打不過AI就加入？他輟學(xué)MIT，把人類意識裝進芯片，創(chuàng)造數(shù)字生命

編輯｜張倩、+0

「我即將離開麻省理工學(xué)院，不再繼續(xù)攻讀博士學(xué)位。人工智能的發(fā)展速度太快，人類已然難以跟上。

但或許還有一條出路：我發(fā)現(xiàn)數(shù)字人類的實現(xiàn)可能性，遠比大多數(shù)人想象的要大。倘若能有頂尖的人工智能研究者助力，或許投入 100 億美元、用上 5 萬臺 H100，在不到 10 年的時間里，就能實現(xiàn)這一目標(biāo)。」

寫下這兩段話的是 Isaak Freeman，麻省理工學(xué)院的一名博士生。他認為，人工智能發(fā)展太快，人類已然難以跟上。生物大腦的進化受限于碳基組織的物理規(guī)律（如神經(jīng)信號傳導(dǎo)速度、壽命、記憶容量），如果人類保持碳基形態(tài)，注定會在智力競爭中被 AI 淘汰。將意識遷移到數(shù)字基質(zhì)上，是讓人類智能實現(xiàn)「指數(shù)級擴展」的唯一出路。

也就是說，既然我們無法阻止 AI 狂奔，那就利用 AI 創(chuàng)造的算力和工具，把自己也變成「數(shù)字形態(tài)」，從而加入這場競賽。

在科學(xué)界，這個想法并不新鮮，在 2023 年《流浪地球 2》上映時還引發(fā)過熱議（電影里劉德華飾演的圖恒宇為了給車禍去世的女兒丫丫「完整的一生」，不惜違規(guī)將她的數(shù)字信息備份上傳。）但 Isaak 表示，他不認為這事兒還停留在科幻層面，而是有了各種支撐其實現(xiàn)的現(xiàn)實可能性——我們完全可以通過高分辨率掃描，把現(xiàn)有的智能結(jié)構(gòu)完整地復(fù)制出來。

為了證明自己不是心血來潮，他給了一個粗略的計算：

運行人類大腦所需的算力，可能遠比想象中少——大約 5 萬張 H100 GPU 就足夠了。而 xAI 目前已擁有逾 20 萬張 H100 或更高規(guī)格的芯片。在相對悲觀的假設(shè)下，若采用當(dāng)前高分辨率的神經(jīng)元模型（如 Hodgkin-Huxley 模型）以及多狀態(tài)突觸，模擬人類大腦大約需要 600 exaFLOP/s 的算力、每 GPU 700 GB 的內(nèi)存容量，以及 24 GB/s 的互聯(lián)帶寬——這些指標(biāo)，今天的超算集群已經(jīng)觸手可及。

而若更簡單的神經(jīng)元模型（如 Leaky-Integrate-and-Fire 模型）就能勝任（這一點仍有待實證研究驗證），那么模擬一個人類大腦所需的算力，可能低至約 2 到 3 petaFLOP/s，幾乎相當(dāng)于單張 H100 在 FP16 精度下的算力。當(dāng)然，內(nèi)存容量與互聯(lián)帶寬很可能才是更緊張的瓶頸所在。

但問題的核心在于：該運行哪些神經(jīng)元？參數(shù)如何設(shè)定？連接方式又該如何構(gòu)建？

因此，數(shù)據(jù)采集才是真正的瓶頸，而這一環(huán)節(jié)本身就面臨重重難題：我們需要數(shù)百臺下一代顯微鏡持續(xù)運行數(shù)年；需要自動化的大規(guī)模組織采集與染色流程；需要約 20 倍放大率的膨脹顯微鏡技術(shù)，并對 30 種以上的受體、神經(jīng)遞質(zhì)與神經(jīng)肽進行全面的分子染色；還需要 X 射線顯微鏡，以便在一年內(nèi)完成對整個人類大腦的成像。與此同時，還需要能夠跨越蠕蟲、魚類等動物完整成像腦活動的全腦功能成像設(shè)備，從而破解「結(jié)構(gòu)-功能」的對應(yīng)關(guān)系。

除此之外，研究人員還需要開發(fā)結(jié)構(gòu)到功能的預(yù)測模型、連接組校對模型、嚴格的評估基準(zhǔn)，以及以動物仿真作為概念驗證的完整研究框架。

