
    
     理解腦智能，或者說發現意識的生物學基礎{2}，是人類面臨的最重要的科學問題之一，也是包括中國腦工程在內的所有腦項目中最重要的問題。我們能解決這個問題多少年樂觀的大腦科學家相信這將需要幾百年的時間，而悲觀的大腦科學家相信它永遠不會被解決，因為解決之日是大腦科學的終結。在1956年的人工智能起點會議上，人們討論了類似的問題：一群神經元如何形成conCEPTS事實上，這是人工智能（尤其是人工智能）的核心問題。問題仍然是問題。
    
     因此，理解智力是制造智力的先決條件，即在開發一個強大的人工智能系統之前破解大腦的奧秘，實際上是以一個更難（甚至最難）的問題為先決條件，犯錯誤。把馬車放在馬前。思想根源在于迷信，科學是技術的基礎和前提。
    
     事實上，人類歷史上的重大技術突破常常發生在科學原理被揭示之前。例如，萊特兄弟在1903年發明了這架飛機，而馮·卡門直到1908年在巴黎目睹了這架飛機，才相信它，并決定弄清楚它為什么會飛；直到1946年，他和錢學森系統才提出空氣動力學。有許多例子：從中國的四大發明到樂器，甚至貼在日常生活中，它們在揭示科學原理之前都是在實踐中成功的。
    
     任何客觀事物都可以分為兩個層次：結構和功能。結構是功能的基礎。功能是結構的表達。基本單元根據特定的結構組成復雜的對象，在與環境相互作用的過程中顯示出特定的功能，大腦結構是指由各種由突觸連接的神經元(神經細胞)組成的復雜神經網絡。函數是指大腦的神經網絡的動態行為，包括思維/意識現象。
    
     腦科學研究的中心任務是發現特定功能（正常腦功能或異常腦病）的結構基礎。腦計劃的實施可以支持和加速，甚至實現一些地方突破。但是大腦（結構）如何產生智力（功能）呢這個問題需要數十年甚至數百年的長期努力，沒有人敢預測在大腦計劃的十年實施周期中它將走多遠。
    
     因此，要想在大腦程序執行周期中取得突破，我們不能走功能腦的技術路線，只能等待認知科學家猜出謎語，而走結構腦模擬的路徑。
    
     所謂結構腦模擬，就是根據生物腦介觀圖譜的藍圖，用微型和納米器件模擬生物神經元和突觸的信息處理功能，與神經科學家合作構建仿生神經網絡。訓練訓練用于產生與生物腦{ 3 }相似的信息處理功能和系統行為。
    
     結構性大腦模擬是基于繪制大腦圖譜，這是未來十到十五年大腦計劃的中心任務。它不僅是腦科學的基礎，也是類腦計算的基礎，結構腦模擬的目標是類腦計算機，更生動的名稱是電子腦。它是有望實現更強的人工智能甚至更強的人工智能的新一代計算平臺。
    
     結構腦擬態主要涉及腦結構的分析和模擬。這本質上是一個工程問題。經過持續努力，十年時間尺度有可能取得重大突破。本文的主要內容是介紹這一途徑的可行性和最新進展。樂觀估計表明，結構腦模擬很可能在10-20年內獲得成功，保守估計不應超過30年。對生物腦和生物智能的控制，易于操縱和控制，可以加速腦科學和數學科學家解決大腦歷史過程的奧秘。不是理解大腦奧秘的結果，而是率先實現它的基礎和先決條件。
    
     如上所述，類腦計算不是功能腦，而是由結構腦，即神經元和突觸組成的大規模生物神經網絡。
    
     從結構層面理解大腦是現代神經科學的起點。1906年，諾貝爾生理學或醫學獎授予卡米洛·高爾基（1843-1926）和圣地亞哥·拉蒙尼·卡哈爾（1852-1934），以表彰他們在神經系統結構方面的工作。他們提出了神經元染色并繪制了大量的精細生物神經網絡，至今仍在使用。
    
