盡管現代人工智能 （AI） 取得了越來越多的成功，但生物智能在許多認知任務中仍然無與倫比，而且能效高出幾個數量級。同時，一些腦部疾病可以被視爲大腦計算疾病，未來要求人類有能力操縱和修複這些計算。因此，理解大腦的計算能解決現代社會的兩大需求——能效和心理健康——但事實證明，實現這一目標具有非常大的挑戰性。

這一挑戰的核心是如何實現神經計算

有些研究團隊采用自上而下的方法，研究設計具有一定大腦邏輯的算法，如人工神經網絡（ANN），有些采用自下而上的方法，將智能硬件設計成模擬大腦的物理特性。

例如，近年來，人工神經網絡和其他人工智能方法（在實現中主要是線性代數）已經表明，大腦的許多特征可以成功地整合到傳統的算法框架中。而人工神經網絡（ANN）是描述大腦計算的富有成效的框架，特別是在感覺系統中。

自下而上的神經計算方法在不同的方向上取得了進展，神經形態硬件的研究方法是通過模擬生物大腦的物理特性，優先考慮能效，包括脈沖通信、模擬計算、內存處理和局部學習。

然而，依然讓人頭疼的是，神經生物學的許多方面尚未在人工智能算法或神經形態硬件中得到完全實現。

神經科學重點關注的領域是包括跨各種時空尺度的學習、無處不在的隨機性應對、神經元類型和參數的多樣性和異質性、神經調控以及發育。

而今天的神經形態硬件很少考慮這種複雜性，因爲沒有利用它的算法，而當前算法同樣沒有利用這種複雜性，因爲它在當下硬件的效率低下。

我們從神經科學中了解到，其中許多特征對于理解人類認知和疾病至關重要。例如，血清素和去甲腎上腺素等神經調節激素是大腦靈活性和學習的關鍵，也是許多精神疾病的基礎，但從神經計算的角度來看，在很大程度上仍未被探索。

讓人欣慰的是，理論計算機科學爲我們提供了幫助解決這種不確定性的工具。

闡明不同計算方法之間的區別是計算複雜性理論的基礎，它廣泛地試圖理解不同的計算模型的功能和局限性。複雜性理論中一些最著名的結果源于意識到看似不同的計算模型能夠解決完全相同的問題。

幾十年來，人們仍在發現對計算基本模型的意想不到的表征。例如，圖靈機在多項式時間內可求解的問題可以用某些常微分方程的解來表征。這種計算角度的多樣性很重要，因爲它批判性地塑造了問題的表達方式和解決方式。

通過這種觀點，值得退一步看，確定一下神經計算的正確計算模型到底是什麽。雖然今天的大規模脈沖平台在微不足道的意義上是圖靈完備的，但神經形態硬件中強調的自下而上的特征與人工智能中使用的自上而下的算法之間存在著明顯的差異（圖1）。

這種脫節表明，通用的圖靈計算模型可能不適合描述大腦物理結構中出現的認知功能。雖然關于神經形態硬件是否比傳統硬件更具優勢的爭論仍在繼續，但一個更有成效的目標是確定一個有效的神經計算抽象模型。這樣一個抽象模型將使我們能夠分析使用生物學新特征擴展神經形態方法的潛在優勢，並且一個有用的模型將使我們能夠設計出有效編程模型。

圖1：不同的學科對大腦有不同的看法。

就像盲人摸象的寓言一樣，不同的研究群體（以神經元爲例）通常只看到他們期望在大腦中看到的東西。計算機科學家（綠色神經元）的觀點可能偏向于具有既定效用的神經網絡，物理學家（紅色神經元）可能會尋找已被證明對其他問題極有用的能量過程，而神經科學家（藍色神經元）可能旨在描述神經回路中令人難以置信的複雜生物學。

追求一個共同的理論框架，將自上而下和自下而上的計算觀點聯系起來，同時允許納入生物學的現實中，這對于進一步理解我們的大腦至關重要。

爲神經形態計算設計計算模型存在許多挑戰和陷阱

需要解決模擬計算問題，但可能無意中引入其他不可計算問題的能力。然而，神經形態計算模型的設計者可以從成功的連續計算模型中汲取靈感。

神經形態計算也是大規模並行的，並且使用異步通信（即沒有全局時鍾），因此直接與不考慮通信成本的傳統算法進行比較可能是不公平的。因此，神經形態計算與傳統計算的比較需要公平和嚴格，使用每單位能量或空間的計算等指標很有必要。

