蜻蜓在进化过程中生成了一个快速、高效的小型神经网络。为什么不模仿它设计导弹防御系统呢？
人类的大脑中有860亿个神经元在并行处理来自感官和记忆的输入信息，产生许多人类特有的认知。其他生物的大脑能力一般较低，但这些动物往往对特定任务表现出天生的能力，这种能力是经过数百万年的进化磨练而成的。
我们大多数人都见过动物做一些很聪明的事情。也许你的宠物就是一个逃脱大师；也许你住在鸟类或蝴蝶的迁徙路线附近，喜迎它们每年的回归；亦或你对蚂蚁那种专注于入侵食品储藏室的行为感到惊奇。
(资料图片仅供参考)
将这种特殊的神经系统作为人工智能的模型可能至少与研究人脑一样有价值。以蚂蚁的大脑为例，每只蚂蚁的大脑大约有25万个神经元。大一些的昆虫有近100万个。我在位于美国阿尔伯克基的桑迪亚国家实验室研究一种较大昆虫——蜻蜓的大脑。我和桑迪亚国家安全实验室的同事希望利用这些昆虫的特殊能力，设计和优化能够拦截来袭导弹或追踪气味烟羽的计算系统。我们希望利用蜻蜓神经系统的速度、简洁和高效，设计出以速度更快、能耗只有传统系统几分之一的计算机来执行这些功能。
以蜻蜓作为未来计算机系统的先驱可能看起来不太符合常理。 人工智能和机器学习取得的有影响力的进展一般都是模仿甚至超越人类智能的算法。在某些特定的任务中，神经网络表现已经不逊于人类，比如在医学扫描中检测癌症。这些神经网络的潜力远远超出了视觉处理。计算机程序“阿尔法元”（AlphaZero）是世界上最好的围棋选手，它是通过自我对弈训练出来的。它的人工智能兄弟“阿尔法星”（Alpha- Star）则在《星际争霸2》玩家中名列前茅。
然而，取得这样的成就是要付出代价的。开发这些复杂的系统需要大量的处理能力，通常只有精英机构才拥有那些最快的超级计算机和配套资源。而且其能耗成本也不容乐观。最新的估计表明，开发和训练一种自然语言处理算法所产生的碳排放量比4辆汽车在其使用寿命内产生的碳排放量还要多。
但是，人工神经网络真的需要大且复杂才能有用吗？我相信并非如此。为了在短期内获取神经仿生计算机的收益，我们必须在简单和复杂之间取得平衡。
这让我把目光放回到了蜻蜓，这种动物的大脑可以为某些应用提供恰到好处的平衡。
如果你曾遇到过蜻蜓，那么你就知道这些美丽生物的飞行速度有多快，你也见过它们在空中有多么敏捷。也许不经意的观察难以看出它们出色的猎捕能力：蜻蜓捕获猎物的成功率超过95%，一天能吃掉几千只蚊子。
蜻蜓超凡的身体当然也不能忽视。几十年来，美国各机构一直在试验仿生蜻蜓无人侦察机。现在是时候把注意力转向控制这种小型狩猎机器的大脑了。
虽然蜻蜓可能不会玩围棋这样的策略游戏， 但为了拦截晚餐，它会瞄准猎物当前位置的前方，这确实展现出了一种策略能力。这需要执行非常快的计算——蜻蜓通常只需要50毫秒就能开始转向，对猎物的动作做出反应。与此同时，它会调整头部和身体之间的角度，这样它就知道哪只翅膀该更快地振动，从而转到猎物前方。它还会跟踪调整自己的运动，因为当蜻蜓转向时，猎物似乎也将动起来。
单个神经元统合全部输入所需要的时间（称为膜时间常数）通常超过10毫秒，可想而知蜻蜓的大脑要完成的是一个多么卓越的壮举。如果把眼睛处理视觉信息和肌肉产生运动所需力的时间也考虑在内，这些时间可能只够三四层神经元依次将输入统合起来并传递信息。
