【中译】默里·沙纳汉《技术奇点》（第二章）

译者：李浚弘

第二章；全脑仿真【逆向工程】

第二章【第一节】；复制大脑

到底什么是全脑仿真?简而言之，这个想法是在非生物(例如计算)基质中制造特定大脑的精确工作副本(或多个副本)。为了了解细节，我们需要了解一些基本的神经科学。脊椎动物的大脑，就像动物身体的其他器官一样，由大量的细胞组成。这些细胞中有许多是神经元，它们是了不起的电子设备，每一个都能进行复杂的信号处理。神经元由细胞体(称为胞体)、轴突和一组树突组成。粗略地说，树突可以被认为是神经元的输入，轴突是神经元的输出，而体细胞则进行信号处理。 神经元之间紧密相连，形成了一个复杂的网络。轴突和树突都类似于树，有许多分支呈扇形散开，与其他神经元的轴突和树突交织在一起。当一个神经元的轴突(输出)与另一个神经元的树突(输入)非常接近时，就会形成突触。通过复杂的化学物质交换，突触允许信号从一个神经元跳到另一个神经元，这使它们能够相互交流。人脑中神经元的数量惊人——超过800亿。但神经元并不局限于动物的中枢神经系统、大脑和脊髓。外周神经系统也由神经元组成，神经元将感觉信号从身体(皮肤、眼睛、胃等)传递到大脑，并将运动信号从大脑(通过脊髓)传递到身体的其他部位，到肌肉、腺体等。 大脑的活动是电和化学活动相互作用的结果。特别是，神经元的行为受到化学神经递质的调节，如多巴胺和色拉托宁。这些化学物质是由具有长而弥漫性轴突投射的特殊用途神经元产生的，这些神经元将化学物质传播到整个大脑。神经调节化学物质也可以通过血液输送到大脑，这是大多数精神活性药物的工作方式。 大脑不仅仅是由神经元组成的。它还包含一个血管系统，将血液输送到各个部位，提供产生所有这些电信号所需的能量。它含有大量所谓的胶质细胞。它们曾经被简单地认为是一种胶水，将所有神经元及其轴突和树突固定在适当的位置。但神经胶质细胞似乎有自己的信号传递功能，尽管时间比神经元慢。 单个神经元的信号传递特性已或多或少被了解。细节很复杂。但简单地说，每个神经元将其树突输入的信号相加(整合)，当总数达到一个阈值时，它就会沿轴突发出脉冲或尖刺。对这一过程的精确描述早在20世纪50年代就出现了，当时艾伦·霍奇金(Alan Hodgkin)和安德鲁·赫胥黎(Andrew Huxley)建立了数学模型，并因此获得了诺贝尔医学奖。 大脑的一个基本特性是它的可塑性。在发育过程中，胎儿期和婴儿期大脑中的连接经历了戏剧性的重构，轴突和树突像植物的根一样生长，在神经系统中穿越巨大的距离来建立新的连接，同时放弃多余的连接。此外，在动物的一生中，已建立的神经连接的强度不断变化，促进了学习和记忆。这些塑性过程也存在良好的数学模型。 显然，这个简短的概述甚至还没有触及到我们对大脑的了解的表面，我们所知道的仅仅是所有已知的表面。然而，在我们对大脑内部运作的迅速理解中，一切都支持以下假设，这在实践和哲学上都是非常重要的:人类的行为是由大脑中的物理过程决定的，这些过程在传入的感觉信号和传出的运动信号之间进行调解。 当然，为了理解人类行为，我们必须将其置于动物与其物理和社会环境相互作用的背景下。否则，大脑的活动是没有意义的。但这种陈词滥调与假设无关。换句话说，这种说法只是说，在从我们所看到、听到和触摸到我们所做和所说的(极其复杂的)因果链中，不存在因果之谜，不存在缺失的环节。全脑仿真的可能性就建立在这一主张之上。 第二章【第二节】；全脑仿真的三个阶段

