前言：据说天才的达·芬奇生平总共解剖了30多具人类尸体，除了用以观察人体结构和了解人体功能外，他还试图从中找到人类的“灵魂”。后世的科学家们没有停止努力，从阿兰·图灵到弗朗西斯·克里克，到冯·诺依曼，到蔡少棠，到亨利·马克拉姆……他们不停地尝试采用自然科学方法解决意识问题，制造出逼近乃至超越人脑的“超级大脑”。
人类能够制造出具有自主意识的“超级大脑”吗？这方面的哲学论辩已经持续上百年，再喋喋不休已经意义不大。行胜于言，对这个问题最好的回答是制造出“超级大脑”。六十多年来，计算机性能按照摩尔定律持续提升，新型微纳电子器件快速进步，越来越多的技术征象表明，仿照人类大脑结构和机理，制造出逼近乃至超越人脑的“超级大脑”，不仅在技术上是可能的，而且它的性能会远超人脑，还很有可能会涌现出自主意识。
认识“意识”
意识问题是人类最根本的问题之一，自古以来众说纷纭，构成人类思想史上最亮丽的一道风景线。翻开百年来诺贝尔生理学或医学奖成果，有关脑及神经功能的研究十分丰硕，但总体而言，我们对大脑的认识还处在“盲人摸象”阶段，对多数感知认知功能还是“只见树木，不见森林”、“知其然而不知所以然”，对“灵感”、“脑风暴”和“禅定”等系统性功能的认识还几乎是空白。
在采用自然科学方法解决意识问题的科学家中，弗朗西斯·克里克是最知名的一位，1953年他与詹姆斯·沃森共同发现了DNA双螺旋结构，1962获得诺贝尔奖，1976年开始研究意识问题，2003年在《自然·神经科学》发文提出意识不是先天就有，而是由大脑中“扣带前回”的一小组神经元产生和控制的，其中一个征象是这些神经元以伽马振荡（40赫兹左右）的形式同步发放。然而，问题不仅仅是“意识是大脑的哪一部分产生的”，也不仅仅是“意识是神经系统以什么样的方式产生的”，而是“意识是如何产生的”？
意识产生机理难以突破的根本原因在于大脑是一个从神经元到网络系统都高度非线性的复杂动力系统。这类系统的重要特征是不能通过“还原”成基本单元的方式得到充分解释，例如大气和水流中的湍流，构成单元十分清楚，现象也很明显，但背后的机理至今难以准确描述。因此，即使彻底搞清楚了大脑构成的所有物质细节和能量特性，也只是在认识意识的道路上迈出了第一步，意识作为大脑这个复杂非线性系统的高层状态和表象，需要更多的认知神经科学发现甚至复杂非线性理论的突破，才有可能最终揭开神秘面纱。
“复制大脑”
在意识发生机制最终得到科学解释之前，能够制造出具有自我意识的人造大脑吗？回答是肯定的，而且制造出这样的装置，可能正是回答这个问题最便捷的途径。
人脑是迄今已知的宇宙间最为复杂的结构：拥有约一千亿个神经元（按计算机计量单位为100G个，下同），每个神经元通过数千甚至上万个神经突触和其他神经元相连接，总突触超过一百万亿（100T）。这些数字虽然庞大，也还是有限的，如果能够在分子层次完整复制一个大脑，供应能量并进行刺激，没有理由断定这个生物意义上的“复制大脑”不能产生意识。如果在神经元和神经回路层次复制大脑，所有人造神经元和突触的功能特性都逼近生物大脑，所有突触连接和神经回路都和大脑相同，这样的电子意义上的“复制大脑”能够产生意识吗？应该说成功的机会不小。
做出这样判断的基本原因是，我们的大脑是在正常的物理化学环境中生长和运行的。在大脑长期进化过程中以及每个正常大脑的运行中，没有证据表明分子层次之下的因素在发挥作用（辐射可能导致大脑紊乱甚至停止运行，但这是破坏意识而不是创生意识）。在出生后的活体大脑中，尽管神经元生生死死、突触断断联联的过程一直在发生，但对大多数人的意识发生和连续性并未产生什么影响。因此，大脑就是一个由神经元和突触等基本单元按照复杂的神经回路构成的一个复杂系统，系统的精确复制意味着功能的复制，大脑具有的智能和意识，也会在复制系统上出现。
