一、 問(wèn)題溯源

　　人工智能理論是隨著數(shù)字計(jì)算機(jī)的出現(xiàn)應(yīng)運(yùn)而生的。人們對(duì)于計(jì)算機(jī)這種具有高速運(yùn)算能力和大規(guī)模數(shù)據(jù)吞吐量的機(jī)器充滿了希望。在電子制造業(yè)高速發(fā)展的幾十年來(lái)，計(jì)算機(jī)的硬件水平倍數(shù)級(jí)攀升。在其間，人們發(fā)明了多媒體音頻處理，電子游戲，網(wǎng)絡(luò)通信，手機(jī)和各種電子終端。然而，人工智能的進(jìn)展卻微乎其微，若將現(xiàn)今的智能設(shè)備與二十年前的機(jī)器對(duì)比，發(fā)現(xiàn)沒(méi)有多大長(zhǎng)進(jìn)。相比于硬件摩爾定律式的發(fā)展，人工智能領(lǐng)域的發(fā)展可以說(shuō)是微乎其微。白白枉費(fèi)了計(jì)算機(jī)工程師幾十年的辛勞。

　　“電腦”，“智能手機(jī)”實(shí)際上都只是指令執(zhí)行器，生硬到不能產(chǎn)生隨機(jī)數(shù)。這些東西無(wú)腦亦無(wú)智。對(duì)智能詞語(yǔ)的濫用一方面表現(xiàn)了人們對(duì)人工智能的期待，另一方面也說(shuō)明了對(duì)計(jì)算機(jī)的誤解，認(rèn)為只要計(jì)算機(jī)足夠快，他就能擁有人一樣的智能。那么智能產(chǎn)生的前提是什么?我們?cè)趺茨軌虮ＷC智能在計(jì)算機(jī)上一定能夠?qū)崿F(xiàn)?

　　而在另一個(gè)領(lǐng)域，近些年來(lái)隨著微電子制造業(yè)的迅猛發(fā)展，F(xiàn)PGA/CPLD等大規(guī)模集成數(shù)字邏輯芯片相繼出現(xiàn)，它可以將數(shù)以萬(wàn)計(jì)的邏輯門電路以可編程的方式燒寫(xiě)到單一芯片中。其最大的特點(diǎn)是大規(guī)模的對(duì)等邏輯。然而，這個(gè)特征并沒(méi)有得到充分的發(fā)揮，業(yè)界的應(yīng)用方向無(wú)非是用它燒寫(xiě)若干個(gè)軟CPU核，甚至外加DSP核，連同周邊的數(shù)字邏輯實(shí)現(xiàn)一個(gè)專用計(jì)算機(jī)，準(zhǔn)確地將是嵌入式系統(tǒng)，在此CPU上運(yùn)行μclinux或者WindowsCE操作系統(tǒng)，讓它像計(jì)算機(jī)一樣工作。然而，F(xiàn)PGA用作此用效率并不高，其應(yīng)用方向的迷茫促使我們思考：FPGA的特點(diǎn)究竟能夠做什么?

　　二、 現(xiàn)有技術(shù)為什么不適于研究人工智能

　　現(xiàn)有的人工智能方式主要是利用數(shù)學(xué)公式將特征事物通過(guò)數(shù)學(xué)建模轉(zhuǎn)換為數(shù)學(xué)模型，比如神經(jīng)網(wǎng)絡(luò)的模型，利用特定的運(yùn)算手段求解，并通過(guò)計(jì)算機(jī)編程實(shí)現(xiàn)運(yùn)算過(guò)程。這種方法可以收到一定的效果，但是由于模型過(guò)于簡(jiǎn)單，運(yùn)算量過(guò)大，使得智能幾乎不可能實(shí)現(xiàn)。

　　那么數(shù)學(xué)手段為什么很難推演智能呢?數(shù)學(xué)是一個(gè)獨(dú)立于自然界的一個(gè)自洽的運(yùn)算體系，變量之間的約束關(guān)系構(gòu)成了數(shù)學(xué)公式，然而這些公式中能夠被求解的大多是多數(shù)入變量，單輸出變量的公式，即使是利用矩陣的方法，最多也只能處理實(shí)數(shù)集合。但是，如果需要進(jìn)行運(yùn)算的是一個(gè)復(fù)雜的數(shù)據(jù)結(jié)構(gòu)體，就顯得頗為繁瑣，比如人包括頭部和身體，頭部包括五官和大腦等，五官的任何一個(gè)還有其內(nèi)部結(jié)構(gòu)。這樣的數(shù)據(jù)格式，任何數(shù)學(xué)公式對(duì)它的演算都必將使繁瑣的。何況如果數(shù)據(jù)單元的各個(gè)數(shù)據(jù)之間還有許多牽連的話就更加無(wú)法表達(dá)了。然而，生活中映射到我們大腦中的很多事物都具有很復(fù)雜的特征，特征來(lái)源于不同方面(顏色，形狀)，特征之間含有復(fù)雜的層次關(guān)系，這些特征彼此聯(lián)系，這樣的特征集合作為數(shù)據(jù)輸入進(jìn)行數(shù)學(xué)運(yùn)算將是難以得出結(jié)論的。

　　其次是計(jì)算機(jī)的模擬問(wèn)題，雖然計(jì)算機(jī)有很快的處理速度，我們的大腦在信號(hào)的傳遞速度上比計(jì)算機(jī)慢大概一百萬(wàn)倍。有個(gè)很有趣的法則，叫做一百步法則，是說(shuō)一秒鐘之內(nèi)，你所做出的判斷實(shí)際上最多經(jīng)歷了大腦中的一百個(gè)神經(jīng)元的鏈條，它的傳播速度使得信號(hào)只可能走這么遠(yuǎn)，但是我們一秒鐘之內(nèi)完全可以辨認(rèn)出熟人的面孔，如果將這個(gè)工作交給計(jì)算機(jī)，幾萬(wàn)行指令都不能實(shí)現(xiàn)。其根本原因其一是大腦的處理結(jié)構(gòu)是對(duì)等的，然而計(jì)算機(jī)是專有的，不同的區(qū)域由自己專門的任務(wù)。比如中央處理器，內(nèi)存，顯示卡等，中央處理器內(nèi)部的結(jié)構(gòu)也是專有化的。其二是處理的非并行，典型的微機(jī)只有一個(gè)核心處理單元(ALU)，每一個(gè)時(shí)刻，只允許有一條指令通過(guò)，無(wú)論其運(yùn)轉(zhuǎn)頻率有多高。如果想讓計(jì)算機(jī)處理并發(fā)事件，那么其唯一的辦法就是分時(shí)處理。即在不同的時(shí)間段處理不同的任務(wù)?，F(xiàn)今的多核處理架構(gòu)雖然可以進(jìn)行少量的并行，但是其結(jié)構(gòu)體系的功能專有化并沒(méi)有任何改變。

