據說天才的達·芬奇生平總共解剖了30多具人類屍體，除了用以觀察人體結構和了解人體功能外🤷‍♀️，他還試圖從中找到人類的“靈魂”。後世的科學家們沒有停止努力☛🫳🏽，從阿蘭·圖靈到弗朗西斯·克裏克，到馮·諾依曼，到蔡少棠，到亨利·馬克拉姆……他們不停地嘗試采用自然科學方法解決意識問題🗂，製造出逼近乃至超越人腦的“超級大腦”👩🏼‍🎨。

人類能夠製造出具有自主意識的“超級大腦”嗎？這方面的哲學論辯已經持續上百年🫔，再喋喋不休已經意義不大。行勝於言🈁，對這個問題最好的回答是製造出“超級大腦”。六十多年來，計算機性能按照摩爾定律持續提升🏃🏻‍♂️♥️，新型微納電子器件快速進步，越來越多的技術征象表明，仿照人類大腦結構和機理，製造出逼近乃至超越人腦的“超級大腦”，不僅在技術上是可能的，而且它的性能會遠超人腦🖖，還很有可能會湧現出自主意識。

認識“意識”

意識問題是人類最根本的問題之一🚚，自古以來眾說紛紜👂🏼，構成人類思想史上最亮麗的一道風景線👍🏽。翻開百年來諾貝爾生理學或醫學獎成果，有關腦及神經功能的研究十分豐碩，但總體而言🪿，我們對大腦的認識還處在“盲人摸象”階段，對多數感知認知功能還是“只見樹木🏞，不見森林”、“知其然而不知所以然”🧬，對“靈感”、“腦風暴”和“禪定”等系統性功能的認識還幾乎是空白。

在采用自然科學方法解決意識問題的科學家中，弗朗西斯·克裏克是最知名的一位，1953年他與詹姆斯·沃森共同發現了DNA雙螺旋結構👋🏿，1962獲得諾貝爾獎👨🏽‍🌾，1976年開始研究意識問題🧺，2003年在《自然·神經科學》發文提出意識不是先天就有，而是由大腦中“扣帶前回”的一小組神經元產生和控製的⁉️❤️，其中一個征象是這些神經元以伽馬振蕩（40赫茲左右）的形式同步發放。然而👨🏻‍🦳，問題不僅僅是“意識是大腦的哪一部分產生的”，也不僅僅是“意識是神經系統以什麽樣的方式產生的”🍲，而是“意識是如何產生的”🫅🏻？

意識產生機理難以突破的根本原因在於大腦是一個從神經元到網絡系統都高度非線性的復雜動力系統💆🏽。這類系統的重要特征是不能通過“還原”成基本單元的方式得到充分解釋，例如大氣和水流中的湍流🗼，構成單元十分清楚，現象也很明顯，但背後的機理至今難以準確描述🖕。因此，即使徹底搞清楚了大腦構成的所有物質細節和能量特性，也只是在認識意識的道路上邁出了第一步，意識作為大腦這個復雜非線性系統的高層狀態和表象，需要更多的認知神經科學發現甚至復雜非線性理論的突破🚵🏻‍♂️，才有可能最終揭開神秘面紗🏠。

“復製大腦”

在意識發生機製最終得到科學解釋之前，能夠製造出具有自我意識的人造大腦嗎🛀🏿？回答是肯定的，而且製造出這樣的裝置，可能正是回答這個問題最便捷的途徑。

人腦是迄今已知的宇宙間最為復雜的結構：擁有約一千億個神經元（按計算機計量單位為100G個，下同）💁🏽‍♂️，每個神經元通過數千甚至上萬個神經突觸和其他神經元相連接，總突觸超過一百萬億（100T）☎️。這些數字雖然龐大，也還是有限的，如果能夠在分子層次完整復製一個大腦，供應能量並進行刺激👨‍👧‍👧，沒有理由斷定這個生物意義上的“復製大腦”不能產生意識。如果在神經元和神經回路層次復製大腦👯‍♀️，所有人造神經元和突觸的功能特性都逼近生物大腦❗️，所有突觸連接和神經回路都和大腦相同👩🏽‍🎤，這樣的電子意義上的“復製大腦”能夠產生意識嗎💅🏽？應該說成功的機會不小。