全脑仿真的工程可以设想为三个阶段的过程:映射、模拟和实现。第一阶段是以高(亚微米)空间分辨率绘制实验对象的大脑。整个前脑(至少)应该包括在地图中。这确保了大脑中与高级认知功能最密切相关的部分被扫描，尤其是大脑皮层(灰质)及其相互连接(白质)，以及与情绪和行动选择相关的结构，如杏仁核和基底神经节。映射过程应该(至少)获得每个神经元和每个突触的位置和特征，以及一个神经元级别的连接组，也就是说，每个轴突和每个树突之间的每个连接的记录。其结果将是一幅特定时间特定大脑的精细蓝图。 该过程的第二阶段是使用这个蓝图来建立所有这些神经元及其连接的电化学活动的实时模拟。例如，这样的模拟可以使用计算神经科学领域的标准技术来构建，使用神经元行为的既定数学公式，如霍奇金-赫胥黎模型。这里的基本技术与用来模拟天气或机翼周围流体流动的技术大致相同。不用说，即使是用这种方式模拟一个很小的大脑，也需要相当大的计算资源。 该过程的第三个阶段是将模拟连接到外部环境。到目前为止，我们所拥有的只是一个非常复杂的、无实体的计算设备。为了弥合从在盒子内运行的无能为力模拟到展示外部行为的因果有效模拟之间的差距，需要构建一个身体(即使这是虚拟世界中的模拟身体——我将在后面讨论这种可能性)。由于模拟像其生物前体一样期待输入信号，并像其生物前体一样产生输出信号，如果模拟大脑在形态和机械上与原始动物的身体相似，那么将其连接到这个(合成)身体的任务就会变得更容易。 如果映射和模拟阶段是成功的，那么模拟神经元的行为，无论是单个的还是作为一个群体的，都应该与原始的生物大脑在相同的环境输入下的行为有效地没有区别。“有效”这个词在这里很重要，因为期望完美的匹配是太多了。大脑是一个混沌系统，从数学意义上讲，初始条件的微小差异会导致系统随着时间的推移行为的巨大差异。因此，映射过程中的小误差，以及计算中的数值舍入误差，将导致模拟的行为最终与其生物原型的行为背离。 但是这种限制并不一定是成功模拟的障碍。如果这些微观偏差足够小，那么模拟的宏观尺度外向行为肯定与原始的难以区分。从观察者的角度来看，在任何给定的情况下，模拟似乎都能做出与其原型相同的决策并执行相同的操作。如果实验对象是人类，那么即使是他或她的朋友和亲人也不得不承认，仿真对象的行为与他们认识的人惊人地相似，表现出相同的习惯，以相同的方式说话，甚至声称拥有相同的记忆。 第二章【第三节】；脑测绘技术

人类全脑仿真的想法在技术上有问题，在哲学上具有挑战性。这是我们将在适当的时候回到的主题。但现在，让我们考虑一个物种，它带来的技术和哲学上的困难更少，一个大脑更小的物种，即老鼠。怎样才能实现老鼠的全脑模拟?需要什么样的技术?让我们依次进行模拟的三个阶段。 这是一种利用21世纪初的技术对老鼠大脑进行详细结构扫描的方法。首先，这只(不幸的)老鼠被杀死，大脑被提取出来。其次，它的前脑被切成超薄的薄片。第三，用电子显微镜对每个切片进行成像和数字化。第四，每个神经元的位置和类型，每个轴突和树突的形状，每个突触的位置和类型等等，都是由计算机从成堆的图像中重建出来的。结果将是一个非常大的数据集，捕捉到原始大脑的大部分本质，这正是我们需要的那种蓝图。 但是构建一个仿真就足够了吗?这种结构扫描只能提供大脑组成部分的快照——它们的形状是什么，它们是如何排列的，它们是如何相互连接的。它没有直接告诉我们动态，关于这些组件如何行为和相互作用。结构扫描的空间分辨率越高，它所包含的神经微结构就越小，使用数学模型在计算机上重建给定神经元的可能行为就越容易。然而，即使是高分辨率的扫描也不太可能确定这样一个模型所需的所有参数，比如突触连接的强度。数学模型如果不填入所有参数，就无法进行计算机仿真。 然而，如果能够获得神经元电活动的记录，即使在低分辨率的结构扫描中也可以弥补缺陷。一种可能的方法，同样是使用21世纪早期的技术，是使用转基因老鼠，这样它的神经元就会产生一种染料，当它们放电时，就会发出荧光。然后，将光照射到大脑皮层上，就可以用普通光学显微镜记录大脑中每个神经元的活动。2(显然，这些必须在老鼠被杀死和大脑被切片之前完成。)随后可以使用自动化技术来搜索缺失参数的值，这样，当插入模型时，记录的数据可以最准确地再现。 诸如此类的扫描和记录技术是非常有前途的。然而，老鼠的大脑包含超过7000万个神经元，每个神经元可以有几千个突触连接。人脑包含超过800亿个神经元和数万亿个突触。计算密集型的方法，如切片和扫描程序，将与所涉及的绝对数字作斗争，甚至摩尔定律也不太可能拯救这些方法。所描述的荧光显微镜方法也有其局限性。