作者James B. Aimone和Ojas Parekh讨论了桥接自上而下算法和自下而上物理方法的新兴理论计算框架，如何适合于指导神经计算技术（如神经形态硬件和 AI）的发展。此外，研究人员讨论了如何需要这种平衡的视角来纳入神经生物学细节，这些细节对于描述心理健康和神经系统疾病中的神经计算缺陷至关重要。

　　了解大脑计算的基础对推进计算技术和治疗神经系统疾病至关重要。尽管现代人工智能取得了显着成就，但生物智能在多个认知任务中的能源效率仍远超AI，体现了其无与伦比的优势。同时，许多脑部疾病本质上可以视为“计算缺陷”，未来治疗这些疾病的能力，将依赖于我们操纵和修复这些脑部计算的能力。因此，了解大脑的计算可以满足现代社会的两个重要需求：能源效率和心理健康。但事实证明，实现这一目标具有挑战性。

　　这一挑战的核心是如何处理神经计算。目前，处理神经计算的方法大致可分为两种：一种是自上而下的方法，如设计具有脑启发特性的人工神经网络（ANN）；另一种是自下而上的方法，即设计模拟大脑物理特性的计算硬件。例如，近年来的研究显示，人工神经网络和其他AI方法已经成功地将大脑的许多功能整合进传统算法框架中。

　　然而，尽管人工神经网络在描述大脑计算，特别是在感觉系统方面表现出色，但使用主要针对图形处理单元（GPU）优化的算法来描述大脑的复杂计算过程，仍显得力不从心，许多计算模式并未能被当前的AI技术充分捕捉。自下而上的神经计算方法取得了一定的进展，例如，神经形态硬件的发展主要考虑到生物大脑在能源效率上的特定优势，包括脉冲通信、模拟计算、内存处理和局部学习等方面。

　　然而，从神经生物学的角度看，许多关键特征尚未在人工智能算法或神经形态硬件中得到充分实现。这些神经科学关注的领域包括广泛的时空尺度的学习、普遍存在的随机性、神经元类型及其参数的多样性和异质性、神经调节和发育等。当前的神经形态硬件鲜少涉及这种复杂性，因为现有算法难以利用这些复杂性，同时这些算法在现有硬件上运行效率低下，同样不会利用这种复杂性。

　　我们从神经科学的研究中知道，这些特性对理解人类的认知功能和疾病机理至关重要。例如，血清素和去甲肾上腺素等神经调节剂对大脑的灵活性和学习能力至关重要，它们也是许多精神疾病的关键因素，但从计算角度看，这些神经调节剂的作用尚未得到深入探索。

　　理论计算机科学提供了方便的工具，帮助我们解决各种不确定性问题。计算复杂性理论的核心，在于阐明不同计算方法之间的区别。该理论广泛探索不同且通常颇具特色的计算模型的能力和限制。在复杂性理论领域，一些最着名的成就源于对不同计算模型能精确解决同一类问题的认识。研究了数十年的计算基本模型的意想不到的特征仍在被发现。例如，图灵机能在多项式时间内解决的问题，也可通过某些类型的常微分方程来表征。这种计算视角的多样性极为重要，因为它从根本上影响了问题的表达和解决方法。

　　从这个角度出发，我们有必要退一步思考，什么是神经计算的正确计算模型。尽管当前的大规模spiking平台在某种意义上达到了图灵完备，但神经形态硬件中所强调的自下而上的功能，与人工智能中采用的自上而下的算法存在明显的差异。这种差异提示我们，通用的图灵计算模型可能并不完全适合描述大脑物理结构中的认知功能。虽然关于神经形态硬件是否超越传统硬件的讨论还在继续，但我们认为，更有成效的目标是确定一种有效的神经计算抽象模型。这种抽象模型能帮助我们分析利用生物学新特征来扩展神经拟态方法的潜在好处，并设计出更为广泛适用的有效编程模型。

　　▷图 1：不同学科对大脑有不同的看法。就如同“盲人摸象”的寓言，不同研究团队（此处比喻为各色神经元）往往只能看见他们期望在大脑中发现的现象。例如，计算机科学家（绿色神经元）可能倾向于研究具有确定用途的神经网络；物理学家（红色神经元）可能寻找那些对其他问题具有重大价值的能量景观；而神经科学家（蓝色神经元）则致力于解析复杂生物学下的神秘神经回路。为了深入理解大脑，寻找一个能够整合自上而下与自下而上的计算视角，并融入生物学实证的共同理论框架，显得尤为重要。图源：论文。

