15大機構十年研究理論證明：無約束AI必然超越人類，創造能力也更強！

最近，一篇研究文章從數學理論上證實了AI模型可以完全模擬神經元和突觸的信號，在更強算法、更大算力的加持下，可以精確模擬大腦及其功能系統，在無約束的情況下未來AI百分之一百會超越人類智能，甚至發明創造能力也是如此。

人工智能領域已經發展了70年，從小數據驗證，到大規模基準，再發展到現在，幾乎每天都有新突破，不只是在簡單問題上超越普通人類水準，在最難的問題上也能和頂尖人類掰掰手腕了。

但還有一個自人工智能誕生以來就一直廣為討論、看是無解的關鍵問題，各方業內人士仍然爭辯不休：如果沒有適當的限制和治理，人工智能在未來是否會發展到超越人類智能？

最近，來自東南大學、哈佛醫學院、新加坡國立大學、新加坡南洋理工大學、新加坡國立腦科學研究院、清華大學、中山大學等多達15個頂尖機構的研究人員聯合發表了一篇論文，在理論上證明了AI超越人類的可能性，即通過結合神經科學中的新型AI技術，可以創建出一個新的AI智能體，能夠在細胞層面上精確模擬大腦及其功能系統（例如感知和認知功能），並且預期誤差極小。

也就是說，沒有限制的人工智能最終必然（probability one）超越人類智能。

論文鏈接：

https://www.sciencedirect.com/science/article/pii/S0925231224018241

類似數學和物理的區別一樣，在不對AI技術施加限制的情況下，必然會分化出一個新學科，發展出不同的系統和原理。

研究人員估計，這篇論文將開啟多個全新的研究方向，包括：

1. 在神經科學的動態分析、大腦功能分析和腦疾病解決方案中，使用AI智能體和其他AI技術進行細胞層面的高效分析；

2. 建立一個新的全球合作計劃，讓跨學科團隊同時使用AI技術研究和模擬不同類型的神經元和突觸，以及大腦不同層級的功能子系統；

3. 在基礎神經科學屬性的幫助下，開發低能耗的AI技術；

4. 開發新的可控、可解釋且安全的AI技術，這些技術具有推理能力，能夠發現自然界的原理。

宏觀與微觀的人腦

人腦，可以說是全宇宙最複雜的系統之一，可以處理和解釋各種感覺信號，包括視覺、聽覺、溫度等，並通過學習、記憶、推理、思考和情緒調節來管理認知識別，以控制人體的所有調節功能。

人類的大腦中包含數百種不同類型的生物神經元，通過大量突觸進行生物連接：

1. 人腦中的生物神經元數量雖然數量很多，但仍然是有限的，比如成年人平均有大約860億個神經元，其中160億個神經元在大腦皮層中。

2. 突觸是神經元在大腦中相互連接和交流的連接點，大腦中的突觸數量也是有限的。每個神經元包含幾個到幾十萬個突觸連接，用於與「自身」或「跨越大腦各個區域」的鄰近神經元或神經元連接。

3. 神經元和突觸的數量是衡量人類智能的關鍵參數。

在宏觀層面，大腦可以看作是由數百億神經元和數萬億突觸組成的複雜系統，整體具有反饋功能。

在微觀層面，神經元和突觸的表徵可以通過數學建模和分子行為（molecular behaviors）來解釋，現有方法主要從神經科學動力學（neuroscience dynamics）的角度對不同類型的神經元和突觸進行研究。

通用、統一的神經元數學表徵

大腦中的不同系統層次是非線性和動態的，如果同時考慮微觀和宏觀進行數學建模，幾乎有無限的可能性和功能，也就無法對大腦進行簡潔的分析；但如果分開考慮，對不同類型神經元估計不準確，就會導致數學模型與大腦功能之間的累積誤差無法控制。

研究人員選擇關注「基本神經元和突觸」和「細胞層面」的AI技術，同時考慮了「大腦構建模塊」的四個基本屬性：

1. 大腦的基本信號和通信功能主要由「生物神經元」和「生物突觸」驅動；

2. 神經元和突觸都向其他神經元單向傳遞信號；

3. 生物神經元和生物突觸依次交替連接；

4. 神經元遵循「全有或全無定律」：如果一個神經元響應，就必須完全響應。

想要對數百種「神經元」進行通用、統一的數學表示，就不能考慮不同的尖峰表示和神經元動態機制的基本功能，研究人員採用一種新的「AI孿生」（AI twin）方法，利用人工智能模型來表示單個神經元和突觸，模型無需瞭解神經元和突觸中電信號傳導的細節以及相關的數學建模和單個神經元和突觸中的分子行為。