我能建立一个像蜻蜓拦截系统那样的神经网络吗？ 我还想知道这种仿生神经系统的用途。 我在桑迪亚国家实验室立刻考虑到了国防应用，比如导弹防御，设想未来的导弹机载系统在不影响导弹的重量或功耗的条件下，能够快速计算拦截轨道。 除此以外还有民用应用。
比如，控制自动驾驶汽车的算法可能会变得更加高效，不再需要一大堆计算设备。如果蜻蜓仿生系统能够计算和绘制出拦截轨道，或许自主无人机也可以利用它来避免碰撞。如果计算机能做成蜻蜓大脑那么大（约6立方毫米），那么，驱虫剂和蚊帐有朝一日也将成为历史，取而代之的是微型杀虫无人机！
为了开始回答这些问题， 我创建了一个简单的神经网络来代替蜻蜓的神经系统，并用它来计算蜻蜓捕捉猎物时发生的转向。我用软件模拟三层神经网络。最初，我用的是Matlab，因为那是我已经在用的编程环境。后来，我把模型移植到了Python。
因为蜻蜓必须看到猎物才能捕捉到它，所以我首先制作了一个模拟蜻蜓眼睛的简易版本，捕捉追踪猎物所需要的最少细节信息。虽然蜻蜓有两只眼睛，但普遍认为蜻蜓没有用立体深度感知来估计猎物的距离。在我的模型中，我没有模拟两只眼睛，也没有试着去匹配蜻蜓眼睛的分辨率。我的神经网络的第一层包括441个代表眼睛输入的神经元，每个神经元描述视野的一个特定区域，这些区域平铺成覆盖蜻蜓视野的一个21×21神经元阵列。当蜻蜓转向时，猎物在蜻蜓视野中的图像位置也随之发生变化。蜻蜓计算转向时需要将猎物的图像与这些“眼睛”神经元中的一个（或几个，如果猎物足够大的话）进行匹配。第二组441个神经元（也位于网络的第一层），告诉蜻蜓哪些眼睛神经元应该与猎物的图像匹配，也就是说，猎物应该处在视野中的哪个位置。
处理，即接收描述一个物体在视野中运动的输入信息并将其转化为蜻蜓需要转向哪个方向的指令的计算，这发生在人工神经网络的第一层和第三层之间。在这个第二层，我使用了一个包含194481（21 ⁴ ）个神经元的阵列，这可能比蜻蜓完成这个任务使用的神经元数量要多得多。我预先计算了网络中所有神经元之间的连接权重。虽然只要有足够的时间就可以学习这些权重，但是通过进化和预先编程的神经网络结构来“学习”是有好处的。一旦它由幼虫变成有翼成虫（严格来说应称为刚羽化的成虫），蜻蜓就没有父母喂养或教它捕猎了。此时蜻蜓很容易受到伤害，且正在适应新的身体，在这个阶段想出捕猎策略并不有利于蜻蜓。我设置了网络权重，让模型蜻蜓能够利用传入的视觉信息计算出要截获猎物所需要的正确的转向。这些转向是什么呢？如果蜻蜓想抓住一只正在飞过的蚊子，它不能只瞄准蚊子。借用冰球运动员威恩•格雷茨基（Wayne Gretsky）对冰球的描述，蜻蜓必须瞄准蚊子要去的地方。你可能觉得如果按照格雷茨基的建议，就需要一个复杂的算法，但事实上，这个策略非常简单：蜻蜓需要做的就是将瞄准猎物的视线与一个固定的参考方向保持一个恒定的角度。
有过驾驶船只经验的读者会明白那是为什么。当瞄准另一艘船的视线和参考方向（例如正北）之间的角度保持不变时，就要当心了，正在行驶的航线会发生碰撞。为了避免碰撞，长期以来，海员们一直避免采用这种“平行航行”航线。