令人鼓舞的是，這一領(lǐng)域正在逐漸成形：從早期的線蟲仿真嘗試（如 BAAIWorm），到已繪制完成的 14 萬神經(jīng)元果蠅連接組，再到一項不完整的果蠅仿真實驗意外在 X 平臺上引發(fā)病毒式傳播，腦機接口研究所生成的大量數(shù)據(jù)集，即將面世的斑馬魚連接組，乃至能夠以吉赫茲速度成像的新一代顯微鏡。Isaak 認為，種種跡象表明，「數(shù)字人類」的前沿探索，已不再只是遙遠的科幻構(gòu)想。

正是帶著讓這一領(lǐng)域變得更加平易近人的愿望，Isaak 在離開 MIT 之前，耗費大量心血撰寫了一篇深度報告，系統(tǒng)梳理了從線蟲仿真邁向數(shù)字人類的完整路徑。他坦言，這份論文仍粗糙、仍不完善，但其中傾注了他滿腔的熱情與心血。

• 報告標(biāo)題：From Worm to Human: Scaling Brain Emulation
• 報告鏈接：
• https://pdf.isaak.net/scaling-emulations

這個論文詳細規(guī)劃了從線蟲（302 個神經(jīng)元）到人類（860 億神經(jīng)元）的全腦仿真路線圖，包括連接組學(xué)成本、數(shù)據(jù)瓶頸、技術(shù)路徑等。

圖注：電子顯微鏡連接組學(xué)的現(xiàn)狀。

論文指出，實現(xiàn)這一宏大愿景需要三大核心支柱的協(xié)同突破：結(jié)構(gòu)測繪、功能記錄與計算仿真。而擺在研究者面前的第一座高山，便是最基礎(chǔ)的結(jié)構(gòu)測繪。

想要模擬大腦，首先得知道大腦長什么樣。目前主要依賴電子顯微鏡（EM），但它面臨極大的規(guī)模化難題。人工校對成本極高，例如果蠅連接組的校對就花費了 33 個「人年」。如果要掃描人類大腦，按照目前的成本，僅單個神經(jīng)元的重建就需要天文數(shù)字的資金。

為此，作者提出了結(jié)合膨脹顯微鏡（ExM）和蛋白質(zhì)條形碼等新興技術(shù)。這些技術(shù)能在保留分子層面信息（如離子通道、神經(jīng)遞質(zhì)受體）的同時，大幅降低追蹤難度，讓 AI 自動分割模型的準(zhǔn)確率飆升。

圖注：EM vs ExM 圖像對比

當(dāng)然，僅有靜態(tài)的物理結(jié)構(gòu)是不夠的，大腦是會放電的，我們還需要記錄神經(jīng)元的動態(tài)放電過程。但哺乳動物的大腦組織會散射光線，導(dǎo)致目前光學(xué)成像的「玻璃天花板」卡在表面以下 1 到 2 毫米深處。

于是作者找了兩個天然的「替代品」：天生透明的斑馬魚幼體，以及體型袖珍的線蟲。在這些生物上，人類已經(jīng)能夠初步實現(xiàn)全腦、單神經(jīng)元級別的實時功能記錄，這為建立「結(jié)構(gòu)-功能」的映射關(guān)系提供了至關(guān)重要的真實數(shù)據(jù)。

那如何將靜態(tài)的連接圖譜轉(zhuǎn)化為動態(tài)的仿真？論文指出，在果蠅視覺系統(tǒng)和線蟲的初步實驗中，即使是最簡單的微分方程模型，只要有準(zhǔn)確的連接組數(shù)據(jù)，也能重現(xiàn)令人驚訝的真實生物行為。

正如前文所述，單純的計算速度（FLOP/s）已經(jīng)不再是最大的絆腳石。真正的挑戰(zhàn)在于「內(nèi)存墻」與「互聯(lián)帶寬」。模擬千億個神經(jīng)元和龐大的突觸網(wǎng)絡(luò)，需要約 70 PB 的內(nèi)存容量和極高的跨節(jié)點通信速度，這是目前偏向純算力的 AI 數(shù)據(jù)中心需要克服的架構(gòu)難題。

最后，如何證明我們真的「上傳」了一個人類，而不是造了一個只會查表的機器？作者提出了類似于圖靈測試的「具身圖靈測試」——把仿真大腦放入虛擬軀體中，看它能否像真實的線蟲或老鼠一樣覓食、學(xué)習(xí)和趨利避害。

作者估算，這絕非幾家實驗室能完成的零散工作，而是需要一場類似人類基因組計劃或阿波羅計劃的「大科學(xué)」工程，可能需要耗時 10 到 25 年，投資 50 億到 500 億美元。