最高精度“线虫大脑”，它来了。
这颗“大脑”所模拟的是一只秀丽隐杆线虫的全生物神经系统。
(注：秀丽隐杆线虫是“最简单的生命智能体”，拥有302个神经元)
这一次，国内的学者不仅把秀丽线虫全部的神经元网络还原了出来，更是细到了它们的亚细胞级连接关系。
据了解，它的精细程度已经达到了当前已知的最高水平：
此前，一项研究对单个生物神经元的计算复杂度进行了研究，文章指出，一个深度神经网络需要 5 到 8 层互联神经元才能表征单个生物神经元的复杂度。
而通过这样的精细构建的“大脑”，已可以让这只“智能线虫”完成动态蠕动前行。
这，便是来自北京智源人工智能研究院的最新研究成果，背后的“利器”则是天演项目。
而且这只“智能线虫”——天宝(MetaWorm)1.0的诞生，不仅仅是生命模拟精度上的一次突破，根据研究团队的介绍：
这是迈出人造智能生命关键一步。
最高精度大脑，是怎么炼成的?
这次大脑选择的秀丽隐杆线虫，可以说是“拥有神经系统的最简单生物之一”——
它既具有完整的神经系统，感知逃逸觅食交配都能完成，整体结构又非常简单，成虫只有大约1000多个体细胞。
就是这只长约1mm的透明小生物，已经是科学研究界的“常客”，近20年来有三次诺贝尔奖都与它有关。
对于神经科学家们来说，秀丽隐杆线虫的神经系统已经被完整破解，实时图谱还登上了当年的Nature封面，非常适合用来研究并模拟“脑回路”。
△雌雄同体，共有302个神经细胞
更重要的是，线虫体内存在的乙酰胆碱、多巴胺等神经递质，在哺乳动物体内也同样存在。
研究它的神经系统，对于研究人类神经系统的调控机制也有重要作用。
但研究结构是一回事，用计算机建模又是另一回事了。
要知道，模拟一个生物的神经元可不是简单地像卷积那样，做个线性变换就完事，它所模拟的(如细胞间)物质交换、神经元间动作电位的产生和传导等行为非常复杂。
例如，仅仅是突触之间递质的传递，就涉及数量、速度、浓度、反流、方向等多个参数，用数学模型来计算模拟还会更加复杂。
即便模拟出了完整的神经系统，如何用计算机模拟出接近真实环境的“赛博空间”，并在其中训练“智能线虫”模型，又是另一大研究难点。
此前，虽然已经有不少团队在进行线虫仿真方面的研究，但无论是精度、还是仿真环境都与现实有一定差距，就像我们常见的仿生机器鱼远达不到鱼的精度一样。
这次，天演团队成功建模出了最高精度的智能“赛博线虫”，实现了让它在3D流体仿真环境下动态蠕动前行、并具备简单趋利避害的能力。
那么，这只“智能线虫”究竟长啥样?
首先，团队利用大量公式和模型，建模出线虫的“电子神经元”。
用到的模型主要有三种：多种离子通道模型、Hodgkin-Huxley模型和多舱室(多房室)模型(Multi-compartment Model)。
其中，多种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模型使用了14种离子通道;
Hodgkin-Huxley模型(HH模型)，能将神经元的每个部分都模拟成不同的电路元件;
△HH模型示例，图片来源于维基百科—真·生物是一台精密的电子仪器
多舱室模型，将神经元视为一个系统，按动力学特点分为若干个舱室，每个舱室所包含的离子通道数目也各不相同。
△图片来源于江小芳, 刘深泉, 张煦晨著论文《中等多棘神经元的多房室模型分析》
这三种模型组合起来，就能将神经元的构造、神经元细胞膜上动作电位和梯度电位的形成与传导、以及物质在各机体部分间传导的速率模拟出来。
