劉 潔 吳 慧

(上海交通大學(xué)醫(yī)學(xué)院，上海 200025)

引言

人腦是自然界中最復(fù)雜的系統(tǒng)之一，由上千億神經(jīng)細(xì)胞(神經(jīng)元)通過百萬億突觸組成巨大網(wǎng)絡(luò)，實(shí)現(xiàn)感知、運(yùn)動(dòng)、思維、智力等各種功能。理解大腦的結(jié)構(gòu)與功能，是21世紀(jì)最具挑戰(zhàn)性的前沿科學(xué)問題，是人類認(rèn)識(shí)自然與自身的終極挑戰(zhàn)[1]。腦科學(xué)對各種腦功能神經(jīng)基礎(chǔ)的解析對有效診斷和治療腦疾病有重要的臨床意義，腦科學(xué)所啟發(fā)的類腦智能研究可推動(dòng)新一代人工智能技術(shù)和新型信息產(chǎn)業(yè)的發(fā)展。類腦智能是受大腦神經(jīng)運(yùn)行機(jī)制和認(rèn)知行為機(jī)制啟發(fā)，以計(jì)算建模為手段，通過軟硬件協(xié)同實(shí)現(xiàn)的機(jī)器智能[2]。類腦智能具備信息處理機(jī)制上類腦、認(rèn)知行為表現(xiàn)上類人、智能水平上達(dá)到或超越人的特點(diǎn)[3]。類腦智能作為人工智能的另一條發(fā)展路徑，也是實(shí)現(xiàn)通用人工智能的最可能路徑，成為各國關(guān)注的焦點(diǎn)。近年來全球發(fā)達(dá)國家積極布局類腦智能研發(fā)，取得了一定的進(jìn)展。

本文以Web of Science數(shù)據(jù)庫為檢索對象，以“類腦智能研究”為主題，以Article為文獻(xiàn)檢索類型，對時(shí)間跨度為2010—2019年的文獻(xiàn)進(jìn)行檢索，檢索日期為2020年1月31日。利用CiteSpace軟件[4](JAVA環(huán)境下運(yùn)行)對檢索結(jié)果進(jìn)行可視化分析，并繪制成知識(shí)圖譜呈現(xiàn)，探討全球類腦智能發(fā)文的代表文獻(xiàn)及研究熱點(diǎn)、前沿，對全球類腦智能研究趨勢進(jìn)行分析，并對類腦智能的前沿?zé)狳c(diǎn)進(jìn)行綜述。

圖1 2010—2019年全球類腦智能研究發(fā)文情況Fig.1 Analysis of publications on brain-inspired intelligence during 2010-2019

1 類腦智能全球發(fā)文趨勢

全球類腦智能研究發(fā)文數(shù)量隨時(shí)間的變化如圖1所示，其SCI(Science Citation Index)論文產(chǎn)出在2010—2019年間持續(xù)增長，共發(fā)文6 351篇。但在2016年之前增長較為緩慢，2016年發(fā)文量652篇，占比10.27%，2017—2018年、2018—2019年連續(xù)出現(xiàn)較大的增長，增幅達(dá)到35.46%和28.95%。2019年達(dá)到1 394篇，占比21.95%。

2 類腦智能研究熱點(diǎn)

研究熱點(diǎn)可以理解為是在某個(gè)領(lǐng)域中學(xué)者共同關(guān)注的一個(gè)或者多個(gè)話題。利用CiteSpace軟件分析研究主題的詞頻以及詞匯的突發(fā)性，可以反映其所代表的研究主題的熱點(diǎn)及熱點(diǎn)的演變[5]。