虽然它具有优秀的空间分辨率，可以监测单个神经元，但它的时间分辨率相对较低，不能区分单个的spike事件。不过值得庆幸的是，由于生物技术和纳米技术的进步，各种绘制大脑图谱的替代方法即将出现。让我们来看看几个候选人。 我们刚刚提到了基因工程的一个相关应用。这是另一个。假设我们可以对老鼠进行基因改造，使其大脑中的每个神经元都包含一个嵌入在其DNA中的序列，该序列是该神经元独有的，即一种“DNA条形码”。然后，每个神经元都被单独编码，老鼠的大脑可能会被一种无害的病毒“感染”，这种病毒经过特殊设计，可以携带遗传物质穿过突触间隙，使突触前神经元的DNA与突触后神经元的DNA重新结合。这将产生新的DNA链，每条DNA链包含一对条形码，表示两个神经元之间存在突触连接。 因此，老鼠的大脑将成为数十亿个神经元之间成对连接的基因编码记录的储存库。接下来的任务就是提取这些数据，这可以通过DNA测序技术来完成。通过这种方法，可以获得神经元水平的连接体，而无需在亚微米级成像和图像处理的数据和计算方面进行昂贵的中间步骤。此外，这种方法的瓶颈，即DNA测序的速度和成本，在人类基因组计划的影响下，已经经历了多年的指数级改善。 所以这是一个很有前途的技术。但正如前面描述的切片扫描程序一样，它只能提供模拟大脑所需的一些数据。它揭示的是结构，而不是功能。这就是纳米技术的用武之地。纳米技术可以帮助绘制老鼠的神经活动，从而填补蓝图中缺失的细节。生物技术和纳米技术都依赖于同样强大的理念——利用非常大量的非常小的物体。在生物技术的例子中，非常小的物体是生物病毒、细菌、DNA链等等。但这个想法同样适用于非常小的非生物物体。纳米技术领域关注的是这种物体的制造，这种物体的特征尺寸为几十纳米，也就是说一米的几百亿分之一。 纳米技术有许多潜在的应用，其中许多与本书有关。但现在我们将把注意力集中在大脑活动映射上。在纳米尺度上，即使是神经元的体细胞，其特征大小是百万分之一米，看起来也很大。因此，我们可以想象制造出一群纳米级的机器人，它们能够在大脑的血管网络中自由游动，然后每个机器人都像帽贝一样附着在神经元的膜上或靠近突触。它会坐在那里，感知神经元波动的膜电位或检测脉冲事件，并将这些信息实时传输到皮质表面附近的一组微型中转站设备。这些小站的工作是从众多的“神经帽贝”中收集传入的数据，并向外界广播，神经科学家可以在那里收集数据。 虽然这些都是推测性的建议，但它们暗示了在不久的将来可能是可行的。这本书的目的不是做详细的预测，也不是猜测技术进步的时间表。相反，我们的目标是研究一系列未来可能发生的情况及其后果。这里具体的一点是，提供小鼠大脑蓝图的障碍是技术上的，而不是概念上的，这个蓝图有足够的细节来实现成功的模拟。此外，这些障碍很可能在适当的时候被克服，或许可以使用生物技术和纳米技术的某种结合。这可能需要十年的时间。也许需要50年。但从历史上讲，即使一个世纪也是很短的一段时间。 与此同时，还有另一种可能性可以考虑，这种可能性对扫描技术的要求不那么高，但对科学的要求更高。到目前为止，我们一直在考虑尝试复制特定成年动物的大脑。如果复制体要在行为上与原始体无法区分，忠实地再现其所有习得的行为、所有习惯和偏好，就需要进行非常详细、非常准确的扫描。但是，假设在最先进的技术允许的范围内，对大量新生小鼠的大脑进行尽可能详细的扫描。然后，通过合并所有数据，并尽可能多地利用其他小鼠大脑数据进行约束，就可以建立一个平均新生小鼠大脑的统计模型。 在这样一个统计模型的帮助下，可以生成任意数量的、精确的、逐神经元的、逐突触的对单个幼年小鼠大脑的描述，每个描述与其他描述略有不同，但每个描述都符合总体统计模板。这些描述都不符合一只真正活着的老鼠的大脑。但是，如果有足够的数据来充分约束模型，每一个都将代表一个可行的小鼠大脑，准备在计算机模拟中实例化和具体化。 第二章【第四节】；神经模拟技术