比物理复制更容易进行的是用计算机模拟，即在现代计算机上用软件模拟大规模的神经元、突触和神经回路，这样的“软件大脑”能够产生意识吗？2007年开始，IBM阿玛登研究中心在蓝色基因超级计算机上开发大脑皮层模拟软件，2009年在美国劳伦斯·利弗摩尔国家实验室上实现了8.61T个神经突触的猫脑模拟。这个“软件猫脑”表现出了神经元自组织现象，在哺乳动物大脑皮层上经常能观测到的阿尔法振荡（10赫兹左右）和伽马振荡（40赫兹左右），也在这个“软件大脑”上出现了。这些征象当然还不能说就是意识，但与传统计算机严格按照指令运行得到的精确结果相比，具有云泥之别：这些现象不是人工事先设计的，而是系统自身表现出来的。
同样在2009年，瑞士洛桑联邦理工学院亨利·马克拉姆教授在“蓝色大脑计划”支持下，在蓝色基因超级计算机上用软件模拟鼠脑，同样出现了伽马振荡现象。2009年12月，马克拉姆在接受采访时表示：“从技术层面上讲，利用计算机和数据采集技术，有可能在10年内建立起人脑模型。”记者进一步追问：“一旦建立起人脑模型，我们是否就能体验并重建人的心智？”他的回答是：“这并非真的那么复杂……由于我们正变得更善于对神经信息进行解码，我想这将不会成为多大问题。”尽管对这一看法存在诸多争议，但这个前景实在诱人，由马克拉姆领衔的欧洲“人类大脑计划”作为欧盟投入巨资的两大旗舰项目，2013年1月获得批准。
“图录测试”
长期以来，用机械和电子装置来模拟和代替人类某些智能，一直是人类的重大梦想之一，电子计算机是承载这一梦想的最新载体。如今计算机在计算、逻辑、存储、信息检索与交换等方面的性能早已远远超过人类，其理论基础是1936年英国数学家阿兰·图灵为了研究“不可计算数”而提出的“图灵机”概念。“图灵机”是一个思想实验的“概念机”，模拟人用纸笔进行数学运算的过程，其关键在于抓住了数理逻辑和抽象符号处理的本质，一台仅能处理0和1这样简单二元符号的机械设备，就能够模拟任意数学推理过程，这就是现代计算机的起源。
图灵还被奉为“人工智能之父”，源于他1950年10月在《心智》发表的文章《计算机与智能》。在这篇文章中，图灵提出了“机器能思考吗？”这个问题，并提出了检验机器智能水平的“图灵测试”：将计算机和人分别关闭在不同房间，通过电传方式进行问答，如果提问者分辨不出哪个是计算机，则认为计算机通过了智能测试。
1956年夏，约翰·麦卡锡、马文·明斯基、克劳德·香农、艾伦·纽厄尔和赫伯特·西蒙等在美国达特茅斯聚会，研讨主题就是用机器模拟人类智能。会议认为“学习或者智能的任何其他特性的每一个方面都应能被精确地加以描述，使得机器可以对其进行模拟”，并首次提出“人工智能”这一术语。人工智能学科初期过于乐观，将人类智能视为符号处理过程，采用形式逻辑实现智能，估计“二十年内，机器将能完成人能做到的一切工作”，但实际效果大打折扣，招致广泛批评。
图灵在论文中表示，他相信二十世纪末机器将能够通过“图灵测试”。1997年，国际象棋冠军卡斯帕罗夫第三次对战超级计算机，“深蓝”超级计算机居然走出了一些只有真正大师才能走出的棋步，并取得最终胜利。2011年2月，IBM以公司创始人托马斯·J·沃森命名的自然语言问答系统挑战美国著名电视智力竞赛节目“危险边缘”，战胜最高奖金得主布拉德·鲁特尔和连胜纪录保持者肯·詹宁斯。2014年6月，英国皇家学会为纪念图灵逝世60周年举行“图灵测试”，名为“尤金·古斯特曼”的计算机软件通过测试，让人类相信它是一个13岁的男孩。可以说，经典“图灵测试”已经完成。然而，绝大多数人并不同意“深蓝”、“沃森”或“尤金·古斯特曼”真正具有了智能：它们的“智能”来自设计者控制的复杂规则和大规模语料库，不能像人类一样自发产生创造性的智能，这些系统也并无自主意识。
