导读：把芯片放进大脑里需要几步？答案会不会和把大象放进冰箱里需要几步是一样的呢？本系列主要讨论三个核心问题：1）以半导体器件晶体管为基本单元的芯片是否可以神经元为基本单元的生物神经系统完美的融合工作?(本篇主要内容） 2）放进大脑的芯片应该怎么设计才好？3）植入芯片后的大脑会怎么改变我们的生活和文明，和AGI之间有联系吗？

• 从缸中之脑(Brain in a vat)理论开始

缸中之脑（英语：Brain in a vat），是知识论中的一个思想实验，由哲学家希拉里·普特南在《理性、真理和历史》一书中提出。

实验的基础是人所体验到的一切最终都要在大脑中转化为神经信号。假设一个疯子科学家、机器或其他任何意识将一个大脑从人体取出，放入一个装有营养液的缸里维持着它的生理活性，超级计算机通过神经末梢向大脑传递和原来一样的各种神经电信号，并对于大脑发出的信号给予和平时一样的信号反馈，则大脑所体验到的世界其实是计算机制造的一种模拟现实，则此大脑能否意识到自己生活在虚拟现实之中？

这个思想实验常被引用来论证一些哲学，如知识论、怀疑论、唯我论和主观唯心主义。一个简单的论证如下：因为缸中之脑和头颅中的大脑接收一模一样的信号，而且这是他唯一和环境交流的方式，从大脑中角度来说，它完全无法确定自己是颅中之脑还是缸中之脑。如果是前者，那它的想法是正确的，他确实走在大街上或者在划船。如果是后者，那它就是错误的，它并没有在走路或划船，只是接收到了相同的电信号而已。一个大脑无法知道自己是在颅中还是缸中，因此这世间的一切可能都是虚假的、虚妄的。那么什么是真实？

从生物学的角度讲，个体对于客观存在的认知或判别取决于他所接收的刺激，假设缸中脑生成一系列“测试用”反应用于检测自身的认知，同时“系统”又能及时给予相应的刺激作为回应，此时问题的症结就不在于缸中脑对于世界的认知，而在于“观察者”自身对于世界的认知。自身存在的客观性被质疑，在一个完全由“刺激”创造的“意识世界”中将形成一个悖论。

图一缸中之脑的举例和解释。

•   生物神经系统 vs  芯片数字电路

这么有趣的理论科学家们当然要开始做实验研究了，最基础的问题就是大脑的神经元接触到外界的电刺激后会有什么样子的反应？以及会有反应吗？这个反应正确吗？这么问的原因是以半导体器件晶体管为基本单元的芯片是否可以神经元为基本单元的生物神经系统工作机制实在是太不一样了！

正如所看到的，在数字电路中，基本元件晶体管可以合成逻辑函数AND、OR和NOT。然后，这些函数被构建到特定的功能电路中，如寄存器、算术逻辑单元（ALU）和多路复用器，进一步到更高级别的中央处理器（CPU）等。相比之下，在生物系统中，基本组件是神经元；这些神经元通过突触连接相互作用，生成脉冲模式。这一系列神经元可以被看作是一个具有特定功能的系统级别。

两个系统具有不同的信息编码机制。对于数字电路信息编码，它包含一些重要特征：

• 同步性（Synchronization）：数字电路中的信息传输和处理是高度同步的，操作按照时钟信号进行，确保所有部分在相同的时间步骤上执行。

• 语言性（Language）：数字系统使用特定的编程语言或编码规则来表示和处理信息，这种语言具有明确的语法和语义。

• 错误处理（Errors）：数字电路可以使用纠错码等技术来检测和纠正错误，确保数据的完整性和准确性。

• 复制性（Copying）：数字信息可以轻松地复制和传输，从而支持数据的备份和分发。

• 粒度（Granularity）：数字信息可以根据需要进行精细的分割和处理，允许精确的控制和分析。

• 可压缩性（Compressibility）：某些数字数据可以通过压缩算法来减小存储和传输的开销，而不损失信息。

这些特征使数字电路成为高度可控和可编程的信息处理系统。

图二为生物神经系统 和芯片数字电路的比较。

神经系统编码可以分类为四种方案：速率编码、时间编码、种群编码和稀疏编码。速率编码定义了神经元的射频中包含的信息。它最早由E.D. Adrain和Y. Zotterman于1926年首次描述。时间编码定义了通过精确的脉冲时序或高频率射频率波动传递的信息。时间编码的时间尺度在毫秒范围内。种群编码是一种使用多个神经元活动的相关性来表示感觉信息的方法。它广泛用于大脑的传感器和运动区域。例如，可以从猴子视觉区域内侧颞叶种群活动中获取物体移动方向的信息。稀疏编码是由相对较小的稀疏神经元集的显着强烈的激活来编码的信息。当然现在越来越多更高级的神经编码方式被科学家发现了。