通过这样或那样的方式获得大脑的详细描述后，模拟就可以放在一起了。对于可以在其上实现模拟的底层基板，有多种选项。这些计算机的范围从传统的数字计算机到定制的模拟硬件，再到化学或生物计算机。最传统的实现途径包括我们桌子上或手机里的那种数字计算机。任何传统的数字计算机都可以用来模拟给定一组控制这些变量的微分方程，一小步一小步地模拟一组变量是如何变化的。神经元各个组成部分的电和化学性质可以用这种方式建模，例如，使用前面提到的霍奇金-赫胥黎方程。 当然，当前的任务不仅仅是模拟单个神经元，而是许多连接在一起的神经元。所以有很多变量，每个变量都由所讨论的方程控制，而任务是一次性模拟它们。如何在传统的串行计算机上实时完成这一操作呢?实际上，串行计算机一次只执行一个操作。幸运的是，神经元反应很慢。即使在兴奋时，一个典型的神经元也只会每隔几毫秒发出一个峰值。一个典型的神经元发出两个尖峰所需要的时间，一台运行在3ghz频率下的台式电脑可以执行1000多万次操作。 因此，通过多任务同时模拟多个神经元是可能的。在每一毫秒的模拟时间里，计算机用一毫秒的一小部分来模拟神经元1，一毫秒的一小部分来模拟神经元2，以此类推，模拟成千上万的神经元。 然而，即使是老鼠的大脑也包含数千万个神经元，要准确实时地模拟它们，需要大量的计算。尽管处理器时钟速度在20世纪80年代和90年代以令人满意的指数速度增长，但这一趋势最终在21世纪初放缓。即使是最快的串行处理器也无法模拟老鼠大脑中的所有神经元。幸运的是，并行性在这一点上可以承受压力。这种模拟不是使用一个串行处理器一次执行一个操作，而是可以使用多个处理器同时运行，每个处理器模拟数千个神经元。正如一千名工人有可能在一周内建成一座砖砌大厦，而这需要一个砖匠花一辈子的时间一样，使用大量的慢速并行处理器来模拟整个大脑是可能的，而使用一个快速处理器是不可能实时模拟的。 事实上，大脑本身就利用了一种大规模并行的形式。每个神经元都可以看作是一个微小的、独立的信息处理单元。它的输入是树突上的一组信号。它以各种物理量的形式有记忆，比如它的膜电位和突触的强度。神经元自身“计算”出一种功能，它不断地将树突的“输入”和“记忆”的当前状态映射到它传递给轴突的“输出”信号上。根据这个类比，大脑的基本功能基础是一种大规模并行计算的形式，有数百万个微型处理器同时工作。 当我们研究神经元的真实物理和化学时，与并行计算的类比在某种程度上被打破了。但它有助于说明一个重要的问题，即生物大脑是利用大量极小事物原理的另一个例子。为了模拟大脑，我们需要使用相同的原理，尽管是在不同的基底上。因此，2010年代中期的超级计算机都是大型并行机器，这预示着全脑仿真的前景很好。此外，随着处理器数量的增加，每个处理器的成本也在下降，这符合摩尔定律的指数趋势。 这种特殊的技术趋势很大程度上要归功于大批电脑游戏玩家，他们对更好的游戏体验的需求推动了廉价、高性能图形处理单元(gpu)的发展。尽管GPU最初致力于处理大量像素阵列，但它的架构本质上是通用并行计算机的架构。随着效率和功率的提高和成本的下降，它们在其他需要大量并行计算的领域找到了新的应用，比如模拟核反应或气候。到2012年，世界上最强大的计算机，Cray的Titan，是基于一种混合架构，包含18,688个图形处理器，每个图形处理器本身就是一个强大的并行计算机。 第二章【第五节】；脑尺度计算

如果(1)成功模拟所需的物理细节水平足够低，(2)我们拥有所需细节水平的蓝图，那么使用2010年代中期最强大的计算机模拟一只老鼠的整个大脑就已经成为可能。我们已经讨论了满足第二个条件的一些技术选择。至于第一个条件，目前还没有定论。在将突触传递的化学过程、神经胶质细胞的结构、树突和轴突的形状等抽象出来，并将神经元视为简单的、点状的数学对象的情况下，是否有可能实现行为上的不可区分?如果是这样，那么整个大脑模拟的计算需求将比大脑的所有这些方面都必须建模要少几个数量级。 神经科学还没有回答这个问题。但是，即使答案是有利的，从老鼠大脑到人脑(以及人类智力水平)的放大是巨大的。这里的工程挑战不仅仅是实现所需数量的FLOPS(每秒浮点操作)，而且要在小体积和低功耗下完成。人类大脑(男性)的平均面积仅为1250厘米，耗电量仅为20瓦。