     神經元或神經細胞是大腦中神經網絡的基本單位。對于它們的功能，McCulloch和皮茨在1943個想象的邏輯開關中是完全的或不存在的，但是生物神經元真的是這樣的嗎在1939，Alan Hodgkin（1914-1998）和他的博士后研究員Andrew Huxley（1917-2012）剛剛回到劍橋，拿起大西洋魷魚的巨大神經元，并制作了一個快速測量其靜息電位的工具，以及動作電位，實驗結果。NT在《自然》雜志上發表。當時，第二次世界大戰爆發了。直到1946，霍奇金和赫胥黎再次拿起了膜片鉗，又花了六年細致地測量了電信號（神經脈沖）的神經傳遞的動態過程。稱為動作電位并給出描述這一動態過程的微分方程，稱為Hodgkin Huxl方程。EY方程，稱為HH方程）{ 4 }，在1963獲得了諾貝爾獎。不幸的是，許多人工神經網絡領域的神經網絡專家都這樣做。甚至不知道這個方程式的存在，包括人工神經網絡模型的深入學習，至今仍采用1943年的簡化模型！
    
     其次是突觸解析，它正在向中國肩膀轉移，中國現代神經科學的奠基人馮德培（1907-1995）和張向東（1907-2007）在神經可塑性的研究上做出了杰出的貢獻。
    
     在1952，當Hodgkin Huxley方程發表時，張翔通發現樹突具有電興奮性，而樹突中的突觸可能在神經元興奮的精細調節中起重要作用。1992，國際神經網絡學會授予張希。他認為，樹突狀電流在神經整合中起著重要作用，這為未來使用微分方程的電子計算機的發展奠定了基礎。NS和連續時間變量代替數字脈沖邏輯。
    
     1998年，畢國強和布母明提出了突觸沖動STDP的時間依賴性可塑性機制{6-7}：重復的突觸前沖動有助于隨后突觸后動作電位的產生，并導致突觸后動作電位的長期增強。相反的時間關系導致長期的抑制。2000年，宋森等人給出了STDP的數學模型{8-9}。2016年，普慕明院士……美國神經學會格魯伯神經科學獎因神經元如何建立新的連接或改變而獲獎。基于現實世界經驗的現有連接的強度。
    
     盡管突觸非常微小，但是對于越來越多的精密探測器來說，沒有任何障礙是無法克服的。人類大腦中的突觸和神經元數量已達到數百萬億。雖然它是龐大而復雜的，但它仍然是一個復雜的物理結構。
    
     2008年，美國工程學院將腦逆向工程列為本世紀14個主要工程問題之一。請注意，這是解剖結構的反向工程，而不是功能模擬。
    
     自2013年以來，歐洲人類大腦項目和美國的、日本和韓國的大腦計劃一直致力于繪制大腦結構。
    
     2014年，華中科技大學（HUST）憑借腦單細胞分化光學顯微斷層成像榮獲自然科學二等獎，并被歐洲人腦計劃用作小鼠腦模擬的基礎數據。
    
     2016年3月，美國情報研究計劃局（IARPA）推出了微米（大腦皮層網絡機器智能）計劃來逆向設計立方毫米皮層，并利用這些發現來改進機器學習和人工智能算法。
    
     2016年4月，全球腦力工作坊2016提出了三個挑戰。個挑戰是繪制大腦結構{10}：在10年內，我們希望能夠完成但不限于以下動物大腦分析：果蠅、斑馬魚、小鼠、狨猴，并開發它們。大型大腦繪圖分析工具。好像要證明這個預測，9月2016年8月，日本東京大學宣布建立果蠅大腦的三維神經網絡模型，包括超過10萬個神經元{11}。
    
     2017年5月，北京大學在中國重點自然科學基金超高時空分辨率科研儀器的支持下，成功研制出新一代高速、高分辨率、小型化雙光子熒光顯微鏡。離子小型化雙光子體內顯微成像系統獲得了小鼠自由行為時腦內的神經元和神經。突觸圖像清晰穩定。我國十五計劃已開始建設集光、聲、電、磁、放射性核素、電等為一體的多模態跨尺度生物醫學成像。電子和其他成像范式提供跨越十個時空尺度的分析能力，從埃米，微秒到小時，并具有高精度的大腦模型動物的各種動態分辨能力。
    
     即將啟動的腦計劃將腦圖譜分析作為一項重要任務，明確了模型動物腦結構分析計劃，提出通過國際合作繪制腦介觀圖譜。這是腦科學研究的基礎，也是腦類計算的基礎。資源應該得到優先和有力的支持。
    