圖2中節(jié)點(diǎn)大小代表關(guān)鍵詞出現(xiàn)的頻次，出現(xiàn)頻次越高，節(jié)點(diǎn)越大，之間的連線代表共現(xiàn)強(qiáng)度[5](為了顯示簡潔性，圖中僅為頻次top 20的關(guān)鍵詞進(jìn)行了標(biāo)注)，“brain-computer interface” “EEG” “classification” “brain” “machine learning”是類腦智能研究領(lǐng)域被引頻次最高的關(guān)鍵詞。在CiteSpace圖譜中，中介中心性(betweenness centrality)是指一個(gè)節(jié)點(diǎn)擔(dān)任其他兩個(gè)節(jié)點(diǎn)之間最短路的橋梁的次數(shù)，既是與其他節(jié)點(diǎn)高度相連的樞紐節(jié)點(diǎn)，又是連接不同聚類的紐帶，是測度節(jié)點(diǎn)在網(wǎng)絡(luò)結(jié)構(gòu)中重要性的指標(biāo)。同時(shí)，具備高頻和高中介中心性高的節(jié)點(diǎn)在該研究領(lǐng)域有重大學(xué)術(shù)價(jià)值[5]?！癰rain-computer interface”作為類腦智能研究中被引頻次最高的關(guān)鍵詞，其中介中心性高達(dá)0.65(中介中心性大于等于0.1的節(jié)點(diǎn)視為關(guān)鍵節(jié)點(diǎn))。對類腦智能研究的關(guān)鍵詞進(jìn)行聚類分析(見表1)，各聚類的輪廓值均大于0.7，說明聚類令人信服，聚類內(nèi)部的研究主題明確。由圖2和表1可以看出，基于大腦認(rèn)知的腦機(jī)接口(brain-computer interface，BCI)研究是類腦智能研究的熱點(diǎn)。

圖2 2010—2019年類腦智能研究關(guān)鍵詞的共現(xiàn)情況Fig.2 Keyword network of brain-inspired intelligence during 2010—2019

具有突發(fā)性的關(guān)鍵詞，是指在某個(gè)時(shí)間段內(nèi)頻次變化率高的詞[6]。在CiteSpace中，一個(gè)聚類所包含的突發(fā)節(jié)點(diǎn)越多，那么該領(lǐng)域就越活躍。圖3所示為2010—2019年間類腦智能研究領(lǐng)域突現(xiàn)強(qiáng)度最高的20個(gè)關(guān)鍵詞。由圖3和表1分析得知，聚類#4、#7和#8包含“perception”“area”“human brain”等突現(xiàn)值和中介中心性均較高的關(guān)鍵詞，聚焦于大腦神經(jīng)解碼，說明2014年前的研究熱點(diǎn)集中在解碼大腦神經(jīng)細(xì)胞的信息處理，了解腦區(qū)及其功能的關(guān)系，即理解腦。2014—2016年間致力于特定的腦功能神經(jīng)連接通路和網(wǎng)絡(luò)結(jié)構(gòu)的解析以及模擬，這一時(shí)期“arm”“l(fā)anguage”“decision making”等相關(guān)研究急劇增長，并且產(chǎn)生較大影響?！皁rganization” “schizophrenia” “rehabilitation” “mild cognitive impairment”等關(guān)鍵詞在2016年之后活躍度增加，突現(xiàn)值較高，說明類腦智能的研究熱點(diǎn)演化趨勢從認(rèn)識(shí)腦發(fā)展至模擬腦，從而保護(hù)腦，利用已知的腦功能工作原理，發(fā)展人工智能研究，保護(hù)大腦，維持大腦的正常功能，延緩大腦退化，防治腦疾病和創(chuàng)傷，促進(jìn)智力發(fā)展。

表1 2010—2019年類腦智能研究關(guān)鍵詞的聚類信息Tab.1 Cluster table of keywords on brain-inspired intelligence during 2010-2019

圖3 2010—2019年類腦智能研究關(guān)鍵詞突變圖(藍(lán)色—時(shí)間區(qū)間；紅色加粗線條—突變度發(fā)生顯著變化的時(shí)間區(qū)間)Fig.3 Burst keywords of brain-inspired intelligence during 2010-2019 (The blue line—time; the thick red line—duration of a great burst)

