啥！能打败GPT4的“强人工智能”来了
原创钱昱科普中国
最近OpenAI发布的ChatGPT和GPT-4大型语言模型，几乎引爆了全民对人工智能话题讨论的“火药桶”，相信不少人的朋友圈已经被带“GPT”的字条给刷屏了。
笔者身边的朋友们也分了两派，激进派认为迈向强人工智能的奇点已经到来，未来数据量和算力规模再涨一波后，它就能替代掉绝大多数文字工作者了，随后所有没创造力的工种都将面临失业；保守派则认为它只是一个顶尖的生产力工具，但无法掌握意识、感情、创造力等人类与生俱来的能力，难以成为强人工智能。
而笔者属于“好吃懒做”派，选择直接问ChatGPT，以下是它的回答：
图片来源：截图自ChatGPT
强人工智能能否实现目前尚未可知，但毫无疑问，目前人脑还是整个地球上最智能的复杂系统。
可能有人会问：我们为什么不直接用生物的神经元作为网络基本单元，从头复刻一个和人脑类似的智能系统呢？这会不会是实现强人工智能的捷径呢？好问题，欢迎来到本文的主题——“类器官智能（OrganoidIntelligence，OI）”。
01
碳基和硅基并肩作战
就问你怕不怕！
类器官智能一词是今年2月28日，由约翰斯·霍普金斯大学的托马斯·哈东（ThomasHartung）团队提出来的新概念。
简单讲，类器官就是把干细胞在体外三维环境中培养成有一定结构和功能的组织类似物，目前已成功构建包括小肠、胃、结肠、膀胱、肝脏、心脏、胰脏、肾脏、大脑等多种器官组织。
或许在不久的未来，你身体某个部分出了问题，都可以用类器官进行修复或替代，比如熬夜搬砖爆肝了换个肝
（bushi）。
而类器官智能就是将体外培养的大脑器官组织作为生物硬件，通过与外部的电子设备相连来实现生物计算，我们人工构建的大脑，就是整台计算机的CPU+GPU，想想是不是很科幻呢？
图库版权图片，不授权转载
实际上，目前很多研究已经证明了该路径的可行性，就拿最近的新闻来说，伊利诺伊大学厄巴纳-香槟分校的AndrewDou团队就培育了8万多个通过重编程小鼠干细胞得到的神经元，并将其放置在光纤和电极网格之间，接受10种不同模式类型的电脉冲和光信号刺激，这些元件都被放在一个恒温的箱子中，来保持神经元的活性。
经过一小时训练后，研究人员发现这群神经元每次在接受模式相同的刺激时，发出的信号也相同。研究人员还用F1分数来量化该神经网络模式识别的效率。简单来说，0最差1最好，最后测得该活体神经网络搭建的计算机F1得分为0.98，可以算相当智能了。
除模式分类任务外，研究人员还把“盒中之脑”连接到用活体肌肉组织制造的机器人中，使大脑能够通过肌肉感知周围的环境变化并处理这些信息。
将活细胞和储层计算技术相结合，能使神经元和芯片，或者说碳基和硅基的智能单元，协作完成信号识别和处理任务，这就是碳基生物和硅基生物智能合一的原初形态，虽然目前长得还比较丑。
中间放生物神经元的类器官智能机器人。图片来源：参考文献[3]
再往前推也有脑洞大开的研究。
例如去年12月，澳大利亚生物科技初创公司CorticalLabs就用人类脑细胞培育的“碟中大脑”（DishBrain）学会了打乒乓球。
研究团队将从人类干细胞诱导分化而来的人类神经元，与高密度多电极阵列与计算机集成，使“乒乓球”游戏中的电信号传到微电极阵列上，进而告诉神经元“乒乓球”的位置，神经元再通过彼此间电信号的交流达成一致后，控制“球拍”的移动，从而将“乒乓球”打回去。
神奇的是，这群“碟中大脑”仅用5分钟就学会了这款游戏，而相似规模的人工神经网络可能要90分钟左右才能学会。
尽管该论文的第一作者坚称“碟中大脑”已经将自己代入到游戏中的球拍了，但类器官智能是否能像人类一样“自主而有意识”地摄取、分辨并回应外界信息，仍是个值得探讨的问题。