     神經科學是認知科學的基礎，建立良好的神經網絡圖，鼓勵社會資源對認知科學和腦疾病進行研究是有意義的，但我們不能馬馬虎虎，重復歐洲人腦項目的混亂。第二，認知科學。它把堅持和不作為，把有限的精力放在解析大腦的精細神經阿特拉斯的基本任務中。這是次突破。一個身體和兩個翅膀可以起飛。否則，胡須和眉毛就會被抓起來，十五年后必然會有雞毛。
    
     隨著計算機技術和工業的飛速發展，計算一詞的含義在不斷擴大，似乎無所不能。然而，作者艾倫·馬奇森·都靈清楚地界定了能量與計算機不可能之間的理論界限。克，早在1936歲。
    
     眾所周知，圖靈的論文旨在證明不可數的、眾所周知的圖靈機模型的存在，但圖靈機模型是一個副產品。顯然，在這樣有限的范圍內構造智力顯然是不可取的。計算機和人工智能的先驅，包括圖靈在內，并不認為經典的計算機是人工智能的實現，一個可行的平臺遠不是實現強人工智能的平臺。
    
     1943年，在臺計算機發明的前三年，圖靈提出了電子大腦{13}的概念。1950年，圖靈發表了一篇名為《計算機與智能{14}的文章，它清楚地表明，真正的智能機器必須能夠學習。制造這種機器的方法是制造一種模仿兒童大腦的機器，然后進行教育和訓練。
    
     神經網絡是人工智能發展的重要途徑，也是深學習所代表的新型人工智能熱潮的模型基礎，但迄今為止，人工神經網絡已被過度簡化，并與生物腦N相比較。電子網絡，它們遠不能在至少三個層面上進行比較：
    
     其次，人腦是一個極其復雜的生物組織，由幾百種不同類型的幾千億個神經元組成，每個神經元都由幾千個甚至幾萬個突觸連接到其他神經元，甚至使用簡化的神經元模型和最強大的超級計算機模擬人腦，需要一百個站。
    
     第三，生物神經網絡利用動作電位來表達和傳遞信息，并根據非線性動力學機制對信息進行處理。目前的深度學習人工神經網絡不具有這些特征。
    
     人的智能和意識是生物神經系統，一個大規模的非線性動態系統的功能，為了創造更強的智能，甚至人類的智能，有必要在結構和基元上更接近生物神經網絡，即c創造圖靈所稱的童年大腦。超越經典計算機的機器被稱為類腦機器或神經形態機器，自上世紀80年代以來，研究一直在進行。
    
     類腦機器或神經形態機器是以生物神經網絡為模型，以多尺度非線性時空信息處理為核心的神經形態裝置構成的智能機器。
    
     具體地說，從結構層次模擬開始，利用微納光電器件模擬生物神經元和突觸的信息處理功能，通過模擬大腦皮層神經網絡和生物感知構建仿生神經網絡。器官。在仿真精度達到一定程度后，進行外部刺激訓練，使其產生并存活，大腦具有相似的信息處理功能和系統行為。
    
     大腦類機器背后的基本思想是繞過更難理解的智力科學問題。首先，利用結構仿真等工程技術制造神經形態學機器，然后通過訓練間接實現智能仿真。EVEL接近大腦，智能水平超越大腦。
    
     模擬大腦的努力可以追溯到上世紀80年代，具有代表性的作品包括杰拉爾德·莫里斯·埃德爾曼(Gerald Maurice Edelman)的《基于大腦的設備》(BBD)(1929-2014)，美國生物學家，諾貝爾醫學或生理學獎得主，以及現代微電子學和大規模集成電路。神經形態工程{18-19}由加州理工學院教授卡佛·安德烈斯·米德(1934-)率先提出，近30年來，通過硬件逼近生物神經網絡的神經形態計算得到了穩步的發展。世界范圍內發表了超過2000篇論文。
    
     近年來，具有類腦特征的神經形態學計算系統相繼出現，目前世界上有四個具有代表性的大型神經形態學計算系統：斯坦福大學的Neurogrid{21}、海德堡大學的Brain Scale S i。n德國{22}，英國曼徹斯特大學的SpiNNaker系統{23}，以及美國的IBM基于TrueNorth芯片的系統{24}。這些系統與經典計算機一樣，與1946年的臺計算機ENIAC相當，但發展迅速。例如，歐洲人腦項目支持的大腦量表S有望在項目結束前一年，即2022年，在神經信息處理方面超過人腦。
    