長期以來一直在爭論，是應該用算法計算還是強調物理計算來處理大腦激發的計算。

2023年，荷蘭格羅甯根大學伯努利研究所Jaeger及其同事提出了一種可供選擇的框架【Fluent Computing模型（這個命名靈感來源于艾薩克·牛頓（Isaac Newton）在他關于微積分的（拉丁）論文中將連續變化的量稱爲“fluentes”）】。Fluent Computing方法結合了可組合性（即從更簡單的算法中構建更複雜的應用程序的能力）和神經系統的物理描述的約束，可以實現傳統算法設計中預期的可組合性。自下而上的神經形態計算視角如何與其他算法視角聯系需要進一步研究。

退一步說，考察圖靈計算模型能否作爲描述神經計算的最有效模型，爲整個神經科學領域提出了一個更基本的問題。

在我們幾十年來一直試圖通過圖靈計算和馮·諾依曼架構的視角來明確或隱含地描述大腦之後，也許值得一問的是，我們是否已經忽視了是什麽讓大腦變得特別。

也許我們在不知不覺中提取了理解認知和智力所需的東西，並且也在這個過程中無意中給自己戴上了手铐，一直束縛自己追求大腦的高效計算和改善健康。

“大腦使用算法嗎？”這不是一個正確的問題。正確的問題是，“我們是否能夠理解什麽是神經算法？”

參考文獻：

Rolls， E. T.， Loh， M.， Deco， G. & Winterer， G. 前額葉皮層中精神分裂症和多巴胺調節的計算模型。Nat. Rev. 神經科學。 9， 696–709 （2008）.

Aimone， J. B. & Weick， J. P. 神經系統疾病細胞置換計算建模的前景。前面。計算。神經科學。 7， 150 （2013）.

Richards， BA 等人。神經科學的深度學習框架。國家神經科學。 22， 1761–1770 （2019）.

胡克，S.硬件彩票。公社。ACM 64， 58–65 （2021）。

Zador， A. 等人。通過神經人工智能催化下一代人工智能。Nat. Commun. 14， 1597 （2023）.

Schuman， C. D. 等人。神經形態計算算法和應用的機會。Nat. Comput. Sci. 2， 10–19 （2022）.

Aimone， J. B. 超越摩爾定律的神經算法和計算。公社。ACM 62， 110 （2019）。

Moncrieff， J. 等人。抑郁症的血清素理論：對證據的系統總括性評價。精神病學，1-14 （2022） https://www.nature.com/articles/s41380-022-01661-0。

Arora， S. & Barak， B. Computational Complexity： A Modern Approach （劍橋大學出版社，2009年）。

Bournez， O.， Graça， D. S. & Pouly， A. 多項式時間對應于多項式長度的多項式常微分方程的解。J. ACM 64， 1–76 （2017）。

Bournez， O. & Pouly， A.關于模擬計算模型的調查。在《分析中的可計算性和複雜性手冊》173-226（Springer，2021 年）中。

Aimone， J. B. 等人。使用脈沖神經計算進行動態規劃。在神經形態系統國際會議 （ICONS '19） 的論文集。1–9（計算機協會，紐約，紐約，2019 年）。

Jaeger， H.， Noheda， B. & van der Wiel， W. G. 邁向由物理學提供的任何物理學制成的計算機的形式理論。Nat. Commun. https://doi.org/10.1038/s41467-023-40533-1（2023 年）。

馮·諾依曼（Von Neumann， J.）和庫茲韋爾（Kurzweil），R.《計算機與大腦》（耶魯大學出版社，2012年）。

Papadimitriou， C. H.， Vempala， S. S.， Mitropolsky， D.， Collins， M. & Maass， W. 神經元組裝的大腦計算。美國國家科學院院刊 117， 14464–14472 （2020）.

Kleyko， D. 等人。矢量符號架構作爲新興硬件的計算框架。IEEE 110， 1538–1571 （2022） 論文集。

Aimone, J.B., Parekh, O.大腦對算法的獨特看法。Nat Commun14， 4910 （2023）。​