会打乒乓球的“碟中大脑”。图片来源：参考文献[4]
02
误打误撞出的类器官智能技术
大脑的类器官技术起初并不是为了实现“类器官智能”。自2019年相关研究取得突破以来，大部分的工作都围绕研究大脑的发育和疾病，或是修复大脑的残缺部分为主。
比如去年10月《自然（Nature）》主刊上的论文显示，科学家首次将人脑神经元移植到大鼠脑中并形成连接，从而控制大鼠行为。
4个月后，《细胞（Cell）》子刊上的研究又显示人的类脑器官植入到大鼠脑部后不仅实现了有效连接，还能对视觉刺激做出反应，说明它已经整合到大脑中发挥功能了，这个成果可以作为一种恢复皮质功能的治疗策略。
然而总有些充满创意的科学家喜欢搭建出一些让人眼前一亮的科技网络，比如这个类器官智能技术。
当然这个技术目前还是襁褓中的婴儿，等它渐渐成熟并与当前基于深度学习人工智能技术进行比较，究竟是变成科研领域中永远“未来可期”的空中楼阁，还是能成为新一波类脑智能浪潮中的弄潮儿，直奔强人工智能而去呢？让我们拭目以待。
图库版权图片，不授权转载
类器官智能作为由生物智能单元——神经元组成的网络，它的优势集中体现在以下几方面：
1.能耗低
一条斑马鱼幼虫在水中，成功捕食猎物并从天敌眼皮底下逃脱的大脑功耗仅为1微瓦，成年人类的大脑功耗仅为20瓦，而目前依赖深度学习的服务器集群的功耗通常在1百万瓦左右，拥有最强算力的Frontier超算功耗将近21兆瓦，听起来并不是很环保。
2.少样本学习
生物通常能使用较少的观察活动来进行学习。人类使用大约10个训练样本就能完成一个简单的“物体类型相同或不同”的任务，蜜蜂这类昆虫也只需要100个训练样本就能学会，而这个训练数据量在深度神经网络中往往分类效果不佳。
AlphaGo系统接受了16万场围棋比赛的训练数据，每天训练5小时的棋手则需要风雨无阻地连续下175年的棋，才能打完这么多场比赛，可见大脑在学习活动中不需太多数据也能达到很高的训练效率，同时储存能力惊人（大约为2500兆字节）。
3.提供优秀的脑机接口界面
将电脑或电极输出的电信号传输给类器官脑组织，而植入人脑后的类器官又能充分整合到脑组织内执行其功能，这种界面具有很好的生理性，可将接口对大脑的损害几乎降到最低，同时又能将机器智能与自然智能一体化，从而实现新的智能形式。
当然，如何将电极连接到小型和三维的类器官上也是一个需要考虑的问题，这更需要高质量的3D电极作为支撑。如果以后要构建类人机器人，从生理学上来看，使用神经元与模拟肌肉组织相连也会更为便捷。
用于生物计算的类器官智能架构。图片来源：参考文献[2]
03
残忍还是先进，这是个问题
二十一世纪既是生物技术的世纪，也是信息技术的世纪，更是交叉科学的世纪。
目前，多支研究团队使用基因编辑技术和光遗传学技术构建了具有特定功能的神经元网络，并通过纳米技术和生物打印技术来构建更加复杂的类器官框架。可以预料到，以后培养出来的脑组织将会有更精细的结构与更特异性的功能。
“类器官智能”的初衷还是想利用生物计算更快、更高效且低能耗的优势来构建活体计算机，从而在较为复杂的任务上能实现比传统硅基计算机更优秀的表现，并且通过电脉冲信号能向计算机芯片发送或接收指令，实现碳基和硅基神经网络的协调计算，融合两者的相对优势，创造出更加智能的计算系统。
但目前类器官智能的挑战主要分两块：伦理和技术。
首先是伦理问题。
培养10周后的类器官会显示出髓鞘形成等怀孕20周胎儿的特征，而且带有信息输入的刺激会影响类器官发育，结构上变得更为复杂。接受输入，产生输出，与周围的环境信息产生互动，并建立原始记忆，它是否会有意识？外界给予的电信号刺激输入又是否会引起这些大脑的“痛苦”，这些是伦理机构一直在密切关注的问题。