相比之下，2013年世界上最强大的超级计算机“天河2号”消耗24兆瓦，占地720平方米。然而，即使在最保守的假设下，它的计算能力也只是模拟人脑所需的一小部分。简而言之，尽管存在大规模并行性，但可能有必要超越传统的数字计算机，通过全脑仿真途径实现人类级别的人工智能。 一种有前途的方法是神经形态硬件。这里的想法不是使用现有的通用计算技术，而是构建与大脑湿件非常相似的定制硬件。传统的数字硬件执行数百个二进制浮点算术运算来模拟单个神经元膜电位几毫秒的变化。这涉及到成千上万的晶体管开关事件，每一个都消耗功率(并产生热量)。膜电位本身表示为二进制数，它以离散的步骤变化，而不是像实际物理量那样连续变化。神经形态的方法摒弃了所有这些数字设备，而使用行为与原始神经元相似的模拟组件。膜电位是由一个真实的物理量的电荷，经历连续变化表示。其结果是在电力消耗方面效率更高。 当我们研究用于全脑仿真的潜在脑映射技术时，我们设想了扩大当代技术(例如切片和扫描)，或成功开发看似可行的新兴技术(例如DNA条形码)，或实现范式转移到理论上可行但高度投机的技术(例如神经纳米机器人)。通过神经模拟技术，我们可以看到类似的可能性范围。我们已经讨论了使用传统数字架构的大规模并行超级计算机，我们刚刚谈到了神经形态硬件，这是一种很好的模拟少量神经元的替代技术，但需要大幅扩展。 但在更遥远的地平线上是什么呢?关于量子计算的潜力有很多猜测。这当然是一个有趣的话题。但是量子计算在理论上具有优势的这类问题并不包括大规模的神经模拟。奇异的量子效应，比如叠加，可以用来解决棘手的搜索问题。但是全脑模拟的计算需求与搜索的难解性无关。它们是由真正大规模并行性的需求决定的。我们真正需要的是一种硬件范式，允许摩尔定律继续存在，超越物理对传统硬件中可能的集成规模的限制，比如光速、原子的大小，以及从一种状态翻转到另一种状态所需的最小能量。 一个候选是量子点元胞自动机(QDCA)。尽管这里使用了“量子”这个词，但QDCA并不是量子计算机。确切地说，量子点是一种纳米级的半导体器件，可以像晶体管一样工作，非常快速地切换状态，但使用很少的功率。四个量子点可以排列成正方形，形成一个量子点单元，可以存储单个比特的信息。量子点单元可以布置在网格上(形成细胞自动机)，并组织成逻辑门和通信通道。这些是数字电子的基本元素，它们可以被组装成微型处理器。 QDCA相对于传统(互补金属氧化物半导体或CMOS)硅技术的优势在于它们允许的巨大集成规模，使更多的开关设备放置在相同的区域，而不是CMOS物理上可能的，同时消耗适度的功率和产生很少的热量。但QDCA的实际应用可能还需要几十年的时间。在近期内，半导体工业可能会保留传统的处理器设计，也许会利用3D晶体管堆叠来延长摩尔定律，而不是今天使用的二维硅片，也许会完全放弃硅，采用碳纳米管作为介质来构建更小、更高效的晶体管。 有一点是毋庸置疑的。21世纪10年代的电子工业还远没有生产出接近在给定物质部分内可以进行多少计算的终极理论极限的计算机。术语computronium有时用来表示一种(虚构的)物质，在这种物质中，每秒进行的计算操作数等于任何原子构型中物理上可能的最大值。物理学家赛斯·劳埃德(Seth Lloyd)计算出，这样一台质量为1公斤、体积为1升的理论上完美的计算机，在1031位上每秒可以执行5.4 ×10【50】次逻辑运算。这比今天的计算机高出39个数量级。 在实践中实现这种计算能力的可能性很小。然而，这种能力的一小部分就足以对人脑进行非常高保真的模拟。毕竟，人类大脑的体积只有一升多一点，而且(令人惊讶的是)只消耗20瓦的能量。无论我们谈论的是模拟大量神经元，还是通过不那么受生物学启发的途径实现人工智能，比我们今天拥有的更强大的计算机的真正可能性，都是思考机器超级智能可能性的主要动机。 第二章【第六节】；机器人；化身技术