大腦中上千億的神經(jīng)細(xì)胞發(fā)出眾多軸突，與其他細(xì)胞聯(lián)接形成一個(gè)復(fù)雜的網(wǎng)絡(luò)，是人體內(nèi)外環(huán)境信息獲得、存儲(chǔ)、處理、加工及整合的中樞。雖然目前腦科學(xué)領(lǐng)域取得一些進(jìn)展，但對神經(jīng)環(huán)路及整個(gè)大腦復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)的工作原理了解不多，對各種感知覺、情緒，高級(jí)認(rèn)知功能的思維、意識(shí)理解尚為粗淺。因此，大腦認(rèn)知研究存在兩個(gè)關(guān)鍵點(diǎn)：首先，從宏觀、介觀、微觀上深度理解大腦的功能和結(jié)構(gòu)，利用MRI等技術(shù)了解神經(jīng)束在腦區(qū)之間的走向，以及神經(jīng)活動(dòng)的產(chǎn)生原理；其次，解決觀測電信號(hào)以及電信號(hào)在網(wǎng)絡(luò)中的處理模式等問題[7]。只有充分了解大腦認(rèn)知功能的神經(jīng)基礎(chǔ)和工作原理，才能在此基礎(chǔ)上實(shí)現(xiàn)類腦智能發(fā)展。

傳統(tǒng)人工智能系統(tǒng)的思路是基于模型學(xué)習(xí)驅(qū)動(dòng)的數(shù)據(jù)智能，以待解決問題相關(guān)數(shù)據(jù)的特點(diǎn)與問題為目標(biāo)，從計(jì)算的視角設(shè)計(jì)算法，因此所實(shí)現(xiàn)的智能系統(tǒng)過于單一，存在一定的局限性，但是類腦智能可以解決數(shù)據(jù)智能的局限性和不足。類腦智能研究的目標(biāo)是構(gòu)建高度協(xié)同視覺、聽覺、觸覺、語言處理、知識(shí)推理等認(rèn)知能力的多模態(tài)認(rèn)知機(jī)器[8]，也就是借鑒腦科學(xué)神經(jīng)計(jì)算的研究結(jié)果，研究類腦神經(jīng)機(jī)制，發(fā)展出性能更好、效能更高的新一代人工神經(jīng)網(wǎng)絡(luò)模型，使機(jī)器在與人及環(huán)境自主交互的基礎(chǔ)上實(shí)現(xiàn)智能水平的不斷提升，讓機(jī)器人以類腦方式實(shí)現(xiàn)對外界的感知及自身控制一體化，真正具備高度協(xié)同、多模態(tài)感知、類人思維、自主學(xué)習(xí)與決策能力等特征[9-10]。

計(jì)算神經(jīng)科學(xué)在類腦計(jì)算、人工智能和BCI的發(fā)展中起關(guān)鍵作用。腦科學(xué)的神經(jīng)計(jì)算和類腦智能研究是指針對包括遺傳、神經(jīng)元、腦影像、大規(guī)模認(rèn)知功能等在內(nèi)的海量數(shù)據(jù)，通過定量分析、計(jì)算模型和創(chuàng)建受腦啟發(fā)的隨機(jī)計(jì)算方法，深入研究神經(jīng)系統(tǒng)的原理，解碼大腦工作原理，模擬大腦高級(jí)認(rèn)知功能機(jī)理，發(fā)展類腦智能算法[2,11]。因此，通過與腦科學(xué)的緊密聯(lián)系和深度交叉，構(gòu)建更加類腦的神經(jīng)網(wǎng)絡(luò)計(jì)算模型和學(xué)習(xí)方法，是類腦智能的研究熱點(diǎn)。

3 類腦智能研究前沿

文獻(xiàn)共被引分析是通過同時(shí)被其他文獻(xiàn)所引用的頻率來分析文獻(xiàn)之間的關(guān)系，可以使研究者更深入、客觀地理解學(xué)科的結(jié)構(gòu)及發(fā)展趨勢等[5]。結(jié)合引證分析和共引分析，創(chuàng)建從“知識(shí)基礎(chǔ)”映射到“研究前沿”的理論模型，通過多種閾值選擇形成獨(dú)特的由多個(gè)文獻(xiàn)共被引網(wǎng)絡(luò)組合而成的知識(shí)網(wǎng)絡(luò)，并提供部分自動(dòng)生成的信息，利用這些信息可以解讀網(wǎng)絡(luò)體現(xiàn)的指標(biāo)信息[6,12]。因此，可以通過對某一研究領(lǐng)域的演進(jìn)路徑進(jìn)行分析，把握研究發(fā)展動(dòng)態(tài)，預(yù)測未來研究動(dòng)向。