施工完成后的这只“智能线虫”，精细建模了秀丽隐杆线虫(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，细节达到了亚细胞级别。
线虫的302个神经元分为感官神经元、中间神经元和运动神经元等，在这其中，团队又针对106个感知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。
统计下来，单个神经元最多舱室(compartment)数2313个，最少10个。302个神经元平均每个52个舱室。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，团队构造了一个3D流体动态仿真环境，让线虫在接近真实的场景下 运动起来。
注意，模拟环境这一步尤为重要，它是研究线虫如何自适应微观环境运动方式的关键步骤。
线虫建模精细到亚细胞(微米级别)后，物理定律的尺度都缩小了，摩擦力与粘滞力的作用要比重力大上几个数量级。
在这种情况下，线虫还能自如地吃饭喝水供能，与其和环境交互的巧妙方式密不可分。
因此，天演团队结合计算神经学、运动力学、图形学等多学科交叉，为智能线虫“天宝”构造了逼真的线虫肌肉和身体软体模型，建立了更适合人工智能体训练的流体仿真环境。
具体来说，这个环境框架由包含三维建模、有限元求解、简化流体模型、强化学习、可视化等多个模块，能最大程度上模拟线虫与环境的交互方式。
相比目前国际领先的OpenWorm线虫仿真项目，天演团队的流体仿真环境规模更大，也更适合作为生命体的多体/群体智能行为仿真环境、完成智各种能体学习训练复杂任务等。
最后，团队将线虫模型放到仿真环境中，完成了初步训练。
这些都是未来天演平台的组成部分。具体来说，这是一个还在建造中的多GPU集群平台，可用于高精度、大规模生物神经元的模拟。
在场景尺度超过1300个线虫身长的仿真环境下，团队现在已经初步训练出了能够根据环境化学信号分布自主行动的“智能线虫”，而这一场景也能支持更大空间和多线虫群体仿真。
据团队表示，“智能线虫”模型能够高效、精准地计算与流体环境相互作用的规律，在相同计算资源下，单线虫单次仿真时间小于0.1秒。
下一阶段，天演团队计划让这只“赛博线虫”实现避障、觅食等更复杂的智能任务。
事实上，类脑智能研究一直是个全球性课题。
国际上，包括欧盟脑计划支持的Blue Brain项目、美国脑计划等都在进行类脑研究;科技巨头如谷歌，近5年一直在发布脑图谱、脑工具;高校研究机构如MIT，用19个线虫模拟神经元实现了自动驾驶控制……
然而，单从类脑研究来看，各团队的研究方向却有很大不同，甚至有相当一部分团队藉由先设计芯片、再设计算法的方式来实现类脑计算。
但这样的研究，反而会被芯片等硬件约束了算法的设计与实现，最终与实现类脑智能的目标相距甚远。
相较之，天演团队选择从实现AI的角度，去研究并实现类脑智能。
但即便如此，费尽心力建模一个线虫大脑，真的有意义吗?
线虫“大脑”，有什么用?
若是用一句话来概括这个问题，那便是：
这是迈出人造智能生命的关键一步。
自人工智能诞生以来，把“机器打造得像人一样”，便成为了研究人员一直努力研发的方向。
然而随着时间的推移，哪怕到了现今以深度学习为主的发展阶段，人工智能还是没有达到真正意义上的智能程度。
即便是像2016年AlphaGo轰动世界的那场围棋比赛，也只是刷新了人们对于人工智能的认知。
但也正如CMU教授Hans Moravec所述：
要让电脑像成年人一样下棋是相对容易的;但是要让电脑拥有一岁小孩水平的感知和行动能力，却是相当困难，甚至是不可能的。
那么，问题到底出在了哪里?
