预测物体未来的位置对人类来说是自然而然的，但对计算机来说却相当困难。（图片来源：Shutterstock）在很多方面，人脑仍然是目前最好的计算机。首先，它效率很高。我们最大的超级计算机需要数百万瓦的功率，足以支撑一个小镇，但人脑仅消耗大约一个20瓦灯泡的能量。虽然青少年在学习父母认为的基本生活技能时似乎需要很长时间，但人类和其他动物也能非常快速地学习。最重要的是，大脑在筛选海量数据以找到相关信息并采取行动方面确实非常出色。例如，人类在很小的年纪就能可靠地完成区分鸵鸟和校车的壮举——这看似简单，却说明了即使我们最强大的计算机视觉系统也可能出错的任务类型。我们还能区分运动的汽车和静态的背景，并预测汽车在接下来半秒内的位置。这些挑战，以及更复杂的挑战，暴露了我们让计算机像人一样思考的能力的局限性。但洛斯阿拉莫斯国家实验室的最新研究正在改变这一切。神经科学家和计算机科学家称这一领域为神经模拟计算——构建受大脑皮层工作原理启发的计算机。大脑皮层依赖于数十亿个称为神经元的小型生物“处理器”。它们将信息存储和处理在密集互联的电路中，称为神经网络。在洛斯阿拉莫斯，研究人员正在超级计算机上模拟生物神经网络，使机器能够像人类一样了解周围环境、解读数据并进行预测。这种机器学习的原理很容易理解，但在计算机中实现却很困难。教授神经模拟机器承担诸如天气预报和核物理模拟等巨大任务是一项需要最新高性能计算资源的工程。洛斯阿拉莫斯开发了可以在拥有数百万个处理核心的超级计算机上高效运行的代码，以处理海量数据并每秒执行数量惊人的计算（超过10千万亿次！）。然而，直到最近，研究人员在尝试模拟接近大脑皮层电路的规模和复杂度的神经处理时，一直受到计算机内存和计算能力的限制。这一切都随着洛斯阿拉莫斯新的Trinity超级计算机而改变，该超级计算机于2017年中期全面投入运行。作为美国最快的计算机，Trinity具备独特的功能，专为国家核安全管理局的库存管理任务而设计，该任务包括在不进行核武器试验的情况下进行高度复杂的核模拟。所有这些能力意味着Trinity允许一种根本不同的处理大规模皮层模拟的方法，从而在模拟神经处理能力方面实现了前所未有的飞跃。为了在有限规模的问题上测试这项能力，洛斯阿拉莫斯的计算机科学家和神经科学家创建了一个“稀疏预测机”，该机器在Trinity上执行神经网络。稀疏预测机的设计理念就像大脑一样：研究人员将其暴露于数据——在这种情况下，是数千个视频片段，每个片段都描绘了一个特定的物体，例如一匹在田野里奔跑的马或一辆在路上行驶的汽车。认知心理学家告诉我们，在六到九个月大的时候，人类婴儿就能区分物体和背景。显然，人类婴儿通过在被父母抱着到处走时，在其视觉世界进行训练神经网络来学习，远在孩子能够行走或说话之前。同样，稀疏预测机中的神经元仅仅通过观看数千个视频序列来学习视觉世界，而不使用任何相关的人工标注——这是与其他机器学习方法的重大区别。稀疏预测机就像孩子积累视觉经验一样，接触各种各样的视频片段。
在这个视频帧序列中，前三个是扫描视频的机器学习数据表示。在第四帧中，视频根据数据“想象”了下一帧会是什么样子。这项工作是在美国最大的超级计算机Trinity的洛斯阿拉莫斯国家实验室进行的。（照片来源：LANL）当Trinity上的稀疏预测机接触到数千个八帧视频序列时，每个神经元最终学会了表示特定的视觉模式。而人类婴儿在任何给定时刻只能有一个视觉体验，Trinity的规模意味着它可以同时训练400个视频片段，大大加快了学习过程。然后，稀疏预测机利用单个神经元学到的表示，同时发展出根据前面的七帧预测第八帧的能力，例如，预测汽车在静态背景下的移动方式。洛斯阿拉莫斯稀疏预测机由两个并行执行的神经网络组成，一个称为“Oracle”，它可以看到未来；另一个称为“Muggle”，它学习模仿Oracle对它无法直接看到的未来视频帧的表示。凭借Trinity的强大功能，洛斯阿拉莫斯团队通过在任何给定时刻仅使用最少的神经元来解释手头的信息，更准确地模拟了大脑处理信息的方式。这就是“稀疏”的部分，它使大脑在推断世界方面非常高效且强大——并有望使计算机也更加高效和强大。以这种方式训练后，稀疏预测机能够创建从先前真实视频帧自然延续的新的视频帧。它看到了七帧视频，并预测了第八帧。在一个例子中，它能够继续汽车在静态背景下的运动。计算机能够想象未来。这种基于机器学习预测视频帧的能力是神经模拟计算的一个有意义的成就，但该领域仍有很长的路要走。作为本世纪主要的科学挑战之一，理解人脑的计算能力将彻底改变从天气预报和聚变能源研究，到癌症诊断和支持库存管理计划以替代现实世界测试的高级数值模拟等广泛的研究和实际应用。为了支持所有这些努力，洛斯阿拉莫斯将继续在神经形态计算领域试验稀疏预测机，更多地了解大脑和计算，以及量子计算的广泛、未充分探索的领域中尚未发现的应用。我们无法预测这项探索将走向何方，但就像那虚构的第八帧的汽车视频一样，这无疑将是合乎逻辑的下一步。（Garrett Kenyon是洛斯阿拉莫斯国家实验室信息科学部门专门研究神经启发计算的计算机科学家，他研究大脑和在实验室高性能计算机上的神经网络模型。稀疏预测机项目的其他成员包括应用计算机科学部门的Boram Yoon和新墨西哥联盟的Peter Schultz。）