　　然而對(duì)于大腦，從硬件結(jié)構(gòu)上講，是由大規(guī)模的對(duì)等結(jié)構(gòu)組成，這個(gè)體系中的每一個(gè)處理單元的作用微乎其微，然而，正是這種規(guī)?；膮f(xié)同并行處理使得其具有智能。

　　諸如上述，如果實(shí)現(xiàn)人工智能，就必須從大腦的結(jié)構(gòu)出發(fā)，從大腦的基本處理方法出發(fā)，真正理解大腦的工作原理是開(kāi)發(fā)人工智能機(jī)器的必由之路。

　　三、 大腦新皮層物理結(jié)構(gòu)探究

　　<1>神經(jīng)元

　　神經(jīng)元由細(xì)胞體、樹(shù)突和軸突組成，樹(shù)突用于接收信號(hào)，軸突用于發(fā)送信號(hào)。

　　<2>一小撮神經(jīng)元——自匹配記憶體

　　“自匹配記憶”理論證明了神經(jīng)元之間的精確連接能夠帶來(lái)記憶。

　　自匹配記憶由相互連接的簡(jiǎn)單神經(jīng)元構(gòu)成，它們之間的連接方式不同，其中涉及大量的反饋，這種神經(jīng)元在達(dá)到某個(gè)臨界點(diǎn)時(shí)可以自動(dòng)激活，當(dāng)一種模式施加在人工神經(jīng)元之后，他們就會(huì)對(duì)這種模式形成記憶，這種記憶叫做自匹配記憶。

　　記憶是形成記憶——預(yù)測(cè)模型的基礎(chǔ)，本文將逐步闡釋記憶——預(yù)測(cè)模型是怎樣實(shí)現(xiàn)的。

　　如果幾個(gè)神經(jīng)元都可以帶來(lái)記憶，那么大規(guī)模的相似結(jié)構(gòu)帶來(lái)的是什么呢?

　　<3>大規(guī)模的神經(jīng)元互連——大腦新皮層

　　大腦皮層有眾多神經(jīng)元組成。其物理結(jié)構(gòu)按照其細(xì)胞種類不同可分為六層，L1主要由平行延展的軸突組成，L2，L3層由錐體細(xì)胞的神經(jīng)元構(gòu)成，L4有一種星形細(xì)胞，L5層除含有正常的錐體細(xì)胞外，還含有巨大的金字塔形細(xì)胞，L6層也有些獨(dú)特的神經(jīng)元。形成皮層的最大一類是金字塔形神經(jīng)元，占細(xì)胞數(shù)量的4/5。除最上層有長(zhǎng)達(dá)幾千米的軸突區(qū)幾乎沒(méi)有細(xì)胞外，其他五層中都有金字塔形神經(jīng)元，它與自己最近的神經(jīng)元相連，并伸出長(zhǎng)長(zhǎng)的軸突，向旁邊的大腦皮層延伸，甚至可到達(dá)較低的大腦結(jié)構(gòu)——丘腦。一個(gè)標(biāo)準(zhǔn)的金字塔形神經(jīng)元有幾千個(gè)突觸。他們的密度極大且個(gè)體極小，保守估算一下，一個(gè)普通金字塔形神經(jīng)元有一千個(gè)突觸，大腦皮層就有大概30兆個(gè)突觸，這些突觸用來(lái)運(yùn)行所有的推理和提供記憶。

　　更深一步的大腦功能的研究，提供了許多很重要的結(jié)論，我們主要關(guān)注蒙卡斯?fàn)柕膯我黄铀惴?

　　<4>結(jié)構(gòu)對(duì)等性與單一算法理論

　　“大腦皮層在外表和結(jié)構(gòu)上驚人的相似，不論是主管視覺(jué)輸入的區(qū)域，主管觸覺(jué)的區(qū)域，控制肌肉的區(qū)域，布羅卡語(yǔ)言區(qū)域還是其他，實(shí)際上結(jié)構(gòu)完全一樣?！蓖瑫r(shí)，我們推測(cè)“既然這些區(qū)域是相同的，那么他們?cè)趯?shí)際中所發(fā)揮的作用也可能是相同的，而且大腦皮層完成各個(gè)功能所使用的方法也是相同的。”也就是說(shuō)“大腦皮層各個(gè)功能區(qū)域都遵循著一個(gè)共同的算法”同時(shí)，實(shí)驗(yàn)證實(shí)“進(jìn)入大腦皮層的輸入信息是基本相同的”，無(wú)論來(lái)自什么感覺(jué)器官。所以，如果某個(gè)算法只能用于處理視覺(jué)，而不能處理聽(tīng)覺(jué)的話，它就不應(yīng)該是智能的算法，我們必須找出一種方法，使之對(duì)于任意的輸入都能做出合理的令人滿意的輸出，盡管它可能并不擅長(zhǎng)計(jì)算和批量無(wú)損記憶。同時(shí)，我們也只需要研究這一種方法，就應(yīng)該能夠?qū)λ械妮斎朐O(shè)備服務(wù)，也就能夠驅(qū)動(dòng)所有的外圍設(shè)備，而不需要專門的驅(qū)動(dòng)，這方面計(jì)算機(jī)幾乎不可能做的，計(jì)算機(jī)的每一個(gè)外設(shè)都需要特制的驅(qū)動(dòng)，完成任何一個(gè)任務(wù)都需要特制的算法程序。同時(shí)，對(duì)于大腦結(jié)構(gòu)的令人驚訝的對(duì)等性，于計(jì)算機(jī)而言，也是完全不同。