“深度学习”
人类智能和意识是由大脑神经网络产生的，因此制造人工神经网络来产生智能就成了更为自然的选择。人工神经网络的研究历史差不多和计算机科学史一样长。1943年，神经生理学家沃伦·麦克洛奇和数理逻辑学家沃尔特·皮兹首先提出神经元的数学模型。1949年，加拿大生理心理学家唐纳德·赫布提出,神经网络的学习过程发生在神经元之间的突触部位。50年代末，弗朗克·罗森布莱德设计制作了“感知机”，首次把人工神经网络的研究从理论探讨付诸工程实践。1986年，大卫·鲁姆哈特、杰弗里·辛顿和罗纳德·威廉姆斯提出了多层前馈神经网络的学习算法，从理论上证明了只含一个隐层的前馈网络可以在闭区间上一致逼近任意连续函数。2006年，辛顿在《科学》发表论文，提出深度信念网络，开启了称为“深度学习”的神经网络的新浪潮，其基本思想是不借助人为影响，让大规模多层神经网络自动发现隐藏在海量数据背后的内隐结构。
近年来，深度学习在图像识别、语音识别和大数据处理等方面都取得了很好的实验效果。2012年6月，《纽约时报》报道了“谷歌大脑”项目：用1.6万台计算机搭建的拥有10亿神经连接的深度学习神经网络，向这个网络输入一千万幅互联网视频图像，在无任何人类指导训练的情况下，这个系统自动具备了识别能力，可以以很高的精度检测人脸和猫脸等对象。2013年，《MIT技术评论》将深度学习评为“年度十大技术突破”之首。2014年初，百度宣布“百度大脑”计划，9月宣布将在半年内建成连接规模达到100G的深度网络。100G连接当然是深度学习发展的一个里程碑，但与人类大脑100T的突触连接相比，还有1000倍的差距，这个差距靠简单地扩展现有硬件，无论是从成本还是功耗角度来看，都是一个难以逾越的巨大鸿沟。
深度学习是否模拟了人脑的部分功能，至今是个极具争议的问题。辛顿2014年初在接受《连线》杂志采访时说：“我十分兴奋的是，我们发现了一种改善神经网络的方法，而且很接近人脑的工作模式。”深度学习的确比传统人工智能更接近生物智能，但运行中的大脑是一种脉冲神经网络，没有证据表明大脑采用了深度学习所使用的误差调整和传播算法。笔者认为，深度学习更可能是发生在大脑亿万年的进化过程中，适者生存的试错过程和深度学习的误差调整存在一定的相似性，其结果就是现代大脑的功能柱分层结构。也正是这个原因，出生后的大脑已经具备了表征复杂环境刺激中存在的隐含结构的能力，因此并不需要像深度学习那样再进行大规模训练，就能从少量样本中快速获取知识。
神经形态芯片
硬神经网络在神经网络发展史中一直占据重要地位，但受限于电子器件工艺水平和成本限制，制造大规模硬件神经网络在技术上一直难以实现。1945年，冯·诺依曼领导的设计小组试制成功指令存储式电子计算机，这是日后冯·诺依曼计算机体系结构的关键。1948年，冯·诺依曼提出了以简单神经元构成的再生自动机网络结构，比较了人脑结构与存储程序式计算机的根本区别。然而，1947年底发明的晶体管以及随后的集成电路，推动冯·诺依曼体系结构计算机发展一日千里，直至今天。冯·诺依曼也成为“计算机之父”，但他本人显然并不像后人那样推崇冯·诺依曼体系结构，他念念不忘的是计算机和人脑的类似性，在生命的最后几年，他综合早年逻辑研究成果和计算机相关的工作，进击更复杂的问题：怎样使用不可靠元件设计可靠的自动机，以及建造自己能再生产的自动机。冯·诺依曼这方面的研究反映在西列曼讲演中，在他逝世后才以《计算机和人脑》的名字出版单行本，这部未完成的著作对人脑和计算机系统进行了深入分析和比较，至今仍闪耀着智慧的光芒。
