人工大脑是Artificial intelligence中的一个宽泛概念，指旨在模拟生物大脑结构、功能或行为的计算系统。该术语既用作长期研究目标，也用作对受神经科学启发的某些Neural network架构的描述性标签。人工大脑的典型特征是拥有大量相互连接的处理器单元，通常按层组织，通过Machine learning技术从数据中学习。尽管尚无系统能完全复制人脑的复杂性，但Deep learning和Large language model的进展已使这一愿景的某些方面更接近实际实现。
这一概念源于早期控制论以及20世纪50年代和60年代感知机的发展。Bernard Widrow等研究者为自适应线性元件奠定了开创性工作，而后来Backpropagation和Convolutional neural network（此处未链接）的发展则使更深的架构成为可能。“人工大脑”一词在公众讨论中常被用来描述前沿AI系统，但在学术语境中，它更精确地指代对感知、记忆和决策等认知过程进行建模的努力。
历史发展
构建人工大脑的想法可追溯至计算技术早期。1943年，沃伦·麦卡洛克和沃尔特·皮茨提出了神经元的数学模型，为Neural network研究奠定了基础。1958年，弗兰克·罗森布拉特引入了感知机，这是一种简单的模式识别设备，引发了相当大的热情。然而，1969年马文·明斯基和西摩·帕珀特指出的局限性导致资金减少，这一时期有时被称为“AI寒冬”。20世纪80年代，随着反向传播方法的普及，兴趣重新燃起，该方法用于训练多层网络，由David Rumelhart（未链接）和Geoffrey Hinton（未链接）等多位研究者独立开发。
在2010年代，大数据集、强大GPU以及Batch Normalization和Residual Network (ResNet)等算法创新的结合，使得训练非常深的网络成为可能。这一时期在图像识别、语音处理和游戏对弈方面取得了突破。到2020年代，基于Transformer (architecture)的模型成为Large language model的主导架构，该架构由jakub-uszkoreit、Lukasz Kaiser和Niki Parmar在2017年论文《Attention Is All You Need》中提出，催生了OpenAI的GPT系列和Anthropic的Claude等系统。
神经形态工程
构建人工大脑的一种方法是神经形态工程，旨在设计模仿生物神经元和突触物理结构的计算机芯片。Intel和ibm（未链接）等公司开发了神经形态处理器，包括Intel的Loihi和IBM的TrueNorth。这些芯片使用脉冲神经网络，其中神经元通过离散脉冲进行通信，可能比传统硬件具有更高的能效。然而，截至2020年代中期，神经形态系统在很大程度上仍处于实验阶段，尚未取得基于GPU的深度学习那样的商业成功。
认知架构
另一条研究路线聚焦于认知架构，试图模拟人类认知的整体结构，包括感知、记忆、推理和学习。著名例子包括在Carnegie Mellon University等机构开发的SOAR和ACT-R。这些系统通常将符号推理与神经组件相结合，旨在实现混合方法。Joshua Tenenbaum和Brendan Lake等研究者主张构建像人类一样学习的机器，强调因果推理和直觉物理，这与许多深度学习系统的统计模式匹配形成对比。
作为人工大脑的大语言模型
在2020年代，Large language model（LLM）已成为公众想象中最突出的“人工大脑”候选者。这些模型基于Transformer (architecture)架构，在大量文本数据上训练，能够执行从翻译到编程的广泛任务。关键创新包括Multi-Head Attention、Positional Encoding和Layer Normalization，使模型能够高效处理序列。OpenAI、Anthropic和Google DeepMind等公司开发了规模越来越大的模型，训练过程需要数千个专用处理器。例如，OpenAI于2020年发布的GPT-3拥有1750亿个参数，后续模型规模更大。
然而，LLM并非生物学意义上的大脑。它们缺乏持久记忆、持续学习以及与世界的具身交互。Melanie Mitchell等研究者认为，这些系统并不真正理解语言或世界，其表面能力可能很脆弱。解决这些局限性的努力包括Reinforcement Learning from AI Feedback (RLAIF)（基于AI反馈的强化学习）和Curriculum Learning等技术，以及整合外部记忆和工具使用的尝试。
硬件与基础设施
构建和运行人工大脑规模的模型需要巨大的计算资源。大型模型的训练通常在GPU集群或专用加速器上进行。NVIDIA（未链接）等公司主导市场，但也出现了替代方案，包括Amazon Web Services的AWS Trainium、Google Cloud的TPU以及Groq的语言处理单元。Graphcore开发了智能处理单元（IPU），SambaNova提供可重构数据流架构。这些系统通常部署在云数据中心，Microsoft Azure和Oracle Cloud Infrastructure也提供AI基础设施。
训练大型模型的能源和成本十分可观。据估计，训练GPT-3这样的模型消耗了数吉瓦时的电力，更大的模型需要更多。这推动了更高效训练方法的研究，如Model Pruning和Data Augmentation，以及AMD的MI系列和Intel的Gaudi加速器等硬件创新。TSMC和Samsung Electronics制造这些系统中使用的先进芯片，而Arm Holdings为边缘设备提供处理器设计。
伦理与哲学意涵
人工大脑的前景引发了深刻的伦理和哲学问题。如果机器达到类似人类的意识，它将拥有道德地位和权利。哲学家和AI研究者争论当前系统是有意识的还是仅仅模拟意识。david-chalmers（未链接）讨论了意识的“难题”，而Melanie Mitchell则撰文论述将AI拟人化的危险。此外，人们还担忧能够生成逼真文本、图像和视频的AI系统对社会的影响，导致虚假信息和就业替代等问题。
OpenAI和Anthropic等组织已建立安全团队并发布负责任AI开发的指南。政府和监管机构也开始处理这些问题，欧盟提议的《人工智能法案》将对高风险AI系统施加要求。BAIR (Berkeley AI Research)小组和Stanford AI Lab是研究这些挑战的学术中心之一。
未来方向
人工大脑研究持续演进。一些科学家认为，扩大当前模型的规模将带来涌现能力，而另一些人则认为需要根本性的新架构。Deep learning先驱如Yann LeCun（未链接）提出了transformer的替代方案，如基于能量的模型。Joshua Tenenbaum和Brendan Lake倡导将神经网络与符号推理相结合的“神经-符号”方法。此外，人们也对spiking neural network（未链接）和神经形态计算作为更接近大脑的替代方案感兴趣。
在短期内，重点是使AI系统更可靠、可解释并与人类价值观对齐。RLHF（未链接）和Reinforcement Learning from AI Feedback (RLAIF)等技术用于微调模型以遵循指令并避免有害输出。Model Pruning和Quantization（未链接）用于提高模型部署效率。截至2025年，尚无人工大脑达到与人类相当的一般智能，但进展速度表明，这一概念在可预见的未来仍将是AI研究的核心。
参见
- 人工智能
- 神经网络
- 深度学习
- 大语言模型
- Transformer
- 神经形态计算（未链接）