　　一百步法則證明，我們的大腦不可能有復(fù)雜的數(shù)學(xué)式的計(jì)算，同時(shí)又不會(huì)有專門的算法，那么這種普適的效率極高的通用算法是什么樣的算法，它究竟能在什么結(jié)構(gòu)上實(shí)現(xiàn)?答案就是記憶——預(yù)測(cè)模型和基于邏輯層級(jí)結(jié)構(gòu)的特征序列處理體系。

　　首先，我們先證實(shí)一下，F(xiàn)PGA能不能構(gòu)建大規(guī)模的對(duì)等邏輯，這個(gè)邏輯是實(shí)現(xiàn)處理方式對(duì)等的基礎(chǔ)。

　　四、 FPGA的物理結(jié)構(gòu)

　　早在1943年，神經(jīng)生理學(xué)家Warren McCulloch和數(shù)學(xué)家Walter Pitts解釋了神經(jīng)元是如何數(shù)字化工作的，他們認(rèn)為：大腦神經(jīng)元的工作原理和電路的邏輯門是一樣的。用精確的方式可以將神經(jīng)元連接起來(lái)，以實(shí)現(xiàn)邏輯功能，可以把神經(jīng)元想象成生物上的邏輯門，這樣，我們可以大膽想象，大腦是由“and”，“or”等邏輯門及其他類的邏輯節(jié)點(diǎn)構(gòu)成的，和數(shù)字邏輯相似。大有可能大腦的神經(jīng)元就是這樣工作的。

　　雖然由于當(dāng)時(shí)的條件所限，他們的理論只能歸咎于一種設(shè)想。但他卻表明，神經(jīng)網(wǎng)絡(luò)的邏輯電路化是可能的?，F(xiàn)今，最適合的實(shí)驗(yàn)平臺(tái)已經(jīng)到來(lái)，那就是FPGA芯片。

　　FPGA學(xué)名叫現(xiàn)場(chǎng)可編程門陣列。它可以將數(shù)字電路通過(guò)代碼的方式進(jìn)行描述，并通過(guò)器件綜合的方法將其自動(dòng)轉(zhuǎn)化為可實(shí)現(xiàn)的硬件結(jié)構(gòu)，通過(guò)燒寫(xiě)程序?qū)⒋私Y(jié)構(gòu)固化到芯片上。一個(gè)芯片可以反復(fù)燒寫(xiě)數(shù)千次。

　　下文以Altera公司的Stratix系列為例，一片Straix芯片可集成80000個(gè)LE(基本單元)，StraixII系列甚至可以達(dá)到180000個(gè)等效LE，每個(gè)LE包含一個(gè)四輸入查找表(可看作兩個(gè)兩輸入門)，一個(gè)可編程觸發(fā)器(用于時(shí)序電路)和一些輔助電路。同時(shí)具有數(shù)據(jù)存儲(chǔ)器和十二個(gè)全局時(shí)鐘。其內(nèi)部結(jié)構(gòu)為行列走線結(jié)構(gòu)，行列線之間就是LAB塊，一個(gè)LAB塊包含10個(gè)LE。

　　LAB

　　LAB

　　局部互連線

　　局部互連線

　　局部互連線

　　M512

　　RAM

　　塊

　　LAB

　　LE

　　LE

　　LE

　　LE

　　...

　　共10個(gè)

　　LAB內(nèi)部結(jié)構(gòu)

　　LAB與行列線結(jié)構(gòu)圖

　　可以概括的說(shuō)，大腦皮層的物理結(jié)構(gòu)是由神經(jīng)元構(gòu)成了垂直柱，作為基本計(jì)算單位。垂直柱的并行工作機(jī)制實(shí)現(xiàn)了記憶——預(yù)測(cè)模型和特征序列檢索。

　　而FPGA是由LE作為基礎(chǔ)單元?；A(chǔ)單元之間可以進(jìn)行并行處理和時(shí)序邏輯。

　　值得注意的是，我們并不需要在意FPGA中的物理結(jié)構(gòu)與大腦新皮層的相似性有多高，因?yàn)楝F(xiàn)今的器件描述語(yǔ)言(如VHDL和Verilog HDL)和器件綜合工具(如Altera公司的QuartusII軟件)能夠?qū)⑦壿嫿Y(jié)構(gòu)自動(dòng)轉(zhuǎn)化為物理結(jié)構(gòu)。我們只需要保證邏輯結(jié)構(gòu)的相似就可以了。在此，只是為了說(shuō)明，我們可以充分利用其物理結(jié)構(gòu)的優(yōu)勢(shì)將所需的邏輯上的智能結(jié)構(gòu)高效的轉(zhuǎn)化為物理結(jié)構(gòu)。

　　總之，F(xiàn)PGA是人類有史以來(lái)制造出的最接近人腦的器件的一種。無(wú)論是計(jì)算機(jī)，還是機(jī)械設(shè)備都無(wú)法與之匹敵，它是實(shí)現(xiàn)人工智能的最理想的硬件環(huán)境。

　　五、 記憶——預(yù)測(cè)模型

　　<1>輸入到大腦中的信息形式

　　前文已述，進(jìn)入到你大腦皮層的輸入信息形式是基本相同的。無(wú)論是視覺(jué)還是聽(tīng)覺(jué)，都通過(guò)成千上萬(wàn)根神經(jīng)纖維將信號(hào)傳入大腦。你可以將這些輸入看成一束電線，他們承載的神經(jīng)信號(hào)被稱為“動(dòng)作電位”或“電脈沖”，雖然這些信號(hào)來(lái)自不同的感覺(jué)器官，一旦轉(zhuǎn)化為有大腦控制的動(dòng)作電位，他們就變成了完全相同的形式，由于它代表著輸入的信號(hào)的特征，我們稱這些信號(hào)叫做特征信息。