转回到蜻蜓，蜻蜓想与猎物相撞的办法很简单：让瞄准猎物的视线与某种外部参照物保持恒定。但是，这项任务对蜻蜓来说并不简单，因为它要俯冲和转向，捉住它的食物。（据我们所知）蜻蜓没有精确的内部陀螺仪，无论蜻蜓如何转向，都能保持恒定的方位并为它提供参考。它也没有永远指向北方的磁罗盘。在我对蜻蜓捕猎的简易模拟中，蜻蜓会将猎物的图像与它眼睛上的特定位置对齐，但它需要计算出那个位置应该在哪儿。
我的模拟神经网络的第三层，即最后一层是运动指令层。 这一层的神经元输出是向蜻蜓肌肉发出的高级指令，告诉蜻蜓向哪个方向转。 蜻蜓还使用这一层的输出来预测自己的运动对视野中猎物图像位置的影响，并相应地修正该预测位置。 这种修正可使蜻蜓在接近猎物时，能够相对于外部世界稳定地保持其瞄准猎物的视线。
生物学上的蜻蜓有可能进化出了额外的工具来帮助它完成这种预测所需要的计算。例如，蜻蜓有专门的感觉器，可以测量飞行过程中身体的转动以及头部相对于身体的转动，如果这些感觉器的速度足够快，蜻蜓可以直接根据感觉器的输出计算其运动对猎物图像的影响，或者使用一种方法交叉检查另一种方法。我的模拟不包含这种可能性。
为了测试这个三层神经网络，我模拟蜻蜓和它的猎物在三维空间以相同的速度运动。这时，我的模拟神经网络大脑“看到”了猎物，计算出指向何处才能与猎物图像保持一个恒定的角度，并向肌肉发送相应的指令。我可以显示这个蜻蜓大脑的简单模型确实能够成功拦截其他昆虫，甚至是沿着弧形或半随机轨迹飞行的猎物。不过模型蜻蜓并没有达到生物蜻蜓的成功率，毕竟它没有已知蜻蜓具有的那些优势（比如惊人的飞行速度）。
要确定这种神经网络是否真的包含了蜻蜓大脑的所有秘密， 我们还需要开展更多的工作。位于弗吉尼亚州的霍华德•休斯医学研究所珍妮莉娅研究园区的研究人员为蜻蜓开发了一种微型背包，可以在蜻蜓飞行时测量蜻蜓神经系统发出的电信号，并将这些数据传输给研究人员进行分析。背包很小，不会打扰蜻蜓的捕猎。同样，神经科学家也可以记录蜻蜓大脑中单个神经元发出的信号，当蜻蜓静止不动时，向它呈现适当的视觉暗示，让它认为自己在移动，创造出蜻蜓级的虚拟现实。
神经科学家可以利用来自这些系统的数据来验证蜻蜓大脑模型，将蜻蜓大脑模型的活动与一只活蜻蜓的生物神经元的活动模式进行比较。虽然我们还不能直接测量蜻蜓大脑中神经元之间的独特联系，但我和合作伙伴可推断出蜻蜓的神经系统正在进行的计算是否与我的人工神经网络的预测相似。这将有助于确定蜻蜓大脑中的连接是否与我在神经网络中预先计算的权重类似。我们一定能找到模型与真实的蜻蜓大脑之间的不同之处。也许这些差异将向我们提供蜻蜓大脑快速计算捷径的线索。
蜻蜓还能教我们如何实现“专注”的计算机。 人们知道大脑全神贯注时是什么感觉：专心致志，精力集中在一项任务上，干扰似乎都消失了。蜻蜓同样可以集中注意力。它的神经系统会更加专注于特定（也可能是选定的）目标的反应，即使在同一视野中看到其他潜在的猎物依然如此。一旦蜻蜓决定追逐某一特定的猎物，只有当它未能捕捉到首选猎物时，它才会改变目标。（换句话说，如果你很容易分心，那么用平行航行方法来捕捉猎物也是没用的。）
哪怕我们最终发现，蜻蜓的注意力机制没有人类在拥挤的咖啡店中集中注意力的机制复杂，但依然可以证明这种简单且功耗低的机制能够提供舍弃无关输入的有效方法，对下一代算法和计算机系统是有益的。