让我们假设，通过某种方式，已经克服了绘图和模拟的技术障碍。一个精细精细的前脑模型已经被建造出来。仿真过程的最后阶段是将模拟大脑与合成(机器人)身体连接起来。只有在这个阶段，我们才能正确地测试和调整模拟，以获得与原始的行为等效性。原则上，机器人的身体可以有多种形式，或多或少像老鼠的身体。但如果身体越像鼠标越好，接口问题就会越少。所以这就是我们现在所假设的——不是一个有轮子的硬壳的身体，而是一个有肌肉骨骼系统的柔软的四足身体。同样地，让我们想象一下机器人的身体有一套仿生传感器——眼睛、耳朵和(非常重要的)胡须，所有这些传感器都传递一组典型的信号，这些信号在真正的老鼠身上是典型的。 现在我们一只手拿着模拟的老鼠前脑，另一只手拿着合成的老鼠身体。但是我们如何加入他们呢?我们不能简单地把一个插入另一个。问题是，在真正的动物中，前脑和身体的其他部分并没有完全分开。事实上，前脑只是神经系统一端的神经元和连接的特别密集的集中地，它从头到脚渗透在动物的身体里，就像雨林里的河流和支流系统一样。但我们已经选择将前脑与这个系统的其他部分“切断”。在这样做的过程中，我们抛弃了一大块中枢神经系统，包括与运动协调有关的小脑，以及整个周围神经系统。  我们有充分的理由相信，前脑蕴含着某只老鼠的大部分“本质”，就像我们有理由相信，人的前脑蕴含着某个人的大部分“本质”——习惯、偏好、专长、记忆、个性。因此，研究前脑的决定是合理的。然而，通过选择映射和模拟前脑，就好像我们把一张挂毯撕成两半，现在我们必须再次把它连接起来，一次重新连接一根丝线，以便无缝地恢复原始模式。或者更糟的是，这就好像我们丢掉了一半的挂毯，现在被迫从头合成缺失的部分，猜测丢失的一半图案。 老鼠的身体是挂毯缺失的一半，而前脑的模拟，其无数的输入和输出，就像被撕破的丝线在空中摇摆一样，是我们现在拥有的挂毯的一半。不幸的是，前脑模拟的输入和输出没有附上标签，说明将它们连接到机器人体内的哪根电线上。工程师必须弄清楚哪些肌肉运动模式最初是由每个大脑发出的运动信号引起的，哪些输入信号最初是由任何给定的感官刺激模式引起的。感觉神经元在皮层中的精确位置是一个线索，尤其是在视觉和触觉的情况下，它们的连接是“地形”组织的。但是，这些信息离能让机器人专家的工作变得简单的接线图还差得很远。 困难的根源在于，在动物原型中，整个系统的不同部分——前脑、神经系统的其余部分和身体的其余部分——一起生长和发展，每一个都以一种有机的方式适应彼此的特质。因此，避免这个问题的一种方法可能是扩大绘图阶段的职权范围。与其仅仅绘制前脑的地图，为什么不构建一张整个神经系统的地图，包括中枢和外围，与身体的三维结构的高分辨率表示相结合?然后，除了构建一个(整个)大脑的计算机模拟复制品，我们还可以合成我们的特定老鼠的身体的精确副本，包括它自己的周围神经系统和肌肉骨骼结构的所有细节。我们已经在从事推断相关技术的工作，那么我们为什么不期望我们在这一领域的能力扩展到整个身体呢? 或者，当模拟对象活着时，机器学习技术可以被应用，而不是获得整个周围神经系统和肌肉骨骼结构的扫描，以找出大脑的感觉运动活动和结果运动之间的关系。了解了这种关系，就可以构建一个接口，将大脑产生的运动信号转换成机器人合成体可以理解的命令(并向大脑提供它所期望的本体感觉信号和触觉反馈)。这种方法的一个优点是，它减少了合成体与原始体相似的程度。如果要在开箱即用的情况下进行仿真，只需进行最少的调整和校准，那么就必须保留基本的身体模式——在鼠标的情况下，包括四条腿、爪子和可抽动的鼻子。但是由于巧妙的接口，不需要复制老鼠的精确肌肉组和它们的特征。 如果我们利用另一种强大的学习工具，即模拟大脑本身，那么对原始身体的密切复制品的需求也会减少。生物大脑是适应的大师。人类可以学习驾驶汽车，驾驶飞机，操作起重机和挖掘机，等等。对于熟练的司机、飞行员或操作员来说，机器可以成为身体的延伸。此外，那些遭受严重伤害、致残的人有一种非凡的能力来适应他们的困境，学会使用轮椅、假肢和其他假肢。一个模拟的大脑同样具有可塑性和适应性。只要不期望模拟能够开箱即用，就不需要一个与原始身体的感觉运动信号完全匹配的身体。一段时间的训练或“康复”可以弥补这种不匹配。 