做出這樣判斷的基本原因是，我們的大腦是在正常的物理化學環境中生長和運行的。在大腦長期進化過程中以及每個正常大腦的運行中↔️，沒有證據表明分子層次之下的因素在發揮作用（輻射可能導致大腦紊亂甚至停止運行，但這是破壞意識而不是創生意識）✋🏻。在出生後的活體大腦中，盡管神經元生生死死↪️、突觸斷斷聯聯的過程一直在發生⚽️，但對大多數人的意識發生和連續性並未產生什麽影響。因此🦟，大腦就是一個由神經元和突觸等基本單元按照復雜的神經回路構成的一個復雜系統🫱🏼，系統的精確復製意味著功能的復製🏃🏻‍♀️‍➡️🏛，大腦具有的智能和意識🤽🏿‍♂️，也會在復製系統上出現。

比物理復製更容易進行的是用計算機模擬，即在現代計算機上用軟件模擬大規模的神經元🚨、突觸和神經回路，這樣的“軟件大腦”能夠產生意識嗎？2007年開始，IBM阿瑪登研究中心在藍色基因超級計算機上開發大腦皮層模擬軟件，2009年在美國勞倫斯·利弗摩爾國家實驗室上實現了8.61T個神經突觸的貓腦模擬。這個“軟件貓腦”表現出了神經元自組織現象，在哺乳動物大腦皮層上經常能觀測到的阿爾法振蕩（10赫茲左右）和伽馬振蕩（40赫茲左右），也在這個“軟件大腦”上出現了。這些征象當然還不能說就是意識😾，但與傳統計算機嚴格按照指令運行得到的精確結果相比🏋🏽，具有雲泥之別：這些現象不是人工事先設計的，而是系統自身表現出來的。

同樣在2009年，瑞士洛桑聯邦理工學院亨利·馬克拉姆教授在“藍色大腦計劃”支持下，在藍色基因超級計算機上用軟件模擬鼠腦，同樣出現了伽馬振蕩現象。2009年12月🙆🏻‍♀️，馬克拉姆在接受采訪時表示🌤：“從技術層面上講，利用計算機和數據采集技術，有可能在10年內建立起人腦模型🌅🌤。”記者進一步追問👨🏻‍🚒🧛‍♀️：“一旦建立起人腦模型，我們是否就能體驗並重建人的心智🙋🏿？”他的回答是：“這並非真的那麽復雜……由於我們正變得更善於對神經信息進行解碼，我想這將不會成為多大問題🏍。”盡管對這一看法存在諸多爭議，但這個前景實在誘人，由馬克拉姆領銜的歐洲“人類大腦計劃”作為歐盟投入巨資的兩大旗艦項目🧁，2013年1月獲得批準。

“圖錄測試”

長期以來，用機械和電子裝置來模擬和代替人類某些智能，一直是人類的重大夢想之一，電子計算機是承載這一夢想的最新載體🤽🏻🤼。如今計算機在計算🚣‍♂️、邏輯、存儲、信息檢索與交換等方面的性能早已遠遠超過人類🤞🏻，其理論基礎是1936年英國數學家阿蘭·圖靈為了研究“不可計算數”而提出的“圖靈機”概念🕋。“圖靈機”是一個思想實驗的“概念機”，模擬人用紙筆進行數學運算的過程，其關鍵在於抓住了數理邏輯和抽象符號處理的本質，一臺僅能處理0和1這樣簡單二元符號的機械設備，就能夠模擬任意數學推理過程👩🏿‍🔬，這就是現代計算機的起源。

圖靈還被奉為“人工智能之父”👼🏻，源於他1950年10月在《心智》發表的文章《計算機與智能》。在這篇文章中🧒🏽，圖靈提出了“機器能思考嗎？”這個問題，並提出了檢驗機器智能水平的“圖靈測試”：將計算機和人分別關閉在不同房間，通過電傳方式進行問答，如果提問者分辨不出哪個是計算機，則認為計算機通過了智能測試👨🏽‍🔬。