     中國腦型機器的發展沒有重大的計劃和行動，但相關的基礎研究工作已有十多年的歷史。作為兩項主要任務之一，腦認知和腦類計算分別從理論基礎研究、腦類計算機開發和腦智能應用三個層次上提出了九項任務。這些任務包括：腦結構分析平臺、認知功能仿真平臺和神經形態學裝置，腦型處理器、機器學習芯片、腦型計算機、視聽感知、自主學習和自然對話等已經動員了科研人員。在北京，致力于解決主要通用技術，并取得了一些具有國際影響力的成果。在北京項目啟動一個月后，美國能源部（超級計算機開發牽頭部門）于10月召集了專家。討論神經形態計量計算：從材料到建筑{25}，這與北京腦科學和類腦計算的布局非常相似。
    
     神經形態學器件是近年來迅速發展的類似大腦的機器的晶體管。惠普2008年推出的用于模擬突觸的記憶晶體管器件；IBM在2016年8月使用相變材料模擬神經元；9月份，美國馬薩諸塞大學阿姆赫斯特分校使用相變材料模擬神經元。SA公司開發了一種用擴散型記憶電阻器接近突觸的裝置，普林斯頓大學在10月份宣布了光子神經元的發展，標志著神經形態測量儀的發展。競爭已經進入白熱化階段。
    
     我國對神經形態器件的研究已有十多年。北京大學、清華大學、南京大學、上海微系統研究所、華中科技大學和國防科技大學的研究成果表明，中國很可能會對這一領域產生重大影響。在將evices用于神經計算系統之前，它們還有很長的路要走，它們將從根本上塑造神經計算機的未來，就像晶體管和集成電路對經典計算機的貢獻一樣。
    
     我國在經典計算機時代錯失了歷史機遇。經過不懈的努力，高性能計算機已經走在世界前列，但計算機行業的空洞局面難以挽回，神經形態計算和腦型計算機的革命正在展開。中國應盡快進行戰略部署，集中優勢研究力量，突破基本設備(神經形態測量設備)、核心芯片(神經形態測量處理器)和基礎軟件及整機，實現腦型計算機的內源性發展。工業，作為新一代人工智能，最強大的人工智能奠定了機器的基礎。
    
     在1950篇題為《計算機與智能》{ 14 }的文章中，Alan Turing沒有停止思考智能機器。相反，他建議我們應該目光短淺，知道應該遵循的實際路徑。沿著這條路線，古典計算機已經從計算機機器發展到支持算法、模型和應用（包括人工智能）的通用平臺。計算機已成為平行于理論和實驗的第三種科學研究范式。
    
     大腦和意識作為自然科學的最后一個前沿，既離不開經典計算機的支持，又需要從大腦神經系統的精細結構出發，開發出能夠再現大腦功能的計算機（大腦樣機）。
    
     (1)先結構，后功能：應從生物神經系統的結構模擬開始，而不是從生物智能的功能模擬開始，即科學基礎主要是神經科學，而不是認知科學；
    
     (2)腦裝置級近似：必須開發具有接近或超過生物神經元和突觸的功能和尺度的神經形態學裝置，以制造大規模神經網絡硬件系統；
    
     (3)結構層次模擬大腦：在實施相似生物智能后，需要學習生物神經網絡體系結構的新結構設計，簡化、優化和擴大規模；
    
     (4)腦外功能層面：利用互聯網數據、物聯網傳感器、虛擬環境等刺激訓練硬件神經網絡，培養智能；
    
     （5）首先理解機器智能，然后理解生物智能：建模和分析機器智能生成的動態過程，理解機器智能，然后將這種理解外推到生物系統，補充生物Expe。了解生物智慧，甚至人類意識。
    
     基于這些原理的計算機不需要等待大腦科學的認知原理的突破。通過獲取生物神經網絡的介觀映射圖以及神經元和突觸的功能特性，可以創建具有類似工作模式和生物大腦性能的智能機器，甚至可以產生自我意識。這將揭開大腦，最終的謎團是一個重要的步驟。
    