结合使用这两种方法——设计一个为行为数据量身定制的接口，并引入一段恢复期——可用于仿真的身体模式的范围可以大大扩展。为什么要把模拟老鼠关在老鼠的身体里?重新激活的生物可能有六条腿，或者轮子。如果工程师们有一个神经模式的数学模型，比如“向视野中心的物体移动”的冲动，那么他们就可以确保老鼠的合成身体在老鼠的合成大脑想要的时候向老鼠视野中的物体移动。 由于义肢和脑机接口领域的进步，模拟大脑不仅可以适应一个不熟悉的身体，新的身体也可以被设计成适应模拟大脑。当代人体义肢不是被动装置。相反，它们能够独立地形成复杂的动作(就像章鱼的触角一样)。但要有效地做到这一点，它们必须学会识别主人的意图。脑机接口领域在将机器学习应用于这一问题方面进展迅速，其开发的技术也有助于全脑仿真。如果允许模拟大脑和合成身体共同适应，那么以一种新的身体模式进行康复将大大便利。 第二章【第七节】；虚拟化身

生物大脑是感觉运动回路的一部分，这使它能够在连续的时间里，指挥位于三维空间世界中的身体的运动。动物大脑的功能模拟也必须是感觉运动回路的一部分，它的输入和输出必须在功能上等同于真实大脑的输入和输出，这就需要它的具体化。将模拟大脑与物理机器人身体连接是实现这一目标的一种方法。另一种方法是建立动物身体和它通常生活的物理环境的详细模拟。模拟老鼠的大脑可以连接到模拟老鼠的身体(包括模拟的爪子、胡须和皮毛)，并在一个包含模拟草、模拟树篱和模拟奶酪的虚拟世界中自由释放，所有这些都以足够高的分辨率渲染，就老鼠的感觉运动装置而言，与真实的东西几乎没有区别。做到这一点的技术已经成熟，我们必须再次感谢视频游戏玩家的经济影响力。由于对更逼真的游戏体验的需求，开发人员生产了越来越复杂的物理引擎，可以模拟虚拟世界中物理对象的行为。物理引擎维持游戏世界中存在的众多物体的位置和方向，因为它们四处移动并相互碰撞，考虑到重力、摩擦等影响。在电脑游戏中维护这些信息的原因是为了从玩家角色的角度(或者从角色背后的角度)呈现物体。在虚拟化身的上下文中，物理引擎的作用是为模拟大脑提供真实的输入和输出。 但无论应用程序是游戏还是虚拟化身，工程挑战都是一样的。固体物体的模拟相对简单。柔软或有弹性的物体，如肌肉或草叶，会带来更多的困难。颗粒物，如烟雾或灰尘，就更棘手了。但图形专家早就破解了所有这些案例。其他的智能体，对于任何属于社会性动物的模拟大脑来说都是必需的，但它们面临着特殊的困难。它们可能被粗糙地模拟，就像现代游戏中所谓的人工智能一样，具有简单的刻板行为。但它们可能是生活在现实世界中的人类的化身。或者他们可能是其他完全实现的具有一般智能的人工智能。 最后一种选择提出了在模拟环境中生活整个人工智能虚拟社会的可能性。从现实生物的约束中解放出来，不再需要为食物和水等资源而竞争，某些事情在虚拟社会中变得可行，而在被局限于湿件的个体社会中则是不可行的。例如，如果有足够的计算资源，虚拟社会可以以超真实的速度运行。在虚拟世界中经过的每一毫秒都可以在现实世界中模拟，比如说十分之一毫秒。 如果一个生活在这样一个虚拟世界中的人工智能社会能够努力提高自己，或者创造出更聪明的继任者，那么从现实世界的角度来看，它们的进步将得到适当的加速。如果他们能够将他们的技术专长运用到现实世界中，帮助改进他们所依赖的计算基板，那么这种加速的速度反过来也会加快。这是通往类似奇点场景的一条路。其结果将是爆炸性的技术变革，其后果将是不可预测的。 第二章【第八节】；仿真与增强