1956年夏☣️，約翰·麥卡錫🚄、馬文·明斯基🤾🏼‍♂️🧜、克勞德·香農、艾倫·紐厄爾和赫伯特·西蒙等在美國達特茅斯聚會，研討主題就是用機器模擬人類智能⚡️。會議認為“學習或者智能的任何其他特性的每一個方面都應能被精確地加以描述🛡，使得機器可以對其進行模擬”📩，並首次提出“人工智能”這一術語。人工智能學科初期過於樂觀，將人類智能視為符號處理過程💠，采用形式邏輯實現智能，估計“二十年內，機器將能完成人能做到的一切工作”，但實際效果大打折扣🧔🏽‍♂️，招致廣泛批評。

圖靈在論文中表示，他相信二十世紀末機器將能夠通過“圖靈測試”🧔🏼‍♂️。1997年🩱🪂，國際象棋冠軍卡斯帕羅夫第三次對戰超級計算機，“深藍”超級計算機居然走出了一些只有真正大師才能走出的棋步，並取得最終勝利🍈。2011年2月，IBM以公司創始人托馬斯·J·沃森命名的自然語言問答系統挑戰美國著名電視智力競賽節目“危險邊緣”🦸，戰勝最高獎金得主布拉德·魯特爾和連勝紀錄保持者肯·詹寧斯🏢。2014年6月，英國皇家學會為紀念圖靈逝世60周年舉行“圖靈測試”，名為“尤金·古斯特曼”的計算機軟件通過測試🙍🏽‍♀️🤹🏽‍♀️，讓人類相信它是一個13歲的男孩。可以說🤳🏿，經典“圖靈測試”已經完成。然而⛹🏽‍♂️，絕大多數人並不同意“深藍”、“沃森”或“尤金·古斯特曼”真正具有了智能：它們的“智能”來自設計者控製的復雜規則和大規模語料庫⇾，不能像人類一樣自發產生創造性的智能，這些系統也並無自主意識。

“深度學習”

人類智能和意識是由大腦神經網絡產生的，因此製造人工神經網絡來產生智能就成了更為自然的選擇。人工神經網絡的研究歷史差不多和計算機科學史一樣長🙎。1943年🧑🏼‍🔬，神經生理學家沃倫·麥克洛奇和數理邏輯學家沃爾特·皮茲首先提出神經元的數學模型。1949年🕴🏻，加拿大生理心理學家唐納德·赫布提出,神經網絡的學習過程發生在神經元之間的突觸部位🏰。50年代末，弗朗克·羅森布萊德設計製作了“感知機”👳‍♂️，首次把人工神經網絡的研究從理論探討付諸工程實踐。1986年，大衛·魯姆哈特🚱、傑弗裏·辛頓和羅納德·威廉姆斯提出了多層前饋神經網絡的學習算法，從理論上證明了只含一個隱層的前饋網絡可以在閉區間上一致逼近任意連續函數。2006年🍠，辛頓在《科學》發表論文，提出深度信念網絡，開啟了稱為“深度學習”的神經網絡的新浪潮，其基本思想是不借助人為影響，讓大規模多層神經網絡自動發現隱藏在海量數據背後的內隱結構🧞‍♂️🦎。

近年來🚵🏻，深度學習在圖像識別、語音識別和大數據處理等方面都取得了很好的實驗效果🧙🏽‍♂️。2012年6月，《紐約時報》報道了“谷歌大腦”項目：用1.6萬臺計算機搭建的擁有10億神經連接的深度學習神經網絡，向這個網絡輸入一千萬幅互聯網視頻圖像👩🏻‍✈️，在無任何人類指導訓練的情況下，這個系統自動具備了識別能力🗽👩🏻‍🦽，可以以很高的精度檢測人臉和貓臉等對象。2013年🧑🏼‍✈️，《MIT技術評論》將深度學習評為“年度十大技術突破”之首。2014年初，百度宣布“百度大腦”計劃，9月宣布將在半年內建成連接規模達到100G的深度網絡🍦。100G連接當然是深度學習發展的一個裏程碑，但與人類大腦100T的突觸連接相比，還有1000倍的差距🦶🏻，這個差距靠簡單地擴展現有硬件，無論是從成本還是功耗角度來看，都是一個難以逾越的巨大鴻溝👧🏿。