找到意识产生的充要生理条件是神经科学最困难的问题之一，目前揭示意识神经基础的工作也在进行中，这将为类器官伦理条例提供很好的参考建议。类器官智能本身也不是为了重建人类意识，而是提供生物学习，认知与计算的功能基础。
如果强人工智能的实现需要大量神经元作为基础的话，这种智能又和我们人类智能有何不同？极端一点，我们直接把尚未形成自主意识的胚胎神经管切下来（这部分以后会形成人脑），然后放入培养箱中培养成一个具有860亿节点体量的网络系统，并将其与计算机芯片或服务器相连，处理各种任务，这种强人工智能的实现是否人道呢？
笔者相信这项技术即便研发成功，也会因相当复杂的伦理问题而被法律法规所禁止，就像应用于人类的克隆技术和基因编辑技术一样。
动漫《心理测量者》中的强人工智能——西比拉系统。图片来源：动漫《心理测量者》
其次是技术问题。
前文提及的托马斯·哈东团队使用的单个类脑器官大约包含5万个神经元，安德鲁团队则是使用了8万个。麻雀虽小，但五脏俱全，当前培养的类脑器官能再现大脑的组织结构和功能，并有覆盖髓鞘的轴突，自发的电生理活动，复杂的振荡行为，高细胞密度和分层模式，甚至还有少突胶质细胞、小胶质细胞和星形胶质细胞等多种细胞类型。
但问题是，如何使这些类器官产生学习活动，并对其计算能力加以利用？而且，多大规模的神经元数目才能表现出高智能？下一阶段研究人员将基于现有的分化方案扩大培养规模，构建1000万个神经细胞的活体计算机，至于表现出来的智能水平如何，让我们拭目以待。
与此同时，如何对神经元间的连接做出调整，使其能更好地实现功能也需要考虑。尽管大脑类器官可能实现分子特征的时空特征，但无法反映人脑脑区的拓扑结构和神经元环路的复杂性及特异性，而这些可能恰恰是实现大脑高级功能的基础。如何对大量杂乱的神经元连接进行合理的布线，用分子信号诱导相关功能环路的产生，也是未来制作特定功能导向型的生物神经网络所要考虑的问题。
除此之外，目前仍无法高效完整地完成对人脑类器官的信号输入与输出记录的记录，研究人员正在致力于研发专用于类脑器官的3D脑机接口以及相应探针，例如3D微电极阵列（MEA）、神经像素硅探针等，完成与外界信息端口的精准对接。这些技术的推进能够在一定程度上解决这方面的难题。
总的来说，尽管当前人工智能远不如人脑学习能力全面且高效，只能在经过大规模预训练的任务上表现出色，但类器官智能还难以复现最简单的大脑，想要“战胜”以GPT系列打头阵的硅基生物，恐怕还有很长一段路要走，尤其使用的生物神经元数目越多，所面临的伦理挑战就越大。对智能这条路探索的尽头，很可能碳基和硅基两种智能就会走到一块儿去。
实现类器官智能的路线图。图片来源：参考文献[2]
在实现强人工智能前，我们不妨再问问自己，为什么要实现强人工智能？
如果仅仅是需要服从听话且好用的工具，那么只需训练出在特定任务执行出色的智能神经网络即可，意识、情感、创造力这些都是不稳定因素，对于任何低技术需求且具有高重复性的工作来讲根本没必要，而且还会导致社会的管理成本上升。
这么说来，可能对人类来说，像ChatGPT一类的模型已经是最理想的智能系统了，希望看到这篇文章的你们在新一波的人工智能浪潮中都能用好这个工具，最大化地提高生产力。
人类和仿生人。图片来源：游戏《底特律：变人》
参考文献：
[1]SmirnovaL.,CaffoB.S.,GraciasD.H.,etal.Organoidintelligence(OI):thenewfrontierinbiocomputingandintelligence-in-a-dish.FrontSci1:1017235.2023.doi:10.3389/fsci.2023.1017235