圖4 2010—2019年類腦智能文獻(xiàn)共被引聚類時(shí)間線圖(紫色外圈代表節(jié)點(diǎn)的高中介中心性；大紅色圈層表示節(jié)點(diǎn)具有突現(xiàn)性，一定程度上代表研究方向的轉(zhuǎn)變；黃色代表距今時(shí)間較近。節(jié)點(diǎn)大小代表文獻(xiàn)的被引頻次，被引頻次越高，節(jié)點(diǎn)越大，之間的連線代表共現(xiàn)強(qiáng)度)Fig.4 Timeline view of co-citation on brain-inspired intelligence during 2010-2019(The purple circle represents the high betweenness centrality of the node; the red circle represents the burstness of the node, which means the change of research direction to a certain extent; the yellow represents closer time. The size of the node represents the citation frequency of the document. The higher the citation frequency, the larger the node, and the connection between them represents the strength of co-occurrence)

利用CiteSpace導(dǎo)入前述檢索文獻(xiàn)后，共產(chǎn)生27個(gè)聚類，通過對數(shù)似然算法，從所引文獻(xiàn)的關(guān)鍵詞中提取術(shù)語為聚類命名，并以時(shí)間線視圖呈現(xiàn)(見圖4)。時(shí)間線視圖將同一聚類排布在同一水平線上，可以直接表達(dá)聚類之間的關(guān)系和文獻(xiàn)的歷史跨度。由于聚類較多，僅顯示前15個(gè)較大聚類。同時(shí)，表2中與此對應(yīng)的輪廓值均接近1，說明各聚類內(nèi)部的研究主題明確。如圖4所示，聚類中的突發(fā)節(jié)點(diǎn)越多，表示該領(lǐng)域越活躍，是研究的新興趨勢。同時(shí)具備高中介中心性和突現(xiàn)性的節(jié)點(diǎn)，就是本領(lǐng)域內(nèi)的關(guān)鍵文獻(xiàn)，也是這段時(shí)期內(nèi)的關(guān)鍵文獻(xiàn)，代表著研究主題的發(fā)展趨勢。整體看來，2010—2019年間產(chǎn)生了數(shù)量多、影響力高的研究文獻(xiàn)。由圖4和表2可以看出，“腦機(jī)接口”是類腦智能研究中最大的聚類(編號(hào)越小，聚類越大)，包含聚類#0、#1、#3、#4、#5、#9、#10、#12以及#14(brain-machine interface和brain-computer interface均指腦機(jī)接口，不同作者表述方式不同)，表明在未來一段時(shí)間內(nèi)仍是類腦智能研究的發(fā)展趨勢。

BCI技術(shù)是指在人或動(dòng)物腦(或者腦細(xì)胞的培養(yǎng)物)與外部設(shè)備間建立直接連接通路，使計(jì)算機(jī)從大腦神經(jīng)活動(dòng)獲知人的行為意向，通過神經(jīng)解碼，將大腦的神經(jīng)信號(hào)轉(zhuǎn)化為對外部設(shè)備的控制信號(hào)[20, 26]。

#0呈現(xiàn)最大的聚類，圍繞使用BCI來分析各種感覺運(yùn)動(dòng)和學(xué)習(xí)過程，2000年后熱度持續(xù)增加，于2008年達(dá)到高峰。Velliste 等[13]通過展示獼猴利用運(yùn)動(dòng)皮層活動(dòng)來控制自我喂養(yǎng)任務(wù)中的機(jī)械手臂復(fù)制品，實(shí)現(xiàn)了一種可以實(shí)現(xiàn)假體控制的系統(tǒng)，將BCI研究上升到物理交互層面，為開發(fā)靈活的假肢設(shè)備奠定了基礎(chǔ)；該文獻(xiàn)中介中心性高達(dá)0.83，突現(xiàn)值為30.26，是連接整個(gè)聚類的重要節(jié)點(diǎn)，有里程碑式的影響。2009年，Ganguly等[7]進(jìn)一步提出運(yùn)動(dòng)皮質(zhì)在存在恒定解碼器的情況下可以鞏固人工控制的神經(jīng)表示，推動(dòng)了類腦智能研究的進(jìn)展；該文獻(xiàn)中介中心性0.37，突現(xiàn)值10.33，是該領(lǐng)域的重要文獻(xiàn)。2012年，Gilja等[23]提出了一種新的控制算法，重新校正反饋意圖訓(xùn)練卡爾曼濾波器，在植入運(yùn)動(dòng)皮層電極陣列的恒河猴身上進(jìn)行測試，該算法的性能及可重復(fù)性均優(yōu)于原有的神經(jīng)假體算法，提高了神經(jīng)假體的臨床適應(yīng)能力(#12)。