　　這些特征信息不是靜態(tài)的，它是一個(gè)時(shí)變信息，因此我們稱這種隨時(shí)間不斷改變的特征信息為特征序列。比如，在通常情況下，你的眼睛每秒鐘會(huì)快速移動(dòng)三次，它們注視一個(gè)點(diǎn)，然后很快又會(huì)突然跳到另一個(gè)點(diǎn)。也就是說(shuō)，輸入到大腦中的特征信息會(huì)隨著每一次眼的掃視而徹底改變。何況在實(shí)際生活中，你會(huì)不停的轉(zhuǎn)動(dòng)頭和身體，雖然你接受到的是一系列毫不重復(fù)的圖像，但你感到的卻是一個(gè)穩(wěn)定的可觀世界，這種感覺(jué)是由大腦創(chuàng)造出來(lái)的。感覺(jué)信息是一系列的特征，像一條河流進(jìn)大腦，與其說(shuō)它是一幅畫(huà)，不如說(shuō)它是一首歌。

　　<2>特征序列是大腦處理和記憶的對(duì)象

　　在識(shí)別周圍環(huán)境的時(shí)候，大腦并不是識(shí)別事物本身，而是識(shí)別它的若干特征。大腦區(qū)分一個(gè)事物于其他事物，靠的也是特征。通常，大腦對(duì)靜態(tài)的特征組并不敏感，而對(duì)動(dòng)態(tài)的特征序列很敏感。因?yàn)楫?dāng)它確定一事物的時(shí)候，會(huì)將記憶中的下一個(gè)序列狀態(tài)與實(shí)際相比較。比如某特征序列的電路化模型為001—>010—>100—>001,那么當(dāng)處于010態(tài)時(shí)，他會(huì)對(duì)一組運(yùn)動(dòng)神經(jīng)輸出脈沖，期待得到100，這種處理方式在下文將具體介紹。

　　大腦記憶的內(nèi)容也是特征序列，我們用一系列垂直柱(計(jì)算的基本單元)的組合來(lái)表征某個(gè)特征，通過(guò)丘腦的作用(猜測(cè)是這樣)實(shí)現(xiàn)序列所需的延時(shí)。

　　一個(gè)與之相對(duì)的例子是現(xiàn)在流行的神經(jīng)網(wǎng)絡(luò)模型。在這些模型中訓(xùn)練和記憶的內(nèi)容是一些權(quán)值和閾值。在這些模型中，特征序列都是準(zhǔn)備好的，訓(xùn)練的目的是匹配每個(gè)特征序列的權(quán)重，使得權(quán)重設(shè)置為一個(gè)最理想的向量組;同時(shí)，他們沒(méi)有采取序列的概念，將重點(diǎn)放在靜態(tài)元素上。這種做法與大腦的工作重點(diǎn)不相符。

　　大腦新皮層最初對(duì)于所有特征都沒(méi)有記憶，因此沒(méi)有任何判斷力，初生的嬰兒的行為能力來(lái)源于古腦等結(jié)構(gòu)，這些結(jié)構(gòu)可以對(duì)基本的刺激做出正確的反應(yīng)，以便于維持生存需要，而對(duì)于復(fù)雜的與生存無(wú)關(guān)的特征，則沒(méi)有確定的行為。但是，這些特征序列作為新事物，在大腦中以編碼的形式形成記憶，即用特定的一系列垂直柱的興奮來(lái)代表特征，同時(shí)大腦皮層也會(huì)記住，在歷次面臨這種情況時(shí)，采取哪些輸出將使情況向好的方向發(fā)展，采取哪些輸出將使情況更糟。這樣，隨著我們的學(xué)習(xí)，記憶的內(nèi)容豐富起來(lái)。我們對(duì)于各種輸入都有了識(shí)別和處理的經(jīng)驗(yàn)。

　　<3> 智能來(lái)源于記憶

　　大腦受到的特征序列來(lái)自不同種類的輸入，其本身沒(méi)有任何實(shí)際意義，那么大腦是怎么處理它的呢?

　　請(qǐng)你回想一下學(xué)騎車的經(jīng)歷。最開(kāi)始，當(dāng)你第一次騎車時(shí)，你根本無(wú)法控制它，因?yàn)閺募∪獾膲毫Ω泻蜕眢w的方向感這些特征模式序列我們沒(méi)有學(xué)習(xí)過(guò)，這時(shí)，只能由古腦和其他經(jīng)驗(yàn)支配平衡。逐漸你對(duì)騎車的相關(guān)特征模式變得越來(lái)越熟悉，稍有一點(diǎn)不平衡的感覺(jué)，大腦就能根據(jù)記憶找到解決辦法。做出相應(yīng)輸出。因此可以說(shuō)，大腦并沒(méi)有對(duì)這些輸入特征進(jìn)行任何處理，而只是到記憶中去提取解決辦法，大腦本質(zhì)是一個(gè)特征序列的記憶體。

　　<4>智能來(lái)源于可控的預(yù)測(cè)

　　如果新大腦皮層只有記憶提取機(jī)制，它遠(yuǎn)遠(yuǎn)不會(huì)工作的這樣好，因?yàn)樯窠?jīng)元間信號(hào)傳輸?shù)乃俣忍竽X無(wú)法實(shí)時(shí)的根據(jù)輸入作出反應(yīng)。大腦實(shí)際采用的方法是預(yù)測(cè)執(zhí)行。即利用記憶的模式序列控制輸出，而不是通過(guò)輸入來(lái)控制輸出，當(dāng)反饋回的輸入特征信息與自身記憶匹配時(shí)，它會(huì)繼續(xù)以這種記憶序列輸出，當(dāng)不匹配的時(shí)候，大腦會(huì)立刻意識(shí)到有錯(cuò)誤發(fā)生，可能還需要停頓一下，重新找到正確的記憶序列后，按照新的記憶序列輸出。