在2016年的时候，智源研究院院长黄铁军就给出过答案。
他认为，深度学习本质上依赖于人工神经网络，而生物的智能所依靠的是生物神经网络。
其中，人工神经网络更接近于“实现功能”，而生物神经网络模拟的则是“实现功能的结构”，二者在“体量”上便不是一个级别的，后者明显要庞大得多，也更重要——
因为结构决定功能，而生物神经网络才是智能的载体。
因此，黄铁军基于这种情况下所提出的“解法”是：
从脑机理模拟的角度出发。
简单来说，就是要去探索生脑大脑内部的“运作模式”，这才是通向通用人工智能的途径之一。
无独有偶，在更早的2009年，瑞士洛桑联邦理工学院的Henry Markram教授也提出过类似的观点。
当时他宣布了一个计划——将在理解大脑结构的基础之上，用超级计算机建立大脑模型。
这项计划后来得到了欧盟的大力支持和关注，因为这种方式的意义不仅仅是理解人类大脑智能的本身，甚至还可能为脑疾病找到别样的治疗方法。
但问题也接踵而至，要想模拟人类整个大脑神经网络，靠计算机是相当困难的。
这不仅仅是因为计算模拟的复杂度，更是因为生物大脑本身的复杂度。
毕竟人类大脑的含有神经元数量高达1011，其所需的计算量和成本可见一斑。
而人类实际上通过大脑去做推理、创作等一系列行为时，所消耗的功耗仅为20-25瓦。
也就是说生物大脑具备了“高智能”、“低功耗”的特性。
这也就是为什么说研究生物大脑，是通向通用人工智能最佳蓝本的原因所在 了。
而且这种信号也已经开始浮现。
例如2021年发表于顶刊NEURON上的Single Cortical Neurons as Deep Artificial Neural Networks研究表明——
一个深度神经网络需要5到8层互联神经元才能表征单个生物神经元的复杂度。
这也就证明了单个神经元所具备的计算力之强，所以若是能够对单个神经元做非常精细化的刻画，便可更加逼近生物处理信息的复杂过程。
但更精细化地模拟生物大脑的意义还远不止于此。
目前人类在大脑方面仍然存在许多较为棘手的疾病，例如阿尔兹海默症、抑郁症和脑损伤等。
研究各种脑疾病的过程更是消耗巨大人力和物力的过程，若是能够精细地模拟具备生物性质的大脑，那么或许会在解决方案上提供另一种可能性。
……
总而言之，更好地模拟和认识大脑，是在认识大脑本身的同时，也是在重视人类自己。
来自图灵奖得主都参与的大会
回归到此次最高精度模拟的“智能虫”，它的亮相，正是在2022北京智源大会。
在这场大会上，包括学术界、产业界的各个AI大牛，都会介绍自己最前沿、最关键的AI研究成果。
而除了“智能线虫”之外，这场峰会还发布了其它多项重要研究成果。
例如九鼎智算平台。
它的算力高达1000P(在建中)，剑指计算新范式，包括通用智能大模型、AI for science等趋势性科研方向。
据了解，九鼎智算平台有别于目前已有的商业云计算。
首先在任务方面，现有的公有云主要是以高并发的推理任务为主;但九鼎智算平台则是面向大模型训练为代表的大规模混合计算任务。
其次在结构方面，九鼎智算平台在现有的处理器和加速器的异构计算云平台资源上，需要构造一套能融合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，九鼎团队希望探索自动适配的新方法，让自动每一款异构计算芯片能发挥其最佳运算能力，提高平台的整体效率。
不难看出，AI大模型和AI forScience，是九鼎智算平台的“主旋律”了。
而除了技术和平台的发布之外，在“把技术用起来”这事上，智源研究院也公布了最新进展。
也就是此前推出的悟道大模型。
例如悟道GLM模型已经在美团App上使用，约7亿用户享受到了它的能力。
据了解，在智能客服方面带来了11%的效能提升，搜索广告收入提升约2.7%。
悟道CogView文图生成模型则是把“生成图片”效果的逼真度拉上了一个新台阶。
现在通过这个模型生成动物的图片，其质量已经堪比摄影照片，这将具备非常大的商业潜在价值。
悟道CogVideo模型，则已经可以实现“一句话生成视频”。例如只要说：
让绿巨人在屏幕上咆哮、蜘蛛侠在空中吐丝、蒙娜丽莎对你嫣然微笑、梵高的星空璀璨律动……
那么与之对应的视频画面，分分钟内便可以打造出来了：
但除了项目和成果的发布之外，与会嘉宾也是此次北京智源大会的一大亮点。
今年不仅请来了图灵奖得主Adi Shamir，Karl Friston、Cynthia Dwork等多位世界级科学家。
还有全球顶级AI实验室的科研代表，例如DeepMind首席AI科学家Richard Sutton、OpenAI研究团队负责人Meta AI 西雅图负责人等。
他们会在此次大会中，针对机器学习、多模态、大模型、AI开源等研究方向做最新进展报告。
目前，大会依旧处于“进行时”，感兴趣的朋友可以戳下方链接进行参与。
营业执照公示信息