[2]MoralesP.I.E.,SmirnovaL.,MuotriA.R.,etal.FirstOrganoidIntelligence(OI)workshoptoformanOIcommunity.Front.Artif.Intell.6:1116870.2023.doi:10.3389/frai.2023.1116870
[3]AndrewD.80,000mousebraincellsusedtobuildalivingcomputer.NewScientistPhysics.2023.From:https://www.newscientist.com/article/2363095-80000-mouse-brain-cells-used-to-build-a-living-computer/
[4]BrettJ.K.,AndyC.K.,NhiT.T.etal.Invitroneuronslearnandexhibitsentiencewhenembodiedinasimulatedgame-world.Neuron110,2022.doi:https://doi.org/10.1016/j.neuron.2022.09.001
[5]PaolaArlottaetal.Individualbrainorganoidsreproduciblyformcelldiversityofthehumancerebralcortex，Nature.2019.doi:10.1038/s41586-019-1289-x
[6]Pașca,S.P.,Arlotta,P.,Bateup,H.S.etal.Anomenclatureconsensusfornervoussystemorganoidsandassembloids.Nature609,907–910,2022.doi:https://doi.org/10.1038/s41586-022-05219-6
[7]DennisJgamadzertal.Structuralandfunctionalintegrationofhumanforebrainorganoidswiththeinjuredadultratvisualsystem.CellStemCell.2023.doi:10.1016/j.stem.2023.01.004.
出品：科普中国
作者：钱昱（中国科学院脑科学与智能技术卓越创新中心）
监制：中国科普博览
原标题：《啥？！能打败GPT4的“强人工智能”来了？》
阅读原文
从AI到AGI，未来最强的人工智能是什么
人工智能研发正在蓬勃发展，但通用智能（AGI）仍然遥不可及。
即使对那些陷入AI领域的人来说，试图掌握人工智能的进步也是一项艰巨的任务。但是，最新版的AI指数报告（现在已经是第三年的年度机器学习数据点逐年减少）在确认你可能已经怀疑的问题上做得很好：AI世界包括研究，教育，和技术成就。
AI索引涵盖了很多领域，以至于它的创建者（包括哈佛，斯坦福和OpenAI等机构）也发布了两个新工具，目的只是为了筛选他们从中获取的信息。一种工具用于搜索AI研究论文，另一种工具用于研究国家级研究和投资数据。
2019年的大部分报告基本上证实了我们在前几年强调的趋势的延续。但是，为了让你不必费心浏览其290页，以下是一些更有趣和相关的要点：
1998年至2018年间AI纸出版物增加了300％。
人工智能研究正在迅速发展。在1998年至2018年之间，有关AI的同行评审论文的发表数量增加了300％。出席会议的人数也激增；最大的提供商NeurIPS预计今年将有13,500名与会者，比2012年增长800％。