　　如果不太明白上述的說(shuō)明，請(qǐng)?jiān)O(shè)想下面一個(gè)例子：

　　假如你每天都會(huì)從家中的臥室走到廚房，并且已經(jīng)非常熟悉這樣做了，今天在通往廚房的門下多了一個(gè)門檻，如果你不是很小心的話，很可能會(huì)被絆一下。這就說(shuō)明發(fā)送給運(yùn)動(dòng)神經(jīng)的輸出是按照沒(méi)有門檻的情況發(fā)出的，而不是根據(jù)從腳上傳來(lái)的信號(hào)臨時(shí)決定出的。換句話說(shuō)，我們的輸出信息是來(lái)源于預(yù)測(cè)的。

　　人類之所以智能，還有一個(gè)線索需要研究。那就是人類的新大腦皮層的六層結(jié)構(gòu)中，第五層的大型金字塔神經(jīng)元細(xì)胞與輸出的運(yùn)動(dòng)細(xì)胞之間有著非常密切的聯(lián)系。也就是說(shuō)，我們的新大腦皮層根據(jù)預(yù)測(cè)的需要，可以直接控制運(yùn)動(dòng)器官，而不用通過(guò)小腦或者古腦。比如你看到了一個(gè)人的眼睛，猜測(cè)到了他是某個(gè)人，然后需要根據(jù)嘴的特征予以驗(yàn)證，這時(shí)新大腦皮層可以直接控制眼球移動(dòng)，得到所需的信息。相比而言，海豚也有很大的新大腦皮層，它也有很強(qiáng)的記憶力，能夠記住曾經(jīng)到達(dá)過(guò)的海域。但是由于沒(méi)有直接控制運(yùn)動(dòng)神經(jīng)的通路，所以它們的大腦只能稱作一個(gè)記憶體。而遠(yuǎn)遠(yuǎn)沒(méi)有產(chǎn)生智能。

　　現(xiàn)在，我們已知了要實(shí)現(xiàn)人工智能，就要實(shí)現(xiàn)記憶——預(yù)測(cè)，它約等于指出了我們要制造的智能機(jī)器到底應(yīng)該完成什么樣的功能，下面我們就討論一下具體的實(shí)現(xiàn)方式。我們?nèi)匀粡拇竽X的實(shí)現(xiàn)方式出發(fā)。

　　六、新大腦皮層的多層結(jié)構(gòu)與特征序列處理機(jī)制

　　我們?nèi)粲脤?shí)驗(yàn)的方法對(duì)視覺(jué)處理區(qū)域進(jìn)行觀察，就會(huì)發(fā)現(xiàn)它的邏輯結(jié)構(gòu)具有多層性，最基本的視覺(jué)區(qū)是V1區(qū)，它由許多彼此分離的小皮層區(qū)域組成。V1區(qū)把處理后的特征序列傳入V2區(qū)，V2區(qū)也由許多子區(qū)域組成，但數(shù)目較少，面積較大，它將特征序列傳至V4區(qū)，V4區(qū)也是如此，最后傳入IT區(qū)，這一區(qū)域是單一區(qū)域，對(duì)整個(gè)視覺(jué)界有鳥(niǎo)瞰作用。

　　同時(shí)，視覺(jué)區(qū)，聽(tīng)覺(jué)區(qū)等不同方面的處理區(qū)域之間也有高層將他們綜合，使得各個(gè)感覺(jué)區(qū)之間是連通的。

　　值得指出的是，低級(jí)處理層有通向高級(jí)處理層的前向通路，而高級(jí)處理層有更多數(shù)量的反饋通路回饋到低級(jí)處理層，這些反饋的存在自有其意義，而計(jì)算機(jī)卻很難表達(dá)。

　　基于這種基礎(chǔ)結(jié)構(gòu)，我們討論一下信息流,也就是特征序列是怎樣在這個(gè)體系中上下傳播的。

　　設(shè)想一下，你是怎么通過(guò)視覺(jué)信息分辨出向你走來(lái)的是你的一個(gè)老朋友?