数字计算系统具有高速计算和有限总线连接的优势，而神经回路具有相对较慢的射频率，但受全局时钟控制。在每个时钟周期内，数字电路处理信息，而在生物神经回路中，只有在信息输入时系统才会进行处理。这可以看作是基于事件驱动技术的工作方式。数字电路中的计算是确定性的，因为逻辑操作是固定的，而在神经回路中，计算是随机的。这可能导致相应的容错性能差和好。数字系统具有固定的行为，而神经回路具有强大的学习能力，可以适应外部环境。这是由于计算过程中的突触记忆学习机制。就应用领域而言，数字电路擅长数字计算，而神经回路擅长图像处理。由此可见，两个系统是截然不同的。

• 从连接一个电子神经元开始尝试

研究者们首先从一个搭建一个最简单的神经元开始，这个神经元的电路可以是数字的，也可以是模拟的。但是研究者希望这个电子神经元能和生物神经元输出同样的信号。下图中为一个电子神经元的输出波形，可以看出和对照组的生物神经元一致，这表明，电子电路经过设计和调整后可以可生物神经元产生一样的输出。

图三为生物神经元与电子神经元的比较，来自文章Closing the Bio-Silicon Loop for Cellular Neural Prosthesis using FPGA-based Iono-Neuromorphic Models.

之后，研究者们试图用电子神经元去代替受损的生物神经元，从而组成一个生物-电子混合网络。结果如图10所示。在正常的网络模式（A）中，三种不同的神经元定期生成各自的模式，并遵循一定的相位关系。在停用AB和LP神经元后(B)，网络模式发生了显著变化。PD神经元不规则地产生单个尖峰，PY神经元显示较弱的模式，LP神经元完全静止。一个可能的解释是，AB神经元是核心，因此它负责生成网络模式并激活其他神经元。在图C部分中，两个特别设计的电子神经元AB和LP与生物神经元相互连接，可以清楚地看到网络节奏再次被激活，而且它们与正常的网络节奏相对接近。由此可见，在单个神经元层面上，电子系统可以和生物系统协同工作。

图四为电子神经元替代生物神经元的案例，来自文章Closing the Bio-Silicon Loop for Cellular Neural Prosthesis using FPGA-based Iono-Neuromorphic Models.

• 缸中之脑概念成立的科学依据

最新的一篇文章 In vitro neurons learn and exhibit sentience when embodied in a simulated game-word 表征了缸中之脑这一可能性。简单来讲，DishBrain是一个实验系统，它将生物神经元（人类或啮齿动物的神经细胞）与数字计算机集成在一起（离体神经网络通过高密度多电极阵列与硅片计算集成在一起），以探究这些神经元在一个有规则的环境中的适应性计算能力。通过电生理刺激和记录，将这些神经元培养在一个模拟游戏世界中，模拟街机游戏“乒乓球”，通过模拟游戏玩耍来观察神经元的学习行为。科学家发现在真实时间游戏中的五分钟内出现了在控制条件下未观察到的学习现象。进一步的实验表明，闭环结构反馈对于引发随时间的学习至关重要。这些神经元培养展现了根据有限的感知信息来自我组织活动的能力，以应对其行为后果，我们称之为合成生物智能。未来的应用可能会提供有关智能的细胞对应的进一步见解。

图五-1论文In vitro neurons learn and exhibit sentience when embodied in a simulated game-word。

使用这个DishBrain系统，研究者已经证明了一层离体大脑皮层神经元可以在模拟的游戏世界中自我组织活动，展现出智能和有感知的行为。我们已经展示，即使没有对细胞活动进行大规模的过滤，也可以观察到神经文化在它们感知的世界中随着时间的推移和对多个对照组的比较产生了统计上显著的差异。这些发现提供了一个有希望的SB（合成生物）智能系统的演示。