深度學習是否模擬了人腦的部分功能👨🏿‍🎓，至今是個極具爭議的問題。辛頓2014年初在接受《連線》雜誌采訪時說：“我十分興奮的是🥬，我們發現了一種改善神經網絡的方法🧑‍💼🤙🏽，而且很接近人腦的工作模式。”深度學習的確比傳統人工智能更接近生物智能📦，但運行中的大腦是一種脈沖神經網絡🆕，沒有證據表明大腦采用了深度學習所使用的誤差調整和傳播算法。筆者認為，深度學習更可能是發生在大腦億萬年的進化過程中，適者生存的試錯過程和深度學習的誤差調整存在一定的相似性，其結果就是現代大腦的功能柱分層結構。也正是這個原因👩🏿‍⚕️，出生後的大腦已經具備了表征復雜環境刺激中存在的隱含結構的能力📫，因此並不需要像深度學習那樣再進行大規模訓練，就能從少量樣本中快速獲取知識。

神經形態芯片

硬神經網絡在神經網絡發展史中一直占據重要地位，但受限於電子器件工藝水平和成本限製，製造大規模硬件神經網絡在技術上一直難以實現。1945年🗺，馮·諾依曼領導的設計小組試製成功指令存儲式電子計算機🥡，這是日後馮·諾依曼計算機體系結構的關鍵🧑🏽‍🎨。1948年，馮·諾依曼提出了以簡單神經元構成的再生自動機網絡結構，比較了人腦結構與存儲程序式計算機的根本區別👩🏿‍🔬。然而，1947年底發明的晶體管以及隨後的集成電路🤦‍♂️，推動馮·諾依曼體系結構計算機發展一日千裏🚼🦑，直至今天。馮·諾依曼也成為“計算機之父”👨‍🔬，但他本人顯然並不像後人那樣推崇馮·諾依曼體系結構，他念念不忘的是計算機和人腦的類似性，在生命的最後幾年，他綜合早年邏輯研究成果和計算機相關的工作🤵‍♀️，進擊更復雜的問題🧓🏻：怎樣使用不可靠元件設計可靠的自動機，以及建造自己能再生產的自動機。馮·諾依曼這方面的研究反映在西列曼講演中，在他逝世後才以《計算機和人腦》的名字出版單行本，這部未完成的著作對人腦和計算機系統進行了深入分析和比較，至今仍閃耀著智慧的光芒。

成立於1911年的IBM公司，長期執掌計算機產業之牛耳。不那麽為人所知的是，IBM1956年就研製了512個神經元的神經網絡👩🏿‍⚖️📯。前面已經介紹過的IBM在藍色基因超級計算機上模擬大腦的項目，2008年得到美國國防先進研究項目局(DARPA)資助，項目名稱為“神經形態自適應可塑性可擴展電子系統（簡稱SyNAPSE7️⃣，即突觸）”🍦，項目規劃到2016年，總經費超過1億美元🤽‍♂️。2014年8月，IBM在《科學》發表文章👨🏼‍🔬，宣布研製成功TrueNorth神經形態芯片，在4.3平方厘米的芯片內，實現了一百萬個神經元、2.56億個“突觸”🏊🏼，能耗不到70毫瓦，單位面積能耗是普通處理器的萬分之一🫴🏼。芯片按照類似生物大腦的脈沖神經網絡運行，還基於該芯片在斯坦福大學演示了實時行人車輛目標檢測和分類👩🏽‍🚀。這項成果最近入選《科學》“2014年十大科學突破”。

在製造神經形態芯片方面，IBM並非獨行者👶🏽。國際上開展類似研究的還有許多知名企業✧、研究機構和大學，包括英特爾🚠、ARM🥸🧑🏼‍💻、惠普、高通、三星、斯坦福大學✍🏼、瑞士洛桑聯邦理工學院、曼徹斯特大學、海德堡大學⚛️、加州大學等。其中，英國嵌入式處理器廠商ARM與曼徹斯特大學和海德堡大學的合作研究已經被納入歐洲人類大腦計劃得到支持。歐洲方案與美國方案相比，單位面積功耗較高🩻，但神經元模擬更接近生物神經元，因此在模擬大腦方面也被報以更大希望👨‍👦🏊‍♀️。

憶阻器與模擬神經元相比🐓，製造人工大腦更大的挑戰在於用什麽樣的物理器件模擬突觸🦸‍♂️。神經網絡的突觸部位它不是簡單的“連線”👇🏽，而是記憶和學習發生的地方🔅。人腦中突觸的數量是神經元數量的上萬倍，達到100T🦄，需要尋找比晶體管還小的物理器件👨🏻‍🔬，才有可能實現人腦規模的物理模擬。