让我们回到更近的未来。全脑模拟只是实现人工智能的一种方式，是生物保真度远端的工程可能性空间中的一个点。然而，这是该领域的一个重要点，因为它表明，在相当保守的哲学、科学和技术假设下，至少有一种(老鼠级别的)通用人工智能在短期内是可行的。 这些假设中最主要的是:(1)人类和其他动物的智能行为是由受物理定律支配的大脑活动调节的;(2)在模拟中实现行为的有效不可区分性所需的物理细节级别不能太细;(3)现有的地图和计算技术将在足够短的时间内实现足够的规模化(对于老鼠来说可能是两到三个数量级)。(足以引起大多数人注意的一段时间是“在他们的一生中”，或者可能是“在他们孩子的一生中”。) 第一个假设代表了大多数人都会接受的哲学立场。第二个假设引出了许多科学问题。例如，我们可以不模拟单个神经胶质细胞，生物大脑的连续性(而不是离散性)不是模拟的障碍，我们可以完全忽略量子效应。第三个假设，只要我们坚持使用鼠标，就计算能力而言是现实的，就大脑映射技术而言是合理的。因此，很难避免得出这样的结论:老鼠级别的人工通用智能不仅是可能的，而且是近期的前景。 一旦实现了老鼠规模的全脑模拟，我们就有充分的理由相信，人类水平的人工智能将不会太遥远。有很多方式可以实现这种转变。最明显的方法就是扩大模拟过程并将其应用于人类大脑。当然，这将是一项艰巨的工程，但不需要在概念上取得突破。但是，期望相关的使能技术，如计算机处理能力和存储容量，以足够快的速度继续改进，这现实吗?摩尔定律总有终结的一天。也许它会在老鼠规模的全脑模拟和人类规模的全脑模拟之间的三个数量级的某个地方停下来。 然而，我们知道有可能将数十亿个超低功耗、纳米级的组件组装成具有人类智能水平的设备。我们自己的大脑就是存在的证明。自然已经做到了，我们应该能够像自然一样操纵物质。因此，单就神经元数量而言，如果我们没有其他办法的话，我们最终应该能够在大脑建造的舞台上与大自然相匹敌，使用一些合成生物学和纳米技术的结合。然而，要满足人类全脑仿真的计算需求，可能需要一系列重大的技术突破。在这种情况下，扩大模拟过程并不是实现人类级别AI的简单途径。 然而，人类尺度的全脑模拟并不是升级到人类级别AI的唯一选择。也许鼠标规模的模拟本身可以在认知上得到增强。最明显的方法(可能是naïve)就是增加大脑中重要认知区域的神经元数量，比如前额皮质和海马体。更有可能的是，在理解认知是如何在脊椎动物大脑中实现的过程中，由于老鼠模拟作为一种研究工具的可用性，进展将会加快。这种迅速发展的理论知识可以用来帮助设计合适的神经增强(或认知假体)，同时保留核心小鼠大脑模拟。 从这个角度来看，老鼠大脑模拟再次成为实现人类水平AI的催化剂。就像物理学中的粒子加速器一样，一个老鼠规模的全脑模拟将允许进行原本只能想象的实验。例如，有可能在精心控制的条件下观察合成老鼠的大脑活动和行为，然后重置整个系统，并在大脑发生微小变化的情况下重新运行相同的实验。这只是一种实验程序，可以让老鼠的大脑进行逆向工程，在适当的时候，我们无疑会学到足够的知识，能够根据基本原理为它设计和建造认知假体。 但这是否足以让我们达到人类水平的人工智能，还是需要更多的东西?例如，为增强的鼠标模拟赋予语言将是至关重要的。这肯定需要的不仅仅是神经元数量的增加。它可能需要一种在小型脊椎动物大脑中找不到的电路。也许，在人类大脑中，进化发现了一些根本性的创新，一种性质不同的神经机制，一种能够处理符号表示、组合语法和组合语义的神经机制，这些都是语言的组成部分。 如果这是真的，一个关于老鼠大脑的完整理论仍然是不够的，从老鼠级别的模拟到人类级别的AI的路径将不那么简单。但我们不应该忘记，与神经工程师的工作并行，神经科学家将揭开人类大脑的秘密，而不是诉诸全面的模拟，而是使用越来越强大的工具来绘制其结构和活动。当然，理解语言的神经基础是神经科学的一个主要目标。因此，也许等到工程师们能组装出一个老鼠规模的全脑模拟时，神经科学家们就能帮助他们设计出一种神经假肢，在适当增强的老鼠规模的模拟上赋予语言。 简而言之，老鼠规模的全脑模拟将有可能在许多方面推动人类水平的人工智能的发展。可以说，考虑到人类级别的AI，向超人级别AI的过渡几乎是不可避免的。在合成基质中实现的人类水平的智能将比生物大脑更容易增强，因为生物大脑有各种限制(低速度、依赖新陈代谢、需要睡眠等)。此外，人类级别的人工智能本身(或者实际上是一个人类级别的人工智能团队)可以用来解决这个问题，启动一个更快改进的反馈循环，也许会引发智能爆炸，带来不可预测的后果。换句话说，一旦我们通过全脑模拟实现了老鼠级别的人工智能，魔鬼就可能从瓶子里出来了。