成立于1911年的IBM公司，长期执掌计算机产业之牛耳。不那么为人所知的是，IBM1956年就研制了512个神经元的神经网络。前面已经介绍过的IBM在蓝色基因超级计算机上模拟大脑的项目，2008年得到美国国防先进研究项目局(DARPA)资助，项目名称为“神经形态自适应可塑性可扩展电子系统（简称SyNAPSE，即突触）”，项目规划到2016年，总经费超过1亿美元。2014年8月，IBM在《科学》发表文章，宣布研制成功TrueNorth神经形态芯片，在4.3平方厘米的芯片内，实现了一百万个神经元、2.56亿个“突触”，能耗不到70毫瓦，单位面积能耗是普通处理器的万分之一。芯片按照类似生物大脑的脉冲神经网络运行，还基于该芯片在斯坦福大学演示了实时行人车辆目标检测和分类。这项成果最近入选《科学》“2014年十大科学突破”。
在制造神经形态芯片方面，IBM并非独行者。国际上开展类似研究的还有许多知名企业、研究机构和大学，包括英特尔、ARM、惠普、高通、三星、斯坦福大学、瑞士洛桑联邦理工学院、曼彻斯特大学、海德堡大学、加州大学等。其中，英国嵌入式处理器厂商ARM与曼彻斯特大学和海德堡大学的合作研究已经被纳入欧洲人类大脑计划得到支持。欧洲方案与美国方案相比，单位面积功耗较高，但神经元模拟更接近生物神经元，因此在模拟大脑方面也被报以更大希望。
忆阻器
与模拟神经元相比，制造人工大脑更大的挑战在于用什么样的物理器件模拟突触。神经网络的突触部位它不是简单的“连线”，而是记忆和学习发生的地方。人脑中突触的数量是神经元数量的上万倍，达到100T，需要寻找比晶体管还小的物理器件，才有可能实现人脑规模的物理模拟。
忆阻器似乎就是为模拟突触而生的。忆阻器是由加州大学伯克利分校华裔科学家蔡少棠1971年提出的概念，是电阻、电容和电感之外应该存在的第四种基本器件，它的电阻应该随着通过的电流方向和电流量而改变。2008年，惠普实验室意外发现，电极间一侧去除部分氧原子的二氧化钛薄层表现出忆阻器特性，这项成果登上当年全球科技重大成果多个排行榜。忆阻器的物理特性使它能够用来高效地储存信息，目前，几乎所有的计算机存储芯片企业都在开发基于忆阻器的新型存储器件。忆阻器还能用来处理信息，2014年1月，蔡少棠发表论文《大脑是由忆阻器构成的》，中心思想是忆阻器天然具有的可塑性和记忆能力，与神经突触的响应特性高度相似，换句话说，忆阻器这种极小尺寸、低功耗、通电可学习（可塑性）、断电可记忆的基本元件，是神经突触的理想之选。事实上，用最常规的集成电路制造工艺把忆阻器堆叠成三维整列，把数量少得多的神经元排列成条状作为“镶边”，就可以制造大规模神经网络系统。
2011年，惠普开发出集成大量忆阻器的并行处理多核处理器芯片Dendra，与波士顿大学合作开发了基于该硬件的神经网络软件模拟平台，进行了较为复杂的老鼠迷宫仿真实验。2014年6月，惠普公开新型计算机架构“TheMachine”，核心是忆阻器存储和内部全光通信。惠普表示已经把研发机构四分之三的人力物力都投入到这个项目中，TheMachine的能力将是常规计算机的6倍，能耗却只有1.25%，体积只有10%左右，原型机将会在2016年面世。
基于忆阻器研制神经形态芯片的另一著名机构是HRL实验室，也得到了DARPASyNAPSE项目的资助，只不过HRL一开始就采用忆阻器模拟突触。HRL实验室SyN?APSE项目主任研究员NarayanSrinivasa表示“我们的神经形态架构使用了丰富的可编程的类人脑连接……用于模拟在人脑中发现的真正的突触结构。”
