注：【原标题为：中科院团队：决心投入未来20年乃至更长时间，打造通用类脑人工智能基础设施 | 科技导报】，因标题字数限制，故有删减，本文经科技导报授权转载到脑机接口社区。
中国科学院自动化研究所类脑认知智能团队历时九年打造的智脉BrainCog，深度融合了课题组近十年来在类脑智能和计算神经科学领域的长期积累，既有基于脑模拟领域的探索，又有基于脑启发的人工智能领域的研究，通过不断的讨论与碰撞，他们有效地结合了两者的优势。
中国科学院自动化研究所于2022年8月发布了全脉冲神经网络的类脑认知智能引擎“智脉”(Brain-inspired Cognitive Intelligence Engine，以下简称BrainCog)。该平台由曾毅研究员领导的类脑认知智能团队历时九年打造，是一个基于类脑脉冲神经网络的人工智能与脑模拟计算平台。
类脑认知智能引擎“智脉(BrainCog)”（来源：BrainCog开源开放平台）
BrainCog以多尺度生物可塑性原理为基础，支持全脉冲神经网络建模，具备脑启发的人工智能模型以及脑功能和结构模拟能力，用于在多个尺度上建模、模拟不同物种的认知大脑，并受此启发实现类脑人工智能。长远地看，其或可提供一个全面的理论和系统来解码人类智能及其进化的机制与原理，并为未来人与人工智能的共生社会中受脑启发的、有意识的、有生命的智能体研制人工智能大脑。
类脑认知智能引擎“智脉”得以研发成功采用了哪些理论及技术手段？其应用前景如何？《科技导报》新媒体就此专访了中国科学院自动化研究所类脑认知智能团队。
课题组负责人曾毅、副研究员张倩、赵菲菲以及课题组助理研究员赵东城接受本次采访。
曾毅，中国科学院自动化研究所研究员（正高级），脑图谱与类脑智能实验室副主任；中国科学院大学岗位教授，博士生导师；中国科学院脑科学与智能技术卓越创新中心研究员，主要从事类脑人工智能以及人工智能哲学与伦理研究。
01
可否请您简要介绍下“智脉”这一科研成果？
曾毅：“智脉（BrainCog）”的全称是类脑认知智能引擎(Brain-inspired Cognitive Intelligence Engine)，是我们基于对脑多尺度的结构及其神经机制的认知，构建的全脉冲神经网络人工智能与脑模拟平台，其中涵盖了不同精细程度的神经元模型、多种脉冲编码方式、丰富的突触可塑性学习模型，以这些基本组件为基础，建模了不同脑区及神经环路，在此基础上实现了不同类型的认知功能、对多个物种的生物脑进行了不同尺度的初步模拟，并支持在无人机、机器人等不同智能体上的人工智能探索与应用。
02
它突破了哪些核心难题？或者说它最大的意义和价值是什么？
曾毅：我们的类脑认知智能团队坚信只有充分借鉴人脑结构及其智能机理，以及自然演化的规律与机制才能够实现真正意义且对人类有益的人工智能。通过计算建模研究生物智能（特别是人类智能），并受此启发研制结构与机制类脑，认知功能类人的类脑人工智能，最终实现与人和谐共生的人工智能是该团队的长远科学愿景。智脉的诞生即承载着这样的科学愿景。
“智脉”包含有不同尺度的接口组件，并分别从类脑人工智能计算模型（目前发布18个算法模型及源代码）、脑结构和功能模拟(覆盖鼠脑、猴脑、人脑模拟)方面提供了相当数量的应用案例，这为研发基于脉冲神经网络的人工智能和计算神经科学研究提供了强有力的基础设施。
基于BrainCog和人脑网络组图谱的人脑全脑脉冲神经网络模拟（来源：中国科学院自动化研究所）
03
“脉冲神经网络（SNN）作为第三代神经网络，具有更强的生物可解释性”，您可否解释下“生物可解释性”“多尺度生物可塑性原理”，“全脉冲神经网络建模”等专业术语？
曾毅：“生物可解释性”用来评估模型的计算方式、学习算法、模型架构、认知过程和结果是否与生物脑中完成相似认知功能的信息处理机制保持相对一致，从而能够用生物脑机制解释人工智能模型的计算机理。
目前的人工神经网络是基于实值的浮点数传递信息，而大脑中是基于脉冲序列传递信息，另外，大脑中是基于脉冲时序依赖可塑性在内的多种可塑性机制来进行学习和推理，这与目前人工神经网络中使用的反向传播算法也是大为不同的，从这个角度而言，人工反向传播算法并不具有真正意义的生物可解释性。