     我們的大腦是一個足夠復雜的結構，可以映射和表達存在于外部世界的復雜結構；我們的大腦是一個動態的復雜系統，用來感知和處理復雜的動態世界；我們的大腦在處理形式I時動態系統的轉換和抽象。當然，我們的大腦仍然是一個復雜度有限的結構，復制這種結構只是制造更復雜結構的起點。一旦計算機成為現實，它就會同時發生。
    
     1。H Markram，K Meier等人。人類大腦計劃，歐洲委員會的報告。HBPPS聯盟，2012年4月。
    
     2。Greg Miller。意識科學的生物學基礎是什么第309卷，第5731期，第79頁。2005年7月
    
     3.黃鐵軍。用神經計算機模擬大腦，走向人工智能的新途徑{J}。國際自動化和計算雜志，第14卷，第5期，第520-531頁，2017年。
    
     4。霍奇金A，Huxley A.：膜電流的定量描述及其在神經傳導和興奮中的應用生理學雜志，1952, 117（4）：500—54。
    
     6。郭強碧，木明浦。培養海馬神經元的突觸修飾：對尖峰時間、突觸強度和突觸后細胞類型的依賴性。神經科學雜志18:10464-1047，1998。
    
     郭強碧，木明浦。圖案化刺激誘導神經網絡的突觸修飾自然，401（6755）：792-796，1999。
    
     8。森松，Kenneth D. Miller，L.F. Abbott。通過尖峰時間依賴性突觸可塑性競爭HeBib學習。自然神經科學3:919-926，2000。
    
     9.Sen Song,L.F.Abbott.柱和地圖發育和通過與峰時相關的可塑性的皮質重排.Neuron 32:339-50,2001
    
     10.J T Vogelstein，K Amunts等人。全球腦科學大挑戰。
    
     11.R.Mizutani，R.Saiga，A.Takeuchi，K.Uesugi，Y.Suzuki。果蠅大腦半球的三維網絡。
    
     12.艾倫·M·圖靈。論可計算數，及其對Entscheidungs問題的應用。倫敦數學學會學報。2.42.pp.230-65，1937。{交付給社會1936年11月}。
    
     13。安德魯·霍奇斯。艾倫圖靈：謎。倫敦：年份，1992，P251。
    
     14、Alan M. Turing。計算機器和情報。Mind LIX（236）：433—460, 1950。
    
     15。T. Huang。類似腦的計算。現在計算，第9卷，第5期，五月。2016，IEEE計算機學會{聯機}
    
     16.G N Reeke,O Sporns,Gerald M.Edelman.合成神經建模:達爾文系列識別自動機.IEEE學報,第78卷,第9期,第1498-1530頁,1990年9月.doi:10.1109
    
     17、Gerald M. Edelman。在基于大腦的設備{j}中學習。科學，2007，{j}。
    
     18。卡佛·米德。神經形態電子系統。IEEE會議錄，第78卷，第10期，PP. 1629—1636，OCT 1990
    
     19、C Mead、M Ismail（ED）。神經系統的模擬VLSI實現。（1989）
    
     20。Catherine D. Schuman、Thomas E. Potok、Robert M. Patton、J. Douglas Birdwell、Mark E. Dean、Garrett S. Rose和杰姆斯S·普蘭克。神經形態計算和神經網絡在硬件中的應用綜述2017年5月。http://ARXIV.org pdf 1705.06963.pdf
    
     21.B V Benjamin，...K Boahen，Neurogrid：用于大規模神經模擬的混合模擬數字多芯片系統，IEEE學報，第102卷，第5期，PP 699-716，2014。
    
     22.K.Meier.混合信號通用神經形態計算系統.2015 IEEE國際電子器件會議(IEDM)，pp.4.6.1-4.6.4，2015。
    
     24.P A Merolla等。具有可伸縮通信網絡和接口的百萬個尖峰神經元集成電路。科學345 668-73，2014。
    
     本文作者是作者：黃鐵俊，禁止復制和使用，未經書面許可。公眾號碼、報紙等的復制請聯系授權：
    
     網站網友點擊量更高的文獻目錄排行榜： 點此鏈接 關注頁面底部公眾號，開通以下權限： 一、獲得問題咨詢權限。 二、獲得工程師維修技術指導。 三、獲得軟件工程師在線指導 toupview,imageview,OLD-SG等軟件技術支持。 四、請使用微信掃描首頁底部官主賬號！