　　你的一個(gè)較高的大腦皮層的發(fā)出指示，要識(shí)別一張臉，它的向下反饋通路會(huì)通知它下屬的物體識(shí)別皮層中所有關(guān)于朋友的臉的特征信號(hào)通道準(zhǔn)入開(kāi)啟，而識(shí)別為其他物品的信號(hào)通道準(zhǔn)入通道關(guān)閉。期待下方的大腦皮層的反饋信號(hào)會(huì)滿足這種預(yù)測(cè)，即有臉特征的信號(hào)傳入通道。這時(shí)，進(jìn)入你眼簾的是對(duì)這張臉不同部位點(diǎn)進(jìn)行的掃描，掃描是光線轉(zhuǎn)化為神經(jīng)沖動(dòng)的過(guò)程。這些沖動(dòng)表征的是一系列的特征，即特征序列，通過(guò)輸入神經(jīng)進(jìn)入你的大腦，請(qǐng)注意，進(jìn)入大腦的視覺(jué)信號(hào)并不是物體的圖像，在大腦中，根本找不到這樣的圖像區(qū)域，我們只是看到了由圖像抽象出來(lái)的一系列特征，這些特征最初也許只是相鄰輸入神經(jīng)元間表征的物體顏色的躍變。這些信息被V1區(qū)整合成一個(gè)相對(duì)抽象了一些的特征序列，比如一個(gè)很小的傾斜直線或者邊緣線，這些序列及從其他V1區(qū)的序列被送到較高級(jí)的V2區(qū)進(jìn)行更高程度的整合，比如說(shuō)發(fā)現(xiàn)這是一個(gè)眼睛的輪廓。然后送至V4區(qū)……就是這樣，從低層而來(lái)的信號(hào)在準(zhǔn)入開(kāi)關(guān)的篩選之下，逐步攀升到較高級(jí)的區(qū)域，此時(shí)這個(gè)皮層將尋找這些特征序列中的若干特征，向上級(jí)皮層匯報(bào)一個(gè)特征名，表明這是一張臉，上級(jí)的臉識(shí)別的信號(hào)準(zhǔn)入通道收到了應(yīng)有的信號(hào)，即預(yù)測(cè)是成功的。此時(shí)，它將做出進(jìn)一步預(yù)測(cè)，根據(jù)下級(jí)傳來(lái)的預(yù)測(cè)外通道中最有區(qū)別能力的一些獨(dú)有特征，猜測(cè)他是張三，于是開(kāi)啟關(guān)于記憶中張三特征序列的所有通道，只允許這個(gè)序列特征進(jìn)入預(yù)測(cè)通道，并將這個(gè)特征名通知下面的皮層，這個(gè)特征名被下級(jí)皮層轉(zhuǎn)換成自身的一系列具體的特征準(zhǔn)入通道開(kāi)和關(guān)，并以相同的辦法通知下級(jí)，當(dāng)傳播到運(yùn)動(dòng)控制層時(shí)，它的輸出控制運(yùn)動(dòng)神經(jīng)(比如眼球的運(yùn)動(dòng)肌肉)對(duì)特定的欲觀察處進(jìn)行觀察，V1區(qū)的細(xì)胞收到了新的信號(hào)，將特征上報(bào)，一層層回饋回去，符合的信號(hào)一直傳入上層，如果上級(jí)的預(yù)測(cè)得到了肯定，那么它將會(huì)用同樣的辦法進(jìn)一步核實(shí)，這就是對(duì)一張臉的不同部位進(jìn)行掃描的控制依據(jù)。如果猜測(cè)失誤，即沒(méi)有在開(kāi)通的通道中收到期望的信號(hào)，那么上級(jí)會(huì)從預(yù)測(cè)外通道中獲取其他一些特征去匹配另外一個(gè)記憶，并根據(jù)此猜測(cè)開(kāi)啟其他一些開(kāi)關(guān)。并通知下級(jí)去支配運(yùn)動(dòng)器官，期待其反饋。這樣，確定的過(guò)程逐漸建立起來(lái)，當(dāng)堅(jiān)信它是某事物的時(shí)候，表征這一猜測(cè)特征的一系列神經(jīng)元將一直處于興奮，用于代表這個(gè)事物的特征序列，我們稱這種現(xiàn)象叫恒定表征，我們有有理由承認(rèn)，下屬層向上屬層匯報(bào)的特征名就是基于此層的恒定表征，恒定表征基于各層的特征組，發(fā)生在各級(jí)的處理皮層上。

　　設(shè)想如果是其他的一些情況，比如看到的物體不是臉，這時(shí)，起初的預(yù)測(cè)就會(huì)被否定，不會(huì)引起具體的猜測(cè)了，主管識(shí)別物體的那個(gè)皮層會(huì)嘗試打開(kāi)其他的特征開(kāi)關(guān)，試圖理解為其他的物體。如果怎么也找不到正確的預(yù)測(cè)，那么大腦就會(huì)完全陷于識(shí)別的思考之中，抑或頓悟，抑或放棄，研究表明，頓悟?qū)⒁鹕衔乃龅膹?qiáng)烈的階流式預(yù)測(cè)。而放棄代表著我們不再關(guān)心他具體是何種物體，也許只是當(dāng)作一幅抽象畫(huà)來(lái)欣賞。

　　如果將某個(gè)皮層作為一個(gè)電路模塊，那么它可繪制成類似于以下基本形態(tài)的結(jié)構(gòu)：

　　本皮層區(qū)域

　　序列名

　　前饋通路

　　開(kāi)關(guān)選通號(hào)

　　上級(jí)反饋

　　運(yùn)動(dòng)輸出*

　　下級(jí)前饋

　　向下反饋

　　*運(yùn)動(dòng)輸出可選

　　皮層區(qū)域模塊化圖示

　　如果皮層區(qū)域間的傳播方式基本確定了，那么皮層內(nèi)部的結(jié)構(gòu)應(yīng)該是什么樣的?

　　下文將試析皮層內(nèi)部的結(jié)構(gòu)與處理方式

　　七、 垂直柱理論及其電路實(shí)現(xiàn)

　　除了從橫向上看，大腦皮層可分為六層之外，我們也發(fā)現(xiàn)了位于一特定柱形(斜柱形)細(xì)胞之間存在很強(qiáng)的信號(hào)傳遞關(guān)系，我們稱這個(gè)結(jié)構(gòu)為垂直柱結(jié)構(gòu)，支持單一皮層算法的蒙卡斯?fàn)柪碚撝赋?，垂直柱是皮層的基本?jì)算單位，也就是記憶——預(yù)測(cè)模型的基本單位。它的結(jié)構(gòu)可如圖所示

　　自下而上的特征信息傳遞過(guò)程

　　由下級(jí)皮層區(qū)輸入的信號(hào)先到達(dá)第四層——主要輸入層，順帶形成第六層的連接，然后向上投射到第二層和第三層的細(xì)胞，當(dāng)一個(gè)垂直柱向上投射信息時(shí)，第二層和第三層中的許多細(xì)胞會(huì)向上級(jí)皮層區(qū)域的輸入層伸展軸突，將自己的興奮信號(hào)傳輸給上級(jí)皮層區(qū)。其中，第二層區(qū)域在輸入有信號(hào)且垂直柱選通時(shí)輸出，即預(yù)測(cè)內(nèi)輸出。第三層區(qū)域在有輸入信號(hào)且未選通時(shí)輸出，即預(yù)測(cè)外輸出。這樣此層垂直柱報(bào)告給上級(jí)的是兩套數(shù)據(jù)——預(yù)測(cè)檢驗(yàn)數(shù)據(jù)和預(yù)測(cè)外數(shù)據(jù)。

　　自上而下的特征信息傳遞過(guò)程

　　上級(jí)層的L6向此層的L1投射信息，L1中的軸突延展很長(zhǎng)的區(qū)域，因此有激活下面許多垂直柱的潛能。L2，L3，L5的細(xì)胞都在L1層有樹(shù)突，即可以接受來(lái)自L1的信號(hào)，L2，L3在L5處形成突觸，從而人們認(rèn)為它們能激活第五層和第六層細(xì)胞。