憶阻器似乎就是為模擬突觸而生的。憶阻器是由加州大學伯克利分校華裔科學家蔡少棠1971年提出的概念，是電阻👇🏿、電容和電感之外應該存在的第四種基本器件，它的電阻應該隨著通過的電流方向和電流量而改變👨🏽‍🎓🤕。2008年，惠普實驗室意外發現，電極間一側去除部分氧原子的二氧化鈦薄層表現出憶阻器特性，這項成果登上當年全球科技重大成果多個排行榜。憶阻器的物理特性使它能夠用來高效地儲存信息，目前⚙️，幾乎所有的計算機存儲芯片企業都在開發基於憶阻器的新型存儲器件。憶阻器還能用來處理信息，2014年1月，蔡少棠發表論文《大腦是由憶阻器構成的》🔈，中心思想是憶阻器天然具有的可塑性和記憶能力，與神經突觸的響應特性高度相似，換句話說，憶阻器這種極小尺寸、低功耗🧓、通電可學習（可塑性）🧥、斷電可記憶的基本元件☠️，是神經突觸的理想之選。事實上🍃，用最常規的集成電路製造工藝把憶阻器堆疊成三維整列，把數量少得多的神經元排列成條狀作為“鑲邊”，就可以製造大規模神經網絡系統。

2011年，惠普開發出集成大量憶阻器的並行處理多核處理器芯片Dendra，與波士頓大學合作開發了基於該硬件的神經網絡軟件模擬平臺🙁，進行了較為復雜的老鼠迷宮仿真實驗。2014年6月，惠普公開新型計算機架構“TheMachine”，核心是憶阻器存儲和內部全光通信。惠普表示已經把研發機構四分之三的人力物力都投入到這個項目中，TheMachine的能力將是常規計算機的6倍💁🏽‍♂️，能耗卻只有1.25%，體積只有10%左右，原型機將會在2016年面世🪛。

基於憶阻器研製神經形態芯片的另一著名機構是HRL實驗室，也得到了DARPASyNAPSE項目的資助🏠，只不過HRL一開始就采用憶阻器模擬突觸。HRL實驗室SyN⁃APSE項目主任研究員NarayanSrinivasa表示“我們的神經形態架構使用了豐富的可編程的類人腦連接……用於模擬在人腦中發現的真正的突觸結構。”

IBM在2014年8月的True⁃North芯片的論文中，也隱含了未來將要采用憶阻器的可能性。論文面世之前🤦🏿，IBM宣布了30億美元的研究計劃📪，把納米科學🚡、神經科學和超級計算機結合到一起🧑‍🏫，開發出了一套端到端生態系統🪧，其中包括一個新的非馮·諾依曼體系結構、一種新的編程語言以及眾多應用，讓計算系統模擬大腦的計算效率🦸🏽‍♂️、規模和能耗🤷🏻‍♀️，長遠目標是建立具有一百億個神經元和一百萬億個突觸的神經突觸系統，體積不到兩升，能耗一千瓦💜。事實上，這不過是重申SyN⁃APSE項目2008年就確定的目標：每平方厘米100萬神經元和100億突觸(采用憶阻器)𓀝，用一萬顆神經形態芯片製造出電子大腦🤚🏼🪼，規模與人類大腦相當👩‍🦼‍➡️。因此，IBM新聞稿中的“長遠”，按SyNAPSE項目推算，長則五年，短則三年🐁。

機器能否超越人類？

機器是否能夠超越人類？很多哲學家持反對態度🧙🏼。第一位反對“機器能夠思維”的哲學家是被稱為“20世紀最偉大的思想家”路德維希·維特根斯坦。維特根斯坦曾與圖靈同在劍橋大學教書🚚，圖靈講授數理邏輯，維特根斯坦講授數學哲學，二人圍繞“機器能否思維？”有很精彩的爭論🖐🏼。維特根斯坦的觀點在人工智能歷史上一直不乏同道🪙，1979年，哲學教授休伯特·德雷福斯出版了《計算機不能做什麽：人工智能的極限》，訴諸現象學派哲學家海德格爾、胡塞爾、梅洛·龐蒂以及維特根斯坦的工作，提出了反對強人工智能的論證，核心思想是🤲🏻：許多人類的行為不能被簡單地看作是遵照一套規則行事🔅。