IBM在2014年8月的True?North芯片的论文中，也隐含了未来将要采用忆阻器的可能性。论文面世之前，IBM宣布了30亿美元的研究计划，把纳米科学、神经科学和超级计算机结合到一起，开发出了一套端到端生态系统，其中包括一个新的非冯·诺依曼体系结构、一种新的编程语言以及众多应用，让计算系统模拟大脑的计算效率、规模和能耗，长远目标是建立具有一百亿个神经元和一百万亿个突触的神经突触系统，体积不到两升，能耗一千瓦。事实上，这不过是重申SyNAPSE项目2008年就确定的目标：每平方厘米100万神经元和100亿突触(采用忆阻器)，用一万颗神经形态芯片制造出电子大脑，规模与人类大脑相当。因此，IBM新闻稿中的“长远”，按SyNAPSE项目推算，长则五年，短则三年。
机器能否超越人类？
机器是否能够超越人类？很多哲学家持反对态度。第一位反对“机器能够思维”的哲学家是被称为“20世纪最伟大的思想家”路德维希·维特根斯坦。维特根斯坦曾与图灵同在剑桥大学教书，图灵讲授数理逻辑，维特根斯坦讲授数学哲学，二人围绕“机器能否思维？”有很精彩的争论。维特根斯坦的观点在人工智能历史上一直不乏同道，1979年，哲学教授休伯特·德雷福斯出版了《计算机不能做什么：人工智能的极限》，诉诸现象学派哲学家海德格尔、胡塞尔、梅洛·庞蒂以及维特根斯坦的工作，提出了反对强人工智能的论证，核心思想是：许多人类的行为不能被简单地看作是遵照一套规则行事。
图灵在《计算机与智能》一文中曾引用数学家和物理学家道格拉斯·哈特里的看法：这并不意味着不能制造“可以自我思考”的电子装置，或者用生物学术语来说，可以通过设置条件反射为“学习”奠定基础……只是已有的和正在建造的机器看来还不具备这种性质。
图灵表示自己完全同意哈特里教授的看法，认为真正的智能机器必须具有学习能力，他以人的成长为参照模型，描述了制造具有学习能力的智能机器的方法。要模拟一个成年人的思想，需要考虑三个方面：（1）出生时的初始状态；（2）接受的教育；（3）经历的经验。图灵把制造童年大脑的解决方案归结为进化，他认为这个人工进化可以比自然进化要快得多。至于教育训练过程，可以采用奖惩的办法使机器获得正确的知识，图灵认为这个“学习过程”正是机器超越“简单执行指令”的关键，图灵还建议增加随机性来提高智能，这些思想至今还是计算机科学“机器学习”这个研究方向采取的基本原则。
图灵在《计算机与智能》中也承认自己的论述更像“凝聚信念的诵经”，并未给出“机器能够拥有智能”的确定论据。但图灵并未止步于“诵经”，而是试图通过数学生物学向制造智能机器进军，用“（化学）反应-扩散方程”解释生物体何以发展出各种形态（例如人体骨骼形态、老虎花纹等），这一假说本世纪初得到实验证实，图灵因此还成为形态发生理论的奠基人。
图灵逝世后，现代计算机大踏步登上历史舞台，成为影响人类社会最大的技术发明。六十多年来，电脑性能按照摩尔定律指数式上升，不到两年就翻一番，这种核裂变式的量变是否会引发计算机到“电脑”的质变，成为人类关注的焦点。近年来，最惹人注目是雷蒙德·库兹韦尔的“奇点”理论，他在摩尔定律的基础上推演出电脑超越人脑的“库兹韦尔曲线”，预测到2027年，一千美元可以买到超越一个人（脑力）的电脑，到2050年，一千美元可以买到超过全部人类大脑的计算机。在“奇点”到来之际，机器将能自我完善，超越人类，从而开启一个新的时代。
对于这些预测，追捧者有之，抨击者有之，更多的是不以为然。然而，如果结合上面的软件大脑、深度学习、忆阻器和神经形态芯片等一起来看，对“奇点理论”就不能犯“狼来了”那样掉以轻心的错误了。技术按指数速度持续增长，因此“机器能否超越人类？”这个问题的答案，主要取决于技术。按照各种预测，只需要十年左右就能见分晓。
相比之下，一百年来，关于这个问题的哲学思辨没无多大改观。哲学家和认知科学家丹尼尔·丹尼特在评价图灵与维特根斯坦之争时曾说：“图灵貌似天真，但他给后世留下了计算机，而维特根斯坦呢？他给我们留下了，呃……维特根斯坦。”