　　丘腦參與的延時(shí)鏈與肌肉控制

　　隨時(shí)間變化的特征形成了特征序列，那么大腦就要具有專門的延時(shí)環(huán)節(jié)處理序列。人們發(fā)現(xiàn)皮層運(yùn)動(dòng)區(qū)(M1區(qū))中巨大的L5層細(xì)胞與肌肉和脊髓中的運(yùn)動(dòng)區(qū)有直接的聯(lián)系，這些細(xì)胞直接驅(qū)動(dòng)肌肉，只要你在說(shuō)話，打字，這些細(xì)胞就會(huì)高度協(xié)調(diào)的切換興奮狀態(tài)，使肌肉產(chǎn)生收縮。進(jìn)來(lái)發(fā)現(xiàn)，L5層中的此種細(xì)胞在每一個(gè)區(qū)域都有分布，而不只局限于運(yùn)動(dòng)區(qū)。同時(shí)，值得注意的是，L5細(xì)胞的軸突一分為二，其中一支還伸向了丘腦，將信息投射到那類被認(rèn)為是非特定的細(xì)胞上，這些細(xì)胞又將信息通過(guò)軸突投射回L1層。這樣做，很可能是起到延時(shí)的作用。

　　L1的信息中有一半來(lái)自上級(jí)層的L6的投射，這部分作為序列名稱，另一半是L5細(xì)胞延時(shí) 后的輸出，它表征序列的當(dāng)前狀態(tài)。L1的輸出有對(duì)L2，L3層細(xì)胞的選通控制作用，上級(jí)把序列名傳遞給L1層，L1層將其展開(kāi)成一系列選通開(kāi)關(guān)，對(duì)于L2的作用是正選通，即選通興奮時(shí)，L2的興奮可順利上傳，而對(duì)于L3來(lái)講使反選通，只要選通興奮，它的信號(hào)就不能被上傳。而在選通不興奮的時(shí)候，可以順利上傳。這樣就使得L2，L3可以正確的輸出預(yù)測(cè)內(nèi)和預(yù)測(cè)外兩組信號(hào)。

　　基于以上神經(jīng)生物學(xué)上的依據(jù)，我們將一個(gè)垂直柱模型轉(zhuǎn)化成如下的電路模型。

　　L4層的星形細(xì)胞對(duì)應(yīng)于與門，對(duì)下級(jí)皮層不同垂直柱的輸入作合并處理。與門輸出分兩路，分別通向L2的正選通三態(tài)門和L3的反選通三態(tài)門。(雖然嚴(yán)格的講，三態(tài)門在控制端禁止時(shí)成高阻態(tài)，而本文作“0”處理，但功能相似，故仍沿用此詞)三態(tài)門的控制信號(hào)由譯碼器輸出控制。譯碼器同時(shí)接受上級(jí)的反饋信號(hào)和序列的延時(shí)信號(hào)。譯碼器的另一條輸出通至L5層細(xì)胞，信號(hào)一分為二，一個(gè)方向通向延時(shí)器，另一個(gè)接通運(yùn)動(dòng)輸出。

　　基于以上的垂直柱模型，我們可以將一個(gè)皮層的整體情況如圖示：

　　每個(gè)“垂直柱”都對(duì)上級(jí)有輸出，這個(gè)輸出在上級(jí)的L4通過(guò)與門整合。

　　上級(jí)的輸出通過(guò)譯碼器展開(kāi)，用于控制每一個(gè)三態(tài)門。

　　譯碼和延時(shí)可以合并起來(lái)并通過(guò)計(jì)數(shù)型序列信號(hào)發(fā)生器實(shí)現(xiàn)，也可通過(guò)VHDL描述。

　　單皮層若干垂直柱的整體圖形示于下頁(yè)。

　　這樣，一個(gè)酷似大腦結(jié)構(gòu)的皮層模型就構(gòu)建出來(lái)了，在此基礎(chǔ)上，我們將其封裝成模塊，再配合上文的層級(jí)結(jié)構(gòu)，即可構(gòu)建新大腦皮層的整體結(jié)構(gòu)。

　　順帶提一下，用與門代替星形細(xì)胞具有一定風(fēng)險(xiǎn)，因?yàn)樗鼛缀鯖](méi)有容錯(cuò)性能，更為嚴(yán)格的方式是加權(quán)的部分與操作，只要到達(dá)一定域值就可輸出。這要看具體的運(yùn)行情況來(lái)決定。

　　單垂直柱結(jié)構(gòu)等效電路圖

　　單皮層等效電路總圖

　　八、 FPGA構(gòu)建人工智能體系的優(yōu)勢(shì)和劣勢(shì)

　　FPGA運(yùn)行的是數(shù)字邏輯，它的運(yùn)行速度可以比神經(jīng)元的傳輸速度快幾十萬(wàn)倍。同時(shí)，F(xiàn)PGA是邏輯可移植的，而大腦的記憶不可移植。我們可以造出起初就具有很高智商的機(jī)器，而不用重新訓(xùn)練。再次，人腦的結(jié)構(gòu)是進(jìn)化而來(lái)，并不是最優(yōu)化的，而且不可改動(dòng)，而FPGA是人工的，其結(jié)構(gòu)可以任意修改。最后是成本問(wèn)題，一片F(xiàn)PGA的成本在幾十美元左右，完全可以利用于各種消費(fèi)領(lǐng)域，走進(jìn)千家萬(wàn)戶。

　　FPGA的缺陷主要體現(xiàn)在以下幾方面：

　　邏輯智能一次性燒寫(xiě)。即在運(yùn)行之前就要將所有確定性邏輯燒寫(xiě)到芯片中。然而，人腦卻能夠根據(jù)需要搭建新的神經(jīng)突觸。這個(gè)差別使得我們對(duì)FPGA的學(xué)習(xí)能力有所質(zhì)疑。不過(guò)最壞的打算是他對(duì)新事物沒(méi)有學(xué)習(xí)能力，但是可以通過(guò)燒寫(xiě)到芯片上的舊有記憶工作。利用它進(jìn)行語(yǔ)音識(shí)別，圖像處理等等都是可以的。補(bǔ)救的辦法也很多，比如可以通過(guò)其內(nèi)建的RAM(數(shù)據(jù)存取器)將譯碼邏輯存儲(chǔ)到其中，進(jìn)行動(dòng)態(tài)的譯碼，只不過(guò)電路結(jié)構(gòu)要進(jìn)行一定修改。