人工智能教育同样受欢迎。在大学和在线学习机器学习课程的人数继续增加。精准的数字很难总结，但是一个很好的指标是，人工智能是北美计算机科学专业毕业生中最受欢迎的专业。超过21％的CS博士选择专门研究AI，这是第二受欢迎的学科（安全/信息保证）的两倍多。
在大多数指标上，美国仍然是人工智能的全球领导者。尽管中国发表的AI论文数量超过任何其他国家，但在美国发表的论文影响更大，美国作者的论文比全球平均水平高40％。美国也将最大的资金用于私人AI投资（与中国相比略低于120亿美元，仅次于中国，全球为68亿美元），并且AI专利的申请数量超过任何其他国家（是排名第二的日本的三倍））。
AI算法正在变得越来越快，训练起来也越来越便宜。除非可访问，否则研究毫无意义，因此特别欢迎此数据点。AIIndex团队指出，在流行的数据集（ImageNet）上训练机器视觉算法所需的时间从2017年10月的大约3个小时减少到2019年7月的88秒。成本也从数千美元下降到两位数。
自动驾驶汽车获得了比任何人工智能领域更多的私人投资。全球私人投资中不到10％用于自动驾驶汽车，约为77亿美元。其次是医学研究和面部识别（两者都吸引了47亿美元），而增长最快的工业AI领域则不那么浮华：机器人流程自动化（2018年投资10亿美元）和供应链管理（超过5亿美元）。
这一切令人印象深刻，但需要注意的一个重大问题：无论AI的提高速度如何，它都永远无法与流行文化和大肆宣传的头条新闻相提并论。这似乎有些古怪，甚至显而易见，但值得记住的是，尽管人工智能世界正在蓬勃发展，但AI本身仍然在某些重要方面受到限制。
最好的证明来自AIIndex报告中“人类绩效里程碑”的时间表；人工智能已经达到或超过人类水平的专业知识的历史。
AI会在特定领域中优于人类，但并非一般智慧。
时间线始于1990年代，当时程序首先在跳棋和国际象棋上击败了人类，并随着最近的机器学习热潮而加速，列出了AI来临，被征服和征服的视频游戏和棋盘游戏（在2016年发布，在Dota2中发布等等）。这与诸如2017年对人类皮肤癌图像进行人类级别分类以及2018年进行中英文翻译等杂项任务混合在一起。（许多专家对最后的成就一无所知，并指出AI翻译仍然落后人类。）
尽管这个列表令人印象深刻，但它不应该使你相信AI超级智能已经临近。
首先，这些里程碑中的大多数来自在视频游戏和棋盘游戏中击败人类的领域-由于其清晰的规则和易于模拟的领域，特别适合AI培训。这样的培训通常依赖于AI代理将大量终生的工作投入到一个游戏中，并在太阳日中进行数百年的培训：这一事实突出了人类与计算机相比学习的速度。
同样，每个成就都设置在一个域中。除少数例外，接受一项任务训练的AI系统无法将他们学到的知识转移到另一项任务上。一个超人的《星际争霸2》机器人将输给一个五岁的下棋者。尽管AI可以像肿瘤科医生一样准确地发现乳腺癌肿瘤，但对于肺癌却不能做到这一点（更不用说开处方或做出诊断了）。换句话说：AI系统是一次性使用的工具，而不是人类的备用智能。
是的，还有另外一个-这并不意味着AI并不是有用的。如本报告所示，尽管机器学习有局限性，但它在资金，兴趣和技术成就方面仍在不断加速。
在思考AI的局限性和承诺时，最好记住机器学习先驱AndrewNg的话：“如果一个典型的人可以用不到一秒钟的思想时间完成一项心理任务，那么我们现在都可以使用AI使它自动化，我们才刚刚开始发现将这些秒数加在一起会发生什么。”
如何学习AI和开发AI应用? 化繁为简，降低门槛。钛灵AIX可以帮助越来越多AI爱好者、开发者，甚至在校学生群体，降低人工智能的学习与研发成本，加速AI应用的开发。
钛灵AIX是一款集计算机视觉与智能语音交互两大核心功能为一体的迷你人工智能硬件，搭载Intel专业级AI加速运算芯片与多种传感技术，是全方位体验和学习新互联网、物联网、人工智能技术的"超级智慧大脑"。