“多尺度生物可塑性”：生物脑是可塑的，无时无刻不在改变，其可塑性至少发生在两个维度，我们将之概括为空间可塑性维度和时间可塑性维度，每个维度又发生在不同尺度。空间可塑性维度指的是整合微观（多房式神经元、脉冲时序依赖可塑性、短时程可塑性）、介观（无监督生物反向传播、微环路）、宏观（多脑区协同例如皮层-基底节-丘脑协同、丘脑路由机制）等多尺度的可塑性。时间可塑性维度则是指学习可塑性（相对短时程的学习），发育可塑性(脑随着发育过程中逐渐适应环境产生的调整，如神经元、突触、树突棘在发育过程中的动态生长消亡），以及生物脑几亿年通过自然选择而来的演化可塑性。
“全脉冲神经网络建模”：区别于传统人工神经网络，包括近年广泛使用的深度神经网络等，智脉BrainCog的网络模型中全部采用脉冲神经元模型作为基本建模单元，相关的学习模型也是更适用于脉冲神经网络的类脑可塑性学习模型。
04
“更强的生物合理性和可解释性”意味着什么？
曾毅：由于智脉追求结构与机制类脑，因此智脉提供的人工智能模型与算法相比传统的基于人工神经网络模型来说，生物合理性和生物可解释性更强，即更接近“真智能”，我认为具备更强的生物合理性和生物可解释性很重要，因为自然演化的过程也是不断试错的过程，数亿年演化已然犯过的错误、做过的探索，作为人工智能的研究者我们需要谦虚谨慎地向大自然学习，我甚至认为只有这种方式发展长远人工智能对人类来说才是最为安全的。
05
团队展开这一研究的初衷是什么？
曾毅：我们打造的全脉冲神经网络的类脑认知智能引擎(Brain-inspired Cognitive Intelligence Engine，简写为BrainCog，中文名“智脉”)致力于为自然智能和人工智能的科学探索提供基础理论、框架与计算平台，支撑研发基于脉冲神经网络的人工智能引擎和脑模拟平台的基础设施，助力自然智能的计算本质探索和新一代人工智能的发展。
06
这项研究用了多久完成？
曾毅：无论是通用人工智能还是全脑神经计算模拟都是长远的愿景并需要持之以恒的科学探索，更重要的是需要学术和产业界持续不断地共同推进，因此可以说前9年只是做了个初步的准备，我们的团队有决心投入未来20年乃至更长时间，将智脉BrainCog打造为通用人工智能的基础设施。我们期待与学术界、产业界共同推进揭示智能本质的研究，实现对人类和生态有益的通用人工智能。期待群智的贡献，共同构建人与人工智能和谐共生的未来。
07
您可否介绍下，现有的脉冲神经网络平台都包含哪些技术路径？当前应用最为广泛的技术是哪一种？
赵东城：现有的脉冲神经网络平台大致有以下几种：1、涉及到精细的生物神经元模型，大规模神经网络模拟，神经网络动力学等较为细节的脑认知功能和结构模拟；2、关注生物突触可塑性启发的脉冲神经网络建模；3、从深度学习领域借鉴经验来提升深度脉冲神经网络的性能。
08
这些平台有什么样的优缺点？
赵东城：目前已有框架并不能够更好地整合共性：即在具备面向人工智能的高效学习与决策的同时，还具有对脑认知功能建模和脑结构模拟的能力；而本类脑认知智能引擎“智脉”则能够将两者很好的兼顾起来。
09
与其他平台相比，BrainCog的最大优势是什么？
张倩：我们的实验室进行的研究是真正的交叉科学研究，为了支持BrainCog的研发，除了与神经科学研究者紧密互动，这几年我们深度探索了在同一个实验室内既能够完成单细胞电生理记录、脑电实验，又能够将相关模型算法构建成类脑智能模型并在无人机、机器人等智能体平台上取得高效的应用，这是很少有的。
智脉BrainCog的最大优势是深度融合了课题组近十年来在类脑智能和计算神经科学领域的长期积累，既有基于脑模拟领域的探索，又有基于脑启发的人工智能领域的研究，通过不断的讨论，碰撞，深度、有效地结合了两者的优势。
10
关于此次的研发成果，您认为是否还有进一步优化的地方？
赵菲菲：当前版本的BrainCog虽然是9年磨一剑，但是仍然是我们发布的第一个版本，还存在很多优化的空间，例如我们现在发布了可以映射到28个关键功能性脑区的计算模型，很显然以脑区为单位的建模及其精细程度还远远不够，并且多脑区之间的协同交互和调用在计算模型中的体现还有待提升。
此外，我们正在基于BrainCog研发能够自主协同不同学习能力，应对复杂任务场景的人工智能引擎“创生(BORN)”，基于BrainCog的“创生”人工智能引擎将真正为通用人工智能提供理论与模型基石。