從生物特性上來看，神經元和突觸的功能可以看作是分段連續的，其生物反應對接收信號是相當平滑的，可以分為三個分段連續函數：

1. 儘管神經元的信息編碼仍然是未知的，但信息編碼機制和相關的尖峰概率可以看作是一個分段連續的函數

2. 時間延遲變量遵循某個分段連續機制

3. 如果與概率函數一起考慮，神經元的信號傳輸函數是分段連續的

從本質上講，單個神經元能否被激發到發射狀態取決於通過其樹突樹接收的整合輸入信號。也就是說，神經元樹突的輸入信號與軸突末梢的輸出信號之間的輸入-輸出關係函數，是一個動作電位函數和軸突機制的復合函數，是非線性的分段函數，包括神經元接收的所有興奮性和抑製性信號。

假設一個生物神經元L在其樹突樹中有輸入信號xL，其突觸前末梢的輸出信號是

其中AL(x)代表神經元樹突的輸入信號與軸突末梢的輸出信號之間的信號傳輸函數，包括膜電位和通道狀態之間的概率和時間延遲，並且也是分段連續的。

與神經元的動作電位一樣，第P個突觸的神經遞質傳遞關係，即神經元軸突末端的突觸前末梢與下一個連接神經元的突觸後末梢之間的關係Sp(x)，也是（分段）連續的。

人腦可以看作是由兩個基本元素的函數（AL，SP）組成，即單個神經元的信號傳輸關係AL在樹突樹與其軸突末梢之間，相應突觸內的神經遞質傳遞關係SP，其中L的範圍從1到860億。

對比大腦，從架構的角度來看，大腦由兩個基本元素組成：神經元和突觸。

從理論的角度來看，大腦系統是兩個基本分段連續函數的復合組合：單個神經元的信號傳輸關係，控制著其樹突接收的輸入信號與從其軸突末梢發送的輸出信號之間的信號傳輸AL，以及相應突觸內的神經遞質傳遞關係SP。

自下而上：大腦與AI的結合

神經元在生理區域進行集成，並在大腦中產生功能屬性和狀態，包括學習、記憶、推理、思考、感覺、情緒、視覺、聽覺等在內的人類大腦系統，即，由神經元的信號傳遞關係AL(x)及其對應突觸內的神經傳遞關係SP(x)的有限數量的連續組合構成。

也就是說，自下而上地看，人類大腦可以看作是由神經元和突觸的層（layer）和組（group）構成的結構，每一層和組都建立在其他的層和組之上。

與通常採用的生物神經元的尖峰（spiking）表示和神經元動力學機制不同，可以利用AI技術的學習與建模能力（而不是數學建模方法）來近似神經元，而不需要瞭解具體的生物特性。

AI近似單個神經元和單個突觸

眾所周知，如果單隱藏層前饋網絡（SLFN）的隱藏節點激活函數是有界非恒定連續的，那麼任何目標連續函數f都可以被SLFN近似，誤差δ可以任意小。

因此，給定任意單個神經元的信號傳遞關係AL(x)，其樹突樹和軸突的突觸前末梢之間，存在一個人工神經網絡可以近似該函數，誤差可以任意小。

同樣，給定任意相應突觸內的神經遞質傳遞關係SP(x)，存在一個人工神經網絡可以通用地近似SP(x)，誤差可以任意小。

在實現時，可以使用各種架構模型，包括但不限於全連接前饋網絡、卷積神經網絡、變換器、極限學習機（ELMs）等。

AI近似大腦及子系統的學習能力

神經元遵循「全有或全無定律」（all-or-none law），如果一個神經元響應，它必須完全響應；突觸的功能可以被看作是全有或全無的平滑：

1. 突觸的非線性函數可能沒有統一的值；

2. 大腦的片段/區域層面的函數和系統通常不是統一的；

3. 單個生物神經元的發射和抑製週期是有限的。因此，對於任何合理的持續時間，神經元中可能沒有無限數量的振盪/尖峰和突觸中的信號傳遞，單個神經元和突觸的非線性函數是分段連續的；

4. 神經元可能通過膜電位的變化（分級電位）進行通信，電位更接近「模擬」信號而不是「離散」尖峰。

在這種情況下，神經元的表現可以看作是數學上「全有或全無平滑函數」（all-ornone smoothness function）的一個特例：

1. 如果一個生物神經元在接收到其樹突樹的信號後響應，則必須完全響應；

2. 生理上，如果一個神經元被激發，其軸突將總是產生一個統一幅度的電衝動，其高度無論刺激的強度或持續時間如何都保持不變。神經元軸突要麼完全傳遞最大響應穿過突觸到下一個神經元，要麼一點都不傳遞。

3. 全有或全無平滑函數不僅包括在大腦神經元中觀察到的心理全有或全無定律，還包括突觸中的分段連續函數。

大腦全有或全無平滑保持的一般定理（All-or-None Smoothness Preservation）

假設所有函數f, f1, f2, …, fk都是全有或全無平滑分段連續的，那麼f(f1, f2, …, fk)是全有或全無平滑分段連續的，因此，由順序鏈接的神經元和突觸構成的人類大腦及其任何構成區域都是全有或全無平滑分段連續的。