　　其次是規(guī)模問(wèn)題， 一個(gè)神經(jīng)元所含的樹(shù)突數(shù)量可達(dá)幾千個(gè)，其軸突可延伸數(shù)千米之長(zhǎng)，然而，一個(gè)數(shù)字電路們的輸入端一般只多幾十個(gè)，其布線也不可能向軸突的伸展那么容易。并且對(duì)于一個(gè)芯片，它的門電路總數(shù)相比大腦神經(jīng)元來(lái)講還是過(guò)少，不在一個(gè)數(shù)量級(jí)上。一個(gè)是百億級(jí)，一個(gè)是十萬(wàn)級(jí)。何況十萬(wàn)中可能還要根據(jù)具體結(jié)構(gòu)打折。不過(guò)人腦記憶了太多的信息，有太多的處理區(qū)域，而一個(gè)專用的芯片沒(méi)必要那么復(fù)雜。做視頻識(shí)別只需保留視覺(jué)處理就行了，這么看來(lái)，現(xiàn)在的規(guī)模是夠用的。令人樂(lè)觀的是，F(xiàn)PGA是一個(gè)通用電路，是一個(gè)實(shí)驗(yàn)性平臺(tái)，一旦驗(yàn)證模型有效，大批量的專有芯片將產(chǎn)生，他們會(huì)有更大的規(guī)模和更優(yōu)化的結(jié)構(gòu)。可以說(shuō)，微電子技術(shù)已經(jīng)準(zhǔn)備好了，等待的是新大腦皮層模型和原理的確定。

　　再次，是神經(jīng)元的數(shù)字化問(wèn)題，有人指出神經(jīng)元的信號(hào)是模擬量，是不能數(shù)字化成“0”，“1”對(duì)待的，必須承認(rèn)，以這種方式轉(zhuǎn)換成數(shù)字信號(hào)，必將產(chǎn)生信息泄露，但是并不一定影響其工作。比如我們用一臺(tái)黑白的打印機(jī)打印一幅彩色照片，黑白打印機(jī)只會(huì)在特定區(qū)域打點(diǎn)和不打點(diǎn)，即使是灰度也是通過(guò)打點(diǎn)的疏密模擬的。那么我們打印出的照片能夠觀看嗎?可以的，雖然遠(yuǎn)遠(yuǎn)沒(méi)有彩色的好看，但是我們?nèi)匀豢梢苑直嫔线叺脑S多信息。也許將人腦數(shù)字化之后會(huì)產(chǎn)生相同的結(jié)果。

　　九、 基于FPGA的人工智能實(shí)現(xiàn)路線圖

　　<1> 實(shí)現(xiàn)可行性分析，即證明所有邏輯都可以通過(guò)數(shù)字電路實(shí)現(xiàn).

　　<2> 實(shí)現(xiàn)垂直柱模型,可以對(duì)標(biāo)準(zhǔn)輸入做出正確反應(yīng).

　　<3> 實(shí)現(xiàn)多層結(jié)構(gòu),能做出對(duì)標(biāo)準(zhǔn)輸入的恒定表征.

　　<4> 實(shí)現(xiàn)自主學(xué)習(xí)與訓(xùn)練,可以通過(guò)外界輸入更改譯碼邏輯

　　<5> 實(shí)現(xiàn)對(duì)于音頻的識(shí)別

　　<6> 實(shí)現(xiàn)簡(jiǎn)單的輸出控制

　　<7> 實(shí)現(xiàn)對(duì)簡(jiǎn)單視頻的識(shí)別

　　<8> 邏輯結(jié)構(gòu)優(yōu)化,使之精度提高

　　<9> 制作實(shí)用化產(chǎn)品樣機(jī)

　　<10>進(jìn)行更多領(lǐng)域的更復(fù)雜的信號(hào)訓(xùn)練,研究并改進(jìn)其智能能力.

　　十、將來(lái)智能機(jī)器的想象

　　智能機(jī)器不必像人一樣,具備兩只眼睛和兩個(gè)耳朵,根據(jù)大腦皮層統(tǒng)一算法原理,我們可以利用先進(jìn)任何的傳感設(shè)備作為輸入,因?yàn)樗恍枰鎏囟?qū)動(dòng),同時(shí),他的輸出也不一定是身軀,而也許是某架無(wú)人飛機(jī)的操縱桿或者流水線上的機(jī)器手臂。

　　然而，他的核心處理結(jié)構(gòu)應(yīng)該和新大腦是類似的，比如有多層處理結(jié)構(gòu)和記憶——預(yù)測(cè)能力。

　　他的硬件只是提供了智能的基礎(chǔ)，它的有價(jià)值的輸出是通過(guò)訓(xùn)練得到的，要想讓他為我們服務(wù)，我們必須對(duì)它進(jìn)行訓(xùn)練。

　　機(jī)器沒(méi)有人一樣的成長(zhǎng)經(jīng)歷，因此，很可能沒(méi)有人一樣的情感，它的思維和行為方式可能于我們?nèi)祟愅耆煌俏覀冃枰悄軝C(jī)器，就像今日的家用電器一樣，在不久的將來(lái)，人工智能設(shè)備將遍布于世界的每個(gè)角落，走進(jìn)千家萬(wàn)戶，走進(jìn)我們的生活。

　　請(qǐng)大家相信，如果按照正常的研究階段來(lái)推斷，我們離目標(biāo)并不遙遠(yuǎn)，也許只需等待幾年抑或十幾年，這個(gè)領(lǐng)域即將騰飛。如果有興趣，不妨投入到這個(gè)領(lǐng)域的建設(shè)中來(lái)，相信你將大有發(fā)展。讓我們大家拭目以待!