如图5-2描述了对在HD-MEA（高密度多电极阵列）上维持了超过3个月的神经元培养进行扫描电子显微镜（SEM）观察的结果。SEM观察确认了这些神经元培养已经成功地整合到HD-MEA上。在这些神经元培养中，可以观察到密集相互连接的树突网络，这些网络相互交织并覆盖了MEA区域。这些神经元培养似乎很少遵循MEA的拓扑结构，更有可能形成连接的大型细胞群，具有密集的树突网络。这可能是由于MEA中单个电极的较大尺寸，以及可能由于趋化效应对抵消底物拓扑结构对神经突起的影响。

它能够在接受输入的指导下系统地学习。该系统提供了一个完全可视化的学习模型，可以开发独特的环境来评估大脑神经网络执行的实际计算。这是一个长期以来一直期望的目标，它超越了纯粹的基于硅的模型或仅仅是分子通路的预测。因此，这项工作提供了经验性的证据，可用于支持或挑战解释大脑如何与世界互动以及智能的一般理论。最终，尽管仍然需要大规模的硬件、软件和湿件工程来改进DishBrain系统，但这项工作确实展示了活体神经元的计算能力，能够适应性地学习并与其传感器进行积极的交互。这代表了迄今为止实现SB智能的最大进展，能够以外部定义的目标导向行为作出响应。

图五-2长在电级阵列上的神经元系统。论文In vitro neurons learn and exhibit sentience when embodied in a simulated game-word。

这一科学研究表明生物神经元的确可以通过电子系统反馈和外界交互，并且产出了初级智能。但是，和电子系统能否有更近一步的结合呢？是否可以更加完美的融合在一起产生高级智能比如记忆能力等？

• 记忆修复：两个系统完美工作的产物
  

美国南加州大学的Theodore Berger 和 Dong Song 教授正在研发一种新的芯片(VLSI Biominetic Model)，其作用可以恢复人类受损的记忆（潜在可应用于老年痴呆患者的治疗）。该芯片复现了人类海马体CA1-CA3通路的信息处理机制从而代替大脑里相应受到损害的神经网络。

图六芯片记忆修复概念图。

记忆修复的具体原理如下图所示：我们首先设计了一种用可编程的VLSI（Very-Large-Scale Integration）模型替代海马的CA3区域，并通过一种多位点电极阵列将这个VLSI生物模仿设备与剩余的活跃脑组织相互连接，从而恢复整个神经回路的动态过程。(a) 示意图表示了海马三突触回路的结构。(b) 在概念上，CA3区域被VLSI模型替代的图示。(c) 在已经去除了CA3区域的海马切片上，叠加了一个综合系统。这个系统中，来自外部源的脉冲刺激用于激活颗粒细胞，并通过多位点电极阵列的一个组件传递。电极阵列的第二个组件感知颗粒细胞的反应并将这些反应传输到VLSI模型。VLSI设备执行与生物CA3神经元相同的非线性输入/输出变换，并通过多位点电极阵列将输出传输到CA1神经元的树突上，从而激活三突触回路的最后一个组件。这个战略的目标是用计算模型替代部分脑区，以还原受损的神经回路的功能，从而有望为神经科学和脑疾病研究提供重要的工具

图七芯片记忆修复原理图。来自文章Restoring Lost Cognitive Function。

这项工作受到的关注度很高，最近的人类临床试验的结果(图八）也比较积极：结果显示，在接受刺激的试验中，短期和长期保留的视觉信息都显著提高了35%。这些结果表明，电刺激有助于记忆编码，这是构建植入式神经假肢以改善人类记忆的重要特征。

图八为记忆芯片植入大脑的X-Ray图。图片来自Developing a hippocampal neural prosthetic to facilitate human memory encoding and recall。

当然科研人员不仅仅在人类记忆神经上面做芯片替代，在运动神经控制机制比如用电子芯片系统代替小脑的精细控制机制也做了类似工作。

• 第一个问题的答案

因此回答第一个问题，在排除生物兼容性和植入稳定性这两个基础问题的前提下，硅基芯片电子系统可以和生物神经系统做高度的融合产生智能，以及有潜力产生高等智能。

转自公众号：脑界漫游指南 https://mp.weixin.qq.com/s/Veq7zwSS8aUuBMHYHrKCdw