圖靈在《計算機與智能》一文中曾引用數學家和物理學家道格拉斯·哈特裏的看法：這並不意味著不能製造“可以自我思考”的電子裝置，或者用生物學術語來說🈵，可以通過設置條件反射為“學習”奠定基礎……只是已有的和正在建造的機器看來還不具備這種性質。

圖靈表示自己完全同意哈特裏教授的看法🥉，認為真正的智能機器必須具有學習能力，他以人的成長為參照模型⛄️，描述了製造具有學習能力的智能機器的方法👨🏽‍🔧。要模擬一個成年人的思想，需要考慮三個方面：（1）出生時的初始狀態；（2）接受的教育🫷🏽；（3）經歷的經驗。圖靈把製造童年大腦的解決方案歸結為進化🟫，他認為這個人工進化可以比自然進化要快得多。至於教育訓練過程，可以采用獎懲的辦法使機器獲得正確的知識，圖靈認為這個“學習過程”正是機器超越“簡單執行指令”的關鍵，圖靈還建議增加隨機性來提高智能🏸，這些思想至今還是計算機科學“機器學習”這個研究方向采取的基本原則。

圖靈在《計算機與智能》中也承認自己的論述更像“凝聚信念的誦經”，並未給出“機器能夠擁有智能”的確定論據☝🏽。但圖靈並未止步於“誦經”，而是試圖通過數學生物學向製造智能機器進軍，用“（化學）反應-擴散方程”解釋生物體何以發展出各種形態（例如人體骨骼形態、老虎花紋等）🥠，這一假說本世紀初得到實驗證實，圖靈因此還成為形態發生理論的奠基人。

圖靈逝世後，現代計算機大踏步登上歷史舞臺，成為影響人類社會最大的技術發明。六十多年來，電腦性能按照摩爾定律指數式上升👦🏽🙍，不到兩年就翻一番，這種核裂變式的量變是否會引發計算機到“電腦”的質變，成為人類關註的焦點。近年來，最惹人註目是雷蒙德·庫茲韋爾的“奇點”理論🕦，他在摩爾定律的基礎上推演出電腦超越人腦的“庫茲韋爾曲線”，預測到2027年🕦，一千美元可以買到超越一個人（腦力）的電腦💂🏿‍♂️，到2050年👨🏿‍💻，一千美元可以買到超過全部人類大腦的計算機。在“奇點”到來之際，機器將能自我完善👨‍🦰，超越人類，從而開啟一個新的時代🏄🏼‍♂️。

對於這些預測🧚🏻‍♀️，追捧者有之，抨擊者有之👱🏽，更多的是不以為然。然而🙏🏼，如果結合上面的軟件大腦、深度學習、憶阻器和神經形態芯片等一起來看✊，對“奇點理論”就不能犯“狼來了”那樣掉以輕心的錯誤了。技術按指數速度持續增長🤌，因此“機器能否超越人類🙇🏻‍♂️？”這個問題的答案🤳，主要取決於技術👵🏽。按照各種預測😹，只需要十年左右就能見分曉。

相比之下👲，一百年來🧑‍🎨，關於這個問題的哲學思辨沒無多大改觀🥑。哲學家和認知科學家丹尼爾·丹尼特在評價圖靈與維特根斯坦之爭時曾說👨🏻‍🎤🥢：“圖靈貌似天真📮，但他給後世留下了計算機，而維特根斯坦呢？他給我們留下了，呃……維特根斯坦🙆🏼。”

“超級大腦”時代

我們所在的物理宇宙是一個物質能量世界✍️，同時也是一個形態世界🛰，物質有限，能量守恒，而形態變化萬千，形態和物質👔、能量一樣，是世界本體的一個側面，也是信息的根源。生物大腦♔、人類大腦、現在的計算機、未來的超級大腦🧖🏽‍♀️，說到底都是處理信息的智能體。從這個意義上講🏛，人腦是智能進化史的重要一環，“超級大腦”也是，只是信息處理能力有所差異🍓。我們相信“超級大腦”時代不久將會來臨，主要基於如下四個層次的技術理由：