表2 2010—2019年類腦智能文獻(xiàn)共被引的聚類信息Tab.2 Clusters of co-citation on brain-inspired intelligence during 2010—2019

#14聚焦于解碼大腦神經(jīng)信息及其在神經(jīng)影像領(lǐng)域的應(yīng)用，2008—2016年處于繁榮期。2014年，Haufe等[25]針對從數(shù)據(jù)驅(qū)動(dòng)模型的參數(shù)解讀神經(jīng)過程起源容易導(dǎo)致錯(cuò)誤結(jié)論的問題，提出將后向模型轉(zhuǎn)換為正向模型，進(jìn)而對線性后向模型的參數(shù)進(jìn)行神經(jīng)生理學(xué)解釋，為更好的多元神經(jīng)影像分析提供了理論保障。

根據(jù)信號(hào)采集方式的不同，BCI分為侵入式和非侵入式(#10)。Oostenveld[21]等在2011年提出FieldTrip工具箱概念，用于分析非侵入式和侵入式電生理數(shù)據(jù)，極大地促進(jìn)了BCI的發(fā)展。

#1腦磁圖(magnetoencephalography，MEG)和#4功能核磁共振成像(functional magnetic resonance imaging，fMRI)等是常用的非侵入式技術(shù)，2003年開始應(yīng)用于BCI研究，于2015年熱度逐漸降低。非侵入式BCI無需侵入大腦，只需通過附著在頭皮上的穿戴設(shè)備來對大腦信息進(jìn)行記錄和解讀[27]。典型的非入侵式BCI包括MEG、fMRI以及腦電圖(electroencephalogram，EEG)，成本較低，對人體創(chuàng)傷最小，采集方法最為簡單，因此2015年之前受到了極大關(guān)注。2008年，Moritz等[14]利用獼猴實(shí)驗(yàn)，首次證明了皮層細(xì)胞和肌肉之間的直接人工連接可以補(bǔ)償被中斷的生理途徑，并可以恢復(fù)對癱瘓肢體運(yùn)動(dòng)的意志控制，這一發(fā)現(xiàn)大大擴(kuò)展了BCI的控制信號(hào)源；該文獻(xiàn)中介中心性為0.28，突現(xiàn)值為20.34，是該領(lǐng)域內(nèi)的關(guān)鍵文獻(xiàn)。2009年，Pereira等[17]詳細(xì)介紹了fMRI數(shù)據(jù)分類器的使用，并指出未來基于機(jī)器學(xué)習(xí)的分類器技術(shù)將發(fā)生巨大變化，不僅對醫(yī)學(xué)圖像分析處理起到了巨大的推動(dòng)作用，而且在之后的研究中，用深度學(xué)習(xí)方法進(jìn)行數(shù)據(jù)分析呈現(xiàn)快速增長趨勢，成為2013年的10項(xiàng)突破性技術(shù)之一。隨著深度學(xué)習(xí)研究的深入，Qamar等[28]于2018年提出了一種3D超密集連接的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)，用于嬰兒大腦圖像分割，可以提高分割的參數(shù)效率和分割精度，推動(dòng)了醫(yī)學(xué)圖像的自動(dòng)準(zhǔn)確分割技術(shù)的發(fā)展。