大腦由AI孿生表示的一般定理（Brain-AI Representation）

給定任何（子）系統和大腦區域的函數f，以及順序鏈接的神經元和突觸，以及任意正值δ，存在一個模型使得

神經元的連接和電路很像，雖然每個電路元件都具有不同的屬性，並且輸入輸出都依賴於其他與之相連的其他元件，但每個元件都可以單獨拿出來進行分析，設計者可以在不考慮整體電路功能的情況下，對任意元件進行替換。

與抽像的數學系統不同，大腦作為一個物理系統，其不同功能是由一系列物理連接的生物神經元和突觸（包括電突觸、體積傳輸和電子耦合等）產生的，理論上大腦表示的一般定理適用於所有由大腦中順序連接的神經元和突觸構建的功能。

因此，理論上，文中提出的基於自下而上的AI孿生方法，也能夠具有類似大腦的能力，而不需要識別和理解大腦中由生物神經元和突觸順序表示時產生的所有「不同類型」的功能。

沒有限制，AI必然超越人類智能

根據上面這些理論，可以看出，對於任何給定的單個神經元和突觸，都存在能夠通用近似的AI模型；通過自下而上的解決方案，可以利用組合來近似大腦及其順序鏈接的區域/子系統，預期誤差很小。

如果沒有適當的限制和治理，最終AI模型必然超越人類大腦的智能。

下面是研究人員總結出的「促使AI指數級增長」的部分關鍵因素，也是需要保障AI安全的有效措施。

3. 計算能力：理論上，世界上可以連接和集成無限數量的計算芯片、傳感器、設備和服務器（通過實驗室、組織、地區、國家等），肯定遠遠超過單個大腦的神經元數量。

4. 智能材料：AI技術也可以由包括但不限於神經形態、光子學、憶阻器、相變材料、納米材料等在內的廣泛類型的智能材料實現和支援，實現更高的性能、能效。

5. AI智能體：可以在芯片、傳感器、設備、機器人、流程、系統、雲等多端進行部署，未來可能遠超人口數量。

6. 知識交換和繼承：每一代人類通常需要20年或更長時間才能從祖輩那裡繼承部分能力，通過各種社會活動以不同的方式共享和交換知識，而AI可以時刻持續更新知識。

腦疾病或可攻克

和大腦一樣，文中提出的AI孿生同樣能夠提供相當多的功能，並且能夠提供針對大腦個別神經元、突觸或大腦小區域提供替代解決方案，前提是解決倫理問題。

在理想情況下，如果某個人的大腦部分區域發生損害，研究人員可以設計一個細胞級納米（甚至更小）尺寸的人工智能芯片，從神經元和突觸開始，自下而上地幫助恢復或模仿生理功能。

理解神經元層面的詳細結構信息對於未來實現「人工智能神經元替代療法」至關重要，主要取決於在細胞層面準確測量功能的增益和損失。

如果可以在神經層面對大腦結構進行掃瞄，類似於MRI或CT，識別出受損或病變的神經元區域，才能進一步考慮開發AI組件進行替換，未來可以考慮使用智能材料和計算節點在神經元、突觸和蛋白質層面檢測或識別「功能增強」或「功能喪失」的信號。

作者介紹

第一作者黃廣斌教授是東南大學首席教授、新加坡南洋理工大學電氣與電子工程學院終身教授。

他在2004年提出了極限學習機（ELM）算法，為傳統神經網絡提供理論支援，學習速度比深度學習快上萬倍，被廣泛應用於多個領域。

此外，他的2篇AI學術文章在2017年被Google學術列為世界上「過去10年經過時間驗證的Top10人工智能經典文章」中分列Top 2和Top 7。

他提出的AI理論最近也得到了生物和腦神經學的直接生物驗證，彌補了機器學習和腦學習機制之間的空白，解決了計算機之父馮·諾依曼60年前的關於人腦和計算機結構和能力的困惑。

他提出的AI理論和算法被廣泛應用於電力、能源、太空、控制、低功耗AI芯片光子芯片等領域以及被美國太空總署NASA、IBM等應用。

2014年起連續9年被湯申路透評為「高被引用研究者」及「世界最有影響力的科學精英」，位列斯坦福大學2021年Top 2%世界科學家新加坡南洋理工大學中的第一名。

論文的其他合作者包括哈佛醫學院的睡眠中心主任、新加坡國立腦科學研究院副院長、新加坡國立大學杜克醫學院副院長、清華大學高級副教務長、清華醫學創始院長、清華大學AI產業研究院院長/字節跳動（抖音）聯合創始人、南洋理工大學協理副校長、新加坡AI安全研究院院長、香港嶺南大學副校長/IEEE CIS President等。

（來源：新智元）