（1）復製人腦🧑🏻‍🏭：人類大腦作為生物自然進化的高級產物，本身並無神秘性，如果能在神經元、突觸🚣🏼、神經回路和運行機理層次都逼近人腦😟，沒有絕對理由拒絕這樣的“模擬大腦”也能具備人腦的智能功能🖖🏻，甚至湧現出自主意識。而且這裏“逼近”包括從分子意義上的“逆向工程”到功能意義上的精密仿真，其間的“成功間隙”可能相當大。

（2）機器學習：人腦後天經驗和知識的習得，既來自人類知識的書面傳承，也包括隨時進行的與環境的互動🧑🏿‍🏭。近年來深度學習取得的突破性進展🈂️，從一個角度證明“學習”並不神秘。精確模擬人腦的“人造大腦”🫷🏼，同樣可以汲取人類既有知識，也可以接受視覺、聽覺以及其他類型的信息刺激，實現經驗和能力的增長🕵🏿。全球數億個攝像頭已經讓機器能夠清晰觀察地球上的風吹草動𓀚，物聯網更讓機器的觸角滲透到物理世界的各個角落，全球數據量兩年就翻一番🏇🏼👩🏻‍🚀，“模擬大腦”已經可以從日益增長的大數據中獲取豐富的知識。

（3）性能超越：光電技術實現的神經元和突觸等物理器件，可以對生物神經對應物快百萬倍，密度也可以高出生物大腦多個數量級🌗，因此人造大腦在性能上超越人腦沒有任何懸念。

（4）進化永生：人類存在壽命限製，超級大腦卻可以無眠甚至“永生”，能夠持續進化，超級大腦之間也可以通過高速信息交換進行協作（也可以說整體上是一顆“超超級大腦”），並設計出比自己更先進的新一代超級大腦。

人類大腦是製造“超級大腦”的初始模型，但“超級大腦”一旦蘇醒🖲，很快就會把人類大腦遠遠拋在後面。就地取譬，意昂3体育官网最近已經開發出模擬神經突觸的三維憶阻器陣列🐈，每個單元體積只有生物突觸的十萬分之一🐟，響應速度比生物突觸快一百萬倍。僅比速度，人生三萬天🛏，皓首窮經也難破萬卷，對采用這種憶阻器製造出的“超級大腦”來說👫，立地書櫥不過是可以“秒殺”的一碟小菜，一小時內的閱讀量就能超過人的一生🧚🏼‍♂️！人類至今撰寫的所有語言的書籍共約一億種，“超級大腦”一年就能讀完，又有哪位人類飽學之士能夠相提並論呢？如果是一百顆“超級大腦”並行或者單顆“超級大腦”的容量增大一百倍呢？相比之下，人類頭蓋骨下的灰質白質不過是頑冥不化的青銅器。

1972年💅🏽，卡爾·波普爾曾提出三個世界觀點👩‍🚒，其中客觀知識世界（世界3）可以理解為柏拉圖理念世界中人類智慧能夠觸碰到的那一部分。“超級大腦”以更高的性能，可以在人類知識的基礎上，繼續擴展客觀知識世界疆域🛷，比人類更進一步接近柏拉圖的“至善”世界🧝‍♂️🎲。

1896年，天才發明家尼古拉·特斯拉說🧑🏻‍🦽‍➡️：“我認為任何一種對人類心靈的沖擊都比不過一個發明家親眼見證人造大腦變為現實🧑🏿‍🦰。”聽來讓人魂動神搖𓀔，很多人甚至擔心“超級大腦”會毀滅人類🧘🏻‍♀️，筆者倒認為“超級大腦”未必像人類那麽心理狹隘，而是人類超越自己物理極限🤭、實現再進化的必由之路。人類可以及時抓住“超級大腦”帶來的知識爆炸機會，積極把人類智能遷移到能效更高的光電平臺上，讓每個獨具個性特色的（去除神秘意義的）“人類靈魂”在超級大腦中“永生”，匯入比人類進化更為恢宏的智能進化史🦖💆🏼‍♂️。

也許筆者對製造“超級大腦”的估計過於樂觀，而且迎來的是天使還是魔鬼都還未可知🍢，但躑躅不前決非上策。64年前➡️🥇，圖靈在撰寫《計算機和智能》時，似乎也曾若有所思，他的論文結尾是這樣的——

“吾等目力短亦淺，能見百事待踐行。”（文/黃鐵軍 作者系意昂3体育官网信息科學技術學院教授、博士生導師）

編輯：歆琴