EEG因其易用性、便攜性和相對較低的技術(shù)價(jià)格，已得到廣泛和深入的研究，成為非侵入式BCI主要的研究方向，但是由于信號(hào)信息量有限, 空間分辨率不足, 在控制的實(shí)時(shí)性和復(fù)雜度方面存在制約[16]。2008年，Blankertz 等[16]介紹了一種基于EEG的功能強(qiáng)大的信號(hào)處理技術(shù)——公共空間模式(common spatial pattern，CSP)，有效提高了信噪比，推動(dòng)了BCI信號(hào)處理技術(shù)的發(fā)展(#3)。2018年，Vyas等[29]證明在沒有身體動(dòng)作的情況下，“隱蔽學(xué)習(xí)”可以轉(zhuǎn)變?yōu)槊黠@行為，二者源自共同的神經(jīng)基質(zhì)，該神經(jīng)基質(zhì)由運(yùn)動(dòng)皮層的準(zhǔn)備活動(dòng)組成，有助于學(xué)習(xí)的轉(zhuǎn)移。Amin等[30]于2019年使用EEG運(yùn)動(dòng)圖像數(shù)據(jù)來揭示從不同CNN層提取和融合多級(jí)卷積特征，證明這種多級(jí)特征融合優(yōu)于僅使用最后一層特征的模型，促進(jìn)了EEG解碼和分類技術(shù)的發(fā)展。

侵入式BCI通過手術(shù)等方式，直接將電極植入到大腦皮層，可以記錄到神經(jīng)元水平的電信號(hào)，主要用于對特殊感覺的重建以及恢復(fù)癱瘓患者的運(yùn)動(dòng)功能。作為典型的部分侵入式BCI，皮質(zhì)腦電圖(electrocorticography，ECoG)(#5)是將信號(hào)采集電極植入到顱腔內(nèi)，但在灰質(zhì)外能夠獲取更高空間分辨率(約1 cm)和時(shí)間分辨率(5 ms)的信息且不會(huì)破壞腦組織，對于研究大腦皮層的認(rèn)知功能是較為理想的選擇。ECoG技術(shù)開始于2003年，研究熱度逐年增加，于2012年—2014年達(dá)到研究高潮，出現(xiàn)較多影響力較高的文獻(xiàn)。Hochberg等[18]于2012年利用人體進(jìn)行實(shí)驗(yàn)，證明四肢癱瘓的人在中樞神經(jīng)系統(tǒng)受傷數(shù)年后，可以直接從復(fù)雜的裝置中重建有用的多維控制的小部分神經(jīng)信號(hào)，該文獻(xiàn)中介中心性0.15，突現(xiàn)值13.15，是該領(lǐng)域的重要文獻(xiàn)。近年來，侵入式BCI技術(shù)因其記錄的信號(hào)空間分辨率高、信息量大，能夠?qū)崿F(xiàn)對復(fù)雜任務(wù)的實(shí)時(shí)、精確控制，在治療癲癇、癱瘓、小兒麻痹癥、帕金森癥等疾病方面展開了較為廣泛的應(yīng)用[18]。

#7“深度學(xué)習(xí)”概念出現(xiàn)于2010年，熱度持續(xù)上升，于2017年達(dá)到高潮，出現(xiàn)較多高影響力的文獻(xiàn)。#7和#9側(cè)重針對深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural network，DCNN)研究展開。Lecun 等[20]在2015年提出深度學(xué)習(xí)允許由多個(gè)處理層組成的計(jì)算模型學(xué)習(xí)，具有多個(gè)抽象級(jí)別的數(shù)據(jù)表示，通過使用反向傳播算法來指示機(jī)器應(yīng)如何更改其內(nèi)部參數(shù)，從而發(fā)現(xiàn)大數(shù)據(jù)集中的復(fù)雜結(jié)構(gòu)。DCNN在處理圖像、視頻、語音和音頻等方面取得了突破，而遞歸網(wǎng)絡(luò)則對諸如文本和語音之類的順序數(shù)據(jù)有所啟發(fā)。該文獻(xiàn)中介中心性為0.29，是該聚類中的重要文獻(xiàn)。2017年，Krizhevsky等[9]的研究結(jié)果表明，大型DCNN能夠在純粹使用監(jiān)督學(xué)習(xí)的情況下，在極具挑戰(zhàn)性的數(shù)據(jù)集上實(shí)現(xiàn)破紀(jì)錄的結(jié)果。移除任何一個(gè)卷積層則會(huì)導(dǎo)致網(wǎng)絡(luò)的性能下降，證實(shí)了網(wǎng)絡(luò)的深度對于結(jié)果實(shí)現(xiàn)至關(guān)重要，該文獻(xiàn)中介中心性高達(dá)0.56，突現(xiàn)值為35.85，是該領(lǐng)域的重要文獻(xiàn)。2018年，Acharya等[31]提出一種計(jì)算機(jī)輔助診斷癲癇的系統(tǒng)，使用機(jī)器學(xué)習(xí)技術(shù)自動(dòng)區(qū)分EEG信號(hào)的類別，首次使用CNN分析腦電信號(hào)。2018年，Alban等[32]揭示了深度卷積神經(jīng)網(wǎng)絡(luò)中色度信息的處理機(jī)制，發(fā)現(xiàn)了AlexNet中的顏色處理與靈長類視覺系統(tǒng)之間的相似之處。受到DCNN在計(jì)算機(jī)視覺領(lǐng)域的最新成功的啟發(fā)，Chen 等[33]開發(fā)了一種3D深度殘差網(wǎng)絡(luò)，該網(wǎng)絡(luò)可以將真實(shí)的微出血與以前基于傳統(tǒng)算法開發(fā)的技術(shù)的假陽性模仿物區(qū)分開，大大提高了檢測精度。