“超级大脑”时代
我们所在的物理宇宙是一个物质能量世界，同时也是一个形态世界，物质有限，能量守恒，而形态变化万千，形态和物质、能量一样，是世界本体的一个侧面，也是信息的根源。生物大脑、人类大脑、现在的计算机、未来的超级大脑，说到底都是处理信息的智能体。从这个意义上讲，人脑是智能进化史的重要一环，“超级大脑”也是，只是信息处理能力有所差异。我们相信“超级大脑”时代不久将会来临，主要基于如下四个层次的技术理由：
（1）复制人脑：人类大脑作为生物自然进化的高级产物，本身并无神秘性，如果能在神经元、突触、神经回路和运行机理层次都逼近人脑，没有绝对理由拒绝这样的“模拟大脑”也能具备人脑的智能功能，甚至涌现出自主意识。而且这里“逼近”包括从分子意义上的“逆向工程”到功能意义上的精密仿真，其间的“成功间隙”可能相当大。
（2）机器学习：人脑后天经验和知识的习得，既来自人类知识的书面传承，也包括随时进行的与环境的互动。近年来深度学习取得的突破性进展，从一个角度证明“学习”并不神秘。精确模拟人脑的“人造大脑”，同样可以汲取人类既有知识，也可以接受视觉、听觉以及其他类型的信息刺激，实现经验和能力的增长。全球数亿个摄像头已经让机器能够清晰观察地球上的风吹草动，物联网更让机器的触角渗透到物理世界的各个角落，全球数据量两年就翻一番，“模拟大脑”已经可以从日益增长的大数据中获取丰富的知识。
（3）性能超越：光电技术实现的神经元和突触等物理器件，可以对生物神经对应物快百万倍，密度也可以高出生物大脑多个数量级，因此人造大脑在性能上超越人脑没有任何悬念。
（4）进化永生：人类存在寿命限制，超级大脑却可以无眠甚至“永生”，能够持续进化，超级大脑之间也可以通过高速信息交换进行协作（也可以说整体上是一颗“超超级大脑”），并设计出比自己更先进的新一代超级大脑。
人类大脑是制造“超级大脑”的初始模型，但“超级大脑”一旦苏醒，很快就会把人类大脑远远抛在后面。就地取譬，北京大学最近已经开发出模拟神经突触的三维忆阻器阵列，每个单元体积只有生物突触的十万分之一，响应速度比生物突触快一百万倍。仅比速度，人生三万天，皓首穷经也难破万卷，对采用这种忆阻器制造出的“超级大脑”来说，立地书橱不过是可以“秒杀”的一碟小菜，一小时内的阅读量就能超过人的一生！人类至今撰写的所有语言的书籍共约一亿种，“超级大脑”一年就能读完，又有哪位人类饱学之士能够相提并论呢？如果是一百颗“超级大脑”并行或者单颗“超级大脑”的容量增大一百倍呢？相比之下，人类头盖骨下的灰质白质不过是顽冥不化的青铜器。
1972年，卡尔·波普尔曾提出三个世界观点，其中客观知识世界（世界3）可以理解为柏拉图理念世界中人类智慧能够触碰到的那一部分。“超级大脑”以更高的性能，可以在人类知识的基础上，继续扩展客观知识世界疆域，比人类更进一步接近柏拉图的“至善”世界。
1896年，天才发明家尼古拉·特斯拉说：“我认为任何一种对人类心灵的冲击都比不过一个发明家亲眼见证人造大脑变为现实。”听来让人魂动神摇，很多人甚至担心“超级大脑”会毁灭人类，笔者倒认为“超级大脑”未必像人类那么心理狭隘，而是人类超越自己物理极限、实现再进化的必由之路。人类可以及时抓住“超级大脑”带来的知识爆炸机会，积极把人类智能迁移到能效更高的光电平台上，让每个独具个性特色的（去除神秘意义的）“人类灵魂”在超级大脑中“永生”，汇入比人类进化更为恢宏的智能进化史。
也许笔者对制造“超级大脑”的估计过于乐观，而且迎来的是天使还是魔鬼都还未可知，但踯躅不前决非上策。64年前，图灵在撰写《计算机和智能》时，似乎也曾若有所思，他的论文结尾是这样的——“吾等目力短亦浅，能见百事待践行。”
内容转载自《中华读书报》。