11
据了解，BrainCog可以模拟不同规模的生物脑结构，目前已经模拟了哪几种动物？开发出的模型分别应用于什么方向？
曾毅：目前智脉BrainCog针对脑模拟的进展主要涵盖了果蝇脑的部分认知功能、鼠脑、猴脑及人脑的全脑脉冲神经网络模拟。
小鼠脑模型的全脑脉冲神经网络模拟（来源：中国科学院自动化研究所）
BrainCog对社会认知特别是自我感知和思维揣测的模拟既具备高度的生物合理性，同时在机器人平台上能够进行相对扎实的计算验证。
看到我们的机器人在自我感知和思维揣测模型的支持下通过了镜像测试，站在自我视角推理出了其他智能体的思维，我们心中无比激动。
图3 基于BrainCog的自我感知脉冲神经网络赋能机器人通过镜像测试（来源：中国科学院自动化研究所）
12
国外是否有同类型的平台，与他们相比，BrainCog的优劣势是什么？
曾毅：与国内外其他脉冲神经网络平台相比，BrainCog最大的优势就是整合不同精细程度的神经元计算模型、丰富的类脑学习与可塑性法则、不同类型的神经网络连接模式与编码方式，同时具备面向人工智能的高效学习与决策，以及对脑认知功能建模和脑结构模拟的能力，展现出相当高的可扩展性并全部开源开放。
13
为什么选择对BrainCog“全面开源开放”？开源以来，BrainCog的使用现状如何？
曾毅：真正意义的通用人工智能的实现绝非朝夕之事，我们必须准备好为此再付出至少几十年的努力。人类的认知功能可以细分为数百项，可以说很难有任何一个实验室能够独自打造如此复杂的人工智能引擎，更何况这数百项的认知功能还需自组织协同产生真正类人的多元智能，应对各种复杂环境与场景。
因此我们将面向通用人工智能的智脉BrainCog平台定位为一个学术群体共同努力的结晶。智脉BrainCog平台起源于学术性平台，希望给类脑人工智能领域提供一个开放公平的研发、应用环境，希望通过开源开放促进国内外类脑人工智能领域的发展。
14
请您简要介绍下团队开发的脉冲神经网络人工智能引擎创生（BORN），除了BORN，还基于BrainCog开发出哪些AI引擎？
曾毅：创生(BORN)人工智能引擎定位为脑启发的通用人工智能基础引擎，因此团队未来的任务是不断扩展智脉BrainCog提供的基础设施，在此基础上研发更为通用的创生人工智能引擎，不断提升“创生”的智能水平，逐步实现和超越类人的“多元智能”，因此我们不致力于研发不同的AI引擎，而是将精力集中在使创生人工智能引擎的智能不断扩展，向通用智能迈进。
15
您如何看待BrainCog的应用前景？
曾毅：智脉BrainCog的科学愿景和定位是揭示智能本质，为研发通用人工智能提供基础设施的计算平台。我们相信智脉拥有广泛的科学与应用前景。首先，脉冲神经网络有着高鲁棒性低能耗的特点，近年来已经得到了大量的关注，而我们的平台是完全基于脉冲神经网络实现的，相较而言易于使用和学习。
此外，智脉BrainCog包含有丰富的类脑智能计算模型以及脑结构和功能模拟模型，也支持以无人机、机器人等为载体的硬件平台应用，这为人工智能以及计算神经科学领域都提供了非常好的组件接口和应用案例。
在可见的未来，我们课题组以及我们期待与国内外学者共同打造的智脉BrainCog社群会不断优化BrainCog，持续发布更新版本，例如我们现在正在着手研发基于软硬件协同的智脉BrainCog版本，相信会为人工智能的科学探索与应用持续性地做出贡献。
15
您预计该平台何时能够实现大规模商业化应用？
曾毅：对于我们课题组而言，我们现阶段追求的目标是不断地探索智能本质、研发与人和谐共生的类脑通用人工智能模型，我想这是我们课题组的科学使命，类脑人工智能的科学探索需要至少几十年的努力，深刻的科学研究需要持续性的聚焦，商业化探索的潜力我们愿意留给更合适的产业合作伙伴。
16
团队在研究过程中经历了哪些困难？
曾毅：“智脉”的愿景是打造面向通用智能的人工智能基础设施，而人类的认知功能极为丰富且覆盖面广，传统的人工智能实验室往往是面向某一类认知功能研究，但类脑人工智能却很难具体分为视觉、文本、还是决策等领域。直白地说，人体大脑不会只做其中的一项或几项工作，而是一个多元智能的结晶。