#13側(cè)重于訓(xùn)練DCNN應(yīng)用于醫(yī)學(xué)圖像處理，2015年后研究數(shù)量增多，熱度持續(xù)增加。Ronneberger等[24]提出了一種網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練策略，依賴于充分利用數(shù)據(jù)增強(qiáng)技術(shù)來更高效地使用帶有標(biāo)簽的數(shù)據(jù)，這種方法可以使用非常少的數(shù)據(jù)完成端到端的訓(xùn)練，并獲得最好的效果。2019年，Bi等[34]提出，人工智能(artificial intelligence，AI)有望在專業(yè)臨床醫(yī)生對癌癥影像的定性解釋方面取得重大進(jìn)展，包括隨著時(shí)間的推移對腫瘤的體積描繪，從腫瘤的放射表型推斷腫瘤基因型和生物學(xué)過程，預(yù)測臨床結(jié)果，以及疾病和治療對鄰近器官的影響評估。

目前，神經(jīng)發(fā)育疾病(如自閉癥)、精神疾病(如抑郁癥)和神經(jīng)退行性疾病(如阿爾茨海默癥)在社會(huì)重大疾病中占比最高，尚無法確定致病機(jī)理，且未發(fā)現(xiàn)特異的藥物靶點(diǎn)，給社會(huì)造成沉重負(fù)擔(dān)。早期診斷和早期干預(yù)將是對腦疾病最有效的醫(yī)療方式。繼續(xù)探索這些腦重大疾病的致病機(jī)理有賴于闡明腦認(rèn)知功能的神經(jīng)基礎(chǔ)，研發(fā)出有效的腦重大疾病預(yù)警和早期診斷的各種指標(biāo)，研發(fā)早期干預(yù)的藥理、生理和物理新技術(shù)和新儀器，是當(dāng)前類腦智能研究趨勢之一。2017年，Arbabshirani等[22]較為全面地介紹了有關(guān)精神分裂癥、抑郁癥和阿爾茨海默氏病等大量基于MRI的腦部疾病診斷/預(yù)后研究，并討論了多模式神經(jīng)影像學(xué)、深度學(xué)習(xí)在神經(jīng)影像學(xué)中的應(yīng)用，指出神經(jīng)影像數(shù)據(jù)對于各種疾病的單個(gè)受試者預(yù)測具有巨大潛力，推動(dòng)了腦疾病治療進(jìn)展。Ramos-Murguialday等[15]通過實(shí)驗(yàn)證明BCI訓(xùn)練可誘導(dǎo)慢性中風(fēng)患者運(yùn)動(dòng)功能的改善；Nijboer等[19]的研究評估了基于P300的BCI通信設(shè)備對晚期肌萎縮側(cè)索硬化(amyotrophic lateral sclerosis，ALS)患者具有良好的治療效果，提出BCI可以為ALS嚴(yán)重殘障人士的日常生活提供另一種通信和控制技術(shù)(#2)。

“神經(jīng)形態(tài)工程學(xué)”出現(xiàn)于2008年，Merolla等[10]于2014年開發(fā)了新一代靈活可擴(kuò)展的具有54億個(gè)晶體管的芯片，該芯片集成了100萬個(gè)可編程的尖峰神經(jīng)元和2.56億個(gè)可配置的突觸，適用于實(shí)時(shí)使用復(fù)雜神經(jīng)網(wǎng)絡(luò)的應(yīng)用程序，且能耗較小。中介中心性0.19，突現(xiàn)值12.54，是該領(lǐng)域的代表文獻(xiàn)。