　　在设计神经形态计算模型时，我们面临许多独特的挑战和难题。例如，一个突显神经形态计算优势的灵活模型应当能够应对各类模拟计算问题；然而，现实中连续计算模型的设计不仅充满挑战，还可能不经意间引入了在有限时间内解决不可计算问题的能力。设计者可以从成功的连续计算模型中汲取灵感。值得一提的是，神经形态计算通常采用大规模并行及异步通信（即没有全局时钟），因此，与那些未考虑通信成本的传统算法直接比较，可能并不公平。在评估神经形态计算与传统计算可能带来的潜在渐进优势时，进行公正严谨的比较至关重要。因此，传统计算中的大规模并行或分布式模型或许是更合适的比较对象。使用如单位能量或空间计算等公平的比较指标也显得非常重要。

　　来自荷兰格罗宁根大学的Jaeger和他的同事们提出了一个替代性的框架来观察神经计算。从大脑以物理学方式进行计算的事实出发，认识到恰当的计算模型应当基于可被物理实现并观察的过程。这些观点并非全新：控制论作为计算领域的早期分支就已经存在；甚至冯·诺依曼本人也曾质疑串行编程模型是否真正适合类脑计算。Jaeger及其团队提出的流畅计算模型正是在这些早期努力的基础上发展而来，它结合了传统计算的可组合性（即用简单算法构建复杂应用的能力）和神经系统的物理描述之间固有的联系。

　　长期以来，研究人员一直在辩论类脑计算应该是重视算法的计算还是侧重于物理的计算。与 Jaeger 及其同事类似，本文作者提出了相似但略有不同的解释。为了使其他人能够编程和使用某个计算框架，该框架必须能够从自上而下的角度进行解释；然而，为了框架的实际实现，必须包含自下而上的组件。流畅计算方法的独特之处在于，其作者专注于整合自下而上和自上而下的方法。通过跨尺度的关联动态，流畅计算方法理想地实现了传统算法设计中期望的模块化组合性。更令人兴奋的是，这种方法预计能够扩展至大脑中广泛的空间和时间动态，而这些动态在当前的神经计算中通常是无法捕捉到的。

　　研究如何将神经形态计算中这种形式化的自下而上视角与其他算法视角相结合是至关重要的，例如人工神经网络、表征神经元组件或矢量符号架构。这些自上而下的模型提供了与算法设计的明确联系以及与传统计算的对比，但在此过程中，可能会忽略那些使大脑具有强大计算能力的基本物理原则。可以说，这些自上而下的模型的通用性也容易让人忽视那些深层次神经启发的潜在贡献。既然这些模型几乎可以解决任何问题，为何还需考虑神经生物学概念（如调制或学习）带来的复杂性呢？大脑的存在必然受到空间和能量的制约，正如我们所开发的计算机和人工智能系统一样。将这些框架与计算的物理模型结合，可能会提供一种公平评估这种复杂性影响的机制，并进一步提供理解这些机制在受损或疾病状态下的意义的途径。

　　退一步来说，挑战图灵计算模型作为描述神经计算的最佳模型，这不仅仅是理论计算机科学的哲学问题。它对整个神经科学领域提出了一个更根本的问题。在我们几十年来通过图灵计算和冯·诺依曼架构的视角显式或隐式地描述大脑之后，值得我们反思：我们是否已经忽略了大脑的独特性。也许我们在不自觉中抽象化了理解认知和智力所需的要素，在这一过程中，可能无意中限制了我们自己，因为我们追求的是高效的计算和健康的改善。

　　“大脑使用算法吗？”这并非一个恰当的问题。正确的问题应该是：“我们是否能够真正理解神经算法究竟是什么？”

　　天桥脑科学研究院（Tianqiao and Chrissy Chen Institute, TCCl）是由陈天桥、雒芊芊夫妇出资10亿美元创建的全球最大私人脑科学研究机构之一，总部设在美国。

　　TCCI与华山医院、上海市精神卫生中心设立了应用神经技术前沿实验室、人工智能与精神健康前沿实验室；与加州理工学院合作成立了TCCI加州理工神经科学研究院。

　　TCCI建成了支持脑科学研究的生态系统，项目遍布欧美、亚洲和大洋洲，包括学术会议和交流、夏校培训、AI加速发展大奖、科研型临床医生奖励计划、特殊病例社区、中文媒体追问等。