因此在“智脉”创建之初就需要对研究内容进行广泛布局，这使得参与智脉研发的科研人员和学生都面临不小的挑战。非常重要的方向往往只能安排一两个人“挑大梁”，而类似于与社会认知相关的自我意识、思维揣测的脉冲神经网络模型这样的研究方向，在最开始的阶段，不仅缺乏可参考的研究，团队参与人手也存在严重不足。科研过程中甚至不免遭到传统方向研究者的质疑，特别需要科研人员和学生持之以恒迎难而上。
曾有多位学生疑惑，为什么团队每个人的研究方向看似都没有紧密关系，也有不少同学和科研人员甚至一度感到彷徨和沮丧。但正是这种“看似无关”的布局，使得“智脉BrainCog”的首版发布就覆盖了多模态感知与学习、决策、知识表示与推理、运动控制、社会认知这五大认知能力，18个面向不同人工智能功能的模型算法，经过如此科研过程历练的科研人员和学生们也逐步成长为课题组独当一面的骨干。
回到学生的疑惑“这些方向真的是毫不相关的吗？”很显然不是。大脑一切智能的核心都可以归结为可塑性，基于类脑可塑性的学习原理是构建各种类脑认知功能的核心理论，看似完全不同的认知功能，在类脑可塑性原理方面是高度相关的，也成为不同认知功能的科研人员与同学们进行学术交流、系统融合所关注的共性问题。
之前的脉冲神经网络平台一般是选择面向人工智能或面向脑模拟两者之一作为目标，而本研究坚持探索智能的计算本质与构建类脑人工智能的计算模型应深度融合，因此“智脉”的预期目标是提供一组通用的组件接口，既适用于基于脉冲神经网络的人工智能模型，也能够用于脑结构和功能的模拟。前者往往关注高性能低功耗的设计，而后者则需要对脑的结构与机制进行精细计算建模，两者之间的差异是我们研究过程中遇到的问题。
17
团队是如何克服这些困难的？
曾毅：为了寻找一套通用的基本组件，两个方向的研究人员经过系统地讨论、交互的接口组件代码调整，不断迭代更新神经元模型、学习法则等基础组件，扩充组件上的相应功能，最终总结了一套相对通用、灵活、高效的组件接口，以适应人工智能和脑模拟两类研究的不同需求。
17
您可否谈谈团队下一阶段的研究计划与目标是什么？
曾毅：智脉BrainCog初步展现了我们的学术理念，然而真正的科学突破还在未来。智脉中引入了各种神经元、可塑性法则、编码方式等，然而如何将这些多尺度的生物机制进行计算融合，获得类人脑的自适应性还有很大的科学挑战。
下一步，团队将在此基础上进一步整合更为全面、更加复杂的多尺度时空可塑性机制，使我们的人工智能平台具备多模态感知与学习、决策、运动控制、注意力和意识、知识表征和推理、情感、社会认知、伦理道德等更全面类脑认知功能的自组织协同能力。
与此同时，研究还将探索更加复杂的认知任务，如：多任务连续学习、小样本学习、多模态概念学习、在线学习、终身学习、示教学习、迁移学习等，并致力于在不久的将来实现不同学习模型的深度自组织融合，以实现针对不同复杂任务与场景的高度自适应性，使得基于智脉构建的创生人工智能系统能够逐步扎实地实现真正意义的通用智能。
在软硬件协同方面，我们正在推进智脉BrainCog的软硬件协同设计，并积极探索在通用智能机器人等领域的深度应用，以具身智能的方式探索“智脉BrainCog”及“创生BORN”对未来智能世界的意义。
参考文献：
YiZeng, Dongcheng Zhao, Feifei Zhao, Guobin Shen, Yiting Dong, EnmengLu, Qian Zhang, Yinqian Sun, Qian Liang, Yuxuan Zhao, Zhuoya Zhao,Hongjian Fang, Yuwei Wang, Yang Li, Xin Liu, Chengcheng Du, QingqunKong, ZizheRuan, Weida Bi. BrainCog: A Spiking Neural Network basedBrain-inspired Cognitive Intelligence Engine for Brain-inspired AIand Brain Simulation. arXiv:2207.08533, 2022.
https://arxiv.org/abs/2207.08533
,