4 總結(jié)與展望

2010年—2019年全球類腦智能研究發(fā)文數(shù)量呈現(xiàn)逐年上漲的趨勢，尤其是2014年以后，各國呈現(xiàn)出爆發(fā)式增長，說明類腦智能研究在近5年來日益得到重視，且影響力不斷提高。

2018年，Lu等[35]提出“超越AI”的BI(Brain Intelligence)概念，旨在通過開發(fā)一種新的通用智能學(xué)習(xí)模型，使用具有想象功能的人工生命來產(chǎn)生新的想法，應(yīng)用于精密醫(yī)療保健等領(lǐng)域。2020年，Yao等[36]進(jìn)一步提出囊括BCI技術(shù)的“腦器接口(bacomics，BAC)”概念，將BCI研究提升到另一個(gè)高度。BAC進(jìn)一步加深了腦機(jī)對話層次，不僅將腦機(jī)接口中機(jī)器的范圍擴(kuò)大，包含人類其他器官、外部儀器及環(huán)境，而且加深了“交互”概念，強(qiáng)調(diào)大腦與設(shè)備/環(huán)境間的雙向通信，促進(jìn)腦機(jī)協(xié)調(diào)發(fā)展。BAC涵蓋3種層次：①大腦正常，但對話通道被禁用，BAC在這種情況下的任務(wù)是重建或者打開新的通道以激活大腦功能；②大腦處于疾病狀態(tài)，BAC可以利用現(xiàn)有的或開辟新渠道(如藥物)進(jìn)行干預(yù)，修復(fù)和調(diào)節(jié)大腦；③大腦和通道都正常，BAC的目標(biāo)是增強(qiáng)大腦及設(shè)備/環(huán)境協(xié)調(diào)發(fā)展。BAC的提出不僅促進(jìn)了傳統(tǒng)神經(jīng)工程領(lǐng)域的發(fā)展，而且成為干預(yù)和治療腦疾病的強(qiáng)大工具，有助于針對各種功能障礙的神經(jīng)機(jī)制研究。

作為類腦智能與神經(jīng)科學(xué)的橋梁，計(jì)算神經(jīng)科學(xué)近年來在國際迅猛發(fā)展，已經(jīng)從實(shí)驗(yàn)室基礎(chǔ)研究進(jìn)入信息科技領(lǐng)域的實(shí)際應(yīng)用；同時(shí)，類腦人工智能的發(fā)展，也為腦科學(xué)研究提供了新的思路。加快二者的交叉和深度融合，將極大地推動(dòng)腦科學(xué)基礎(chǔ)研究的進(jìn)步和類腦智能研究的突破，改變社會(huì)生產(chǎn)和消費(fèi)方式。目前，以深度學(xué)習(xí)為代表的人工智能技術(shù)對社會(huì)發(fā)展的影響不斷加深，改變了包含互聯(lián)網(wǎng)業(yè)務(wù)在內(nèi)的多個(gè)領(lǐng)域的現(xiàn)有模式[20]。包括美國、中國以及歐洲在內(nèi)的多個(gè)國家和機(jī)構(gòu)均致力于該領(lǐng)域的發(fā)展。其中，突出代表為德國的“工業(yè)4.0”，通過智能算法和智能芯片推動(dòng)生產(chǎn)制造業(yè)的巨大發(fā)展，使得生產(chǎn)制造過程具備自我感知、自我學(xué)習(xí)和自我優(yōu)化等特點(diǎn)[37]。德勤發(fā)布的一項(xiàng)最新人工智能報(bào)告稱：到 2025 年，全球人工智能市場規(guī)模將達(dá)到6萬億美元[38]。以上表明以“類腦智能引領(lǐng)人工智能發(fā)展”為標(biāo)志的新一代人工智能通用模型與算法、類腦芯片器件和類腦智能各類工程技術(shù)應(yīng)用等新型研究領(lǐng)域正在不斷形成，其中蘊(yùn)含著重大機(jī