研究蜻蜓大脑的好处不止开发出新算法；它们还会影响系统设计。蜻蜓眼睛的运行速度很快，相当于每秒200帧，是人类视觉速度的几倍。但它们的空间分辨率相对较差，也许只有人眼的1/100。了解到蜻蜓为何尽管感知能力有限，却还能如此有效地猎捕，可以为设计更高效的系统提供思路。具体到导弹防御问题上，蜻蜓的例子表明，我们的快速光学传感反导系统可能不需较高的空间分辨率就能击中目标。
蜻蜓并不是唯一能启发神经仿生计算机设计的昆虫。 帝王蝶迁徙的距离非常远，它们可以凭借天生的本能在一年中的适当时间开启迁徙之旅，并朝着正确的方向飞行。我们知道帝王蝶依靠的是太阳的位置，但是要靠太阳找到正确的行进方向，就需要对一天的时间变化保持关注。如果你是一只向南飞的蝴蝶，太阳应该早上在你的左边，下午在你的右边。那么，为了确定自己的方向，蝴蝶大脑必须懂得自己的昼夜节律，并将这些信息与它所观察到的东西结合起来。
撒哈拉沙漠蚂蚁等另外一些昆虫则要爬行相对较远的距离去觅食。一旦找到了食物源，撒哈拉沙漠蚂蚁并不会简单地按原路返回蚁巢——原路很可能是一条迂回路径。相反，它会计算出一条直达路线。因为蚂蚁食物源的位置每天都在变化，所以它必须记住在觅食过程中所走的路线，将视觉信息与一些内部测量的行走距离结合起来，然后根据这些记忆计算出返回路线。
虽然没有人知道沙漠蚂蚁的哪些神经回路负责执行这项任务，但珍妮莉娅研究园区的研究人员已经确定了果蝇利用可视地标进行自我定向的神经回路。沙漠蚂蚁和帝王蝶使用的机制很可能与之类似。也许有一天，可以证明这样的神经回路对低功耗无人机很有用。
如果昆虫仿生的计算效率达到数百万个专门组件的程度可并行运行，支持更 强大的数据处理或机器学习，将会带来怎样的影响？ 下一代“阿尔法元”能否包含数百万个蚂蚁式觅食架构来优化其对弈过程？ 也许昆虫会给新一代计算机提供灵感，使它们看起来与今天的计算机截然不同。 我们可以用一小队蜻蜓拦截式算法来控制游乐园的运动部件，即使在复杂而惊险的跳跃中，也能确保游乐车不会发生碰撞（很像领航员操控船只）。
下一代计算机会是一种半机械人式的伴侣，还是更像艾萨克•阿西莫夫笔下的马尔蒂瓦克（Multivac）那样的资源集中型计算机？没有人知道。同样，没有人知道什么是开发这些平台的最佳途径。虽然研究人员受人脑启发开发了早期的神经网络，但今天的人工神经网络通常主要依赖非类脑计算。研究生物神经回路中单个神经元的计算（目前只在非人类系统中直接可行）可能会给我们更多的启示。昆虫显然很简单，但它们的能力往往令人吃惊，特别是随着神经科学的研究不断推进，对生物神经回路的工作原理也会有更深入的理解，它们对下一代计算机的发展有很大贡献。
所以下次你看到一只聪明的昆虫时，可以想象一下如果你能支配一小队蜻蜓、蝴蝶或蚂蚁大脑，会对日常生活产生什么样的影响。当一大群高度专业化的高效微型处理器能够根据手头的任务进行重新配置和部署时，也许未来的计算机将赋予“蜂巢思维”一词新的含义。随着当今神经科学的进步，这种看似幻想的东西可能比你想象的更接近现实。
作者：Frances Chance
转载内容仅代表作者观点
不代表中科院物理所立场
如需转载请联系原公众号
来源：悦智网
原标题：来自蜻蜓大脑的启示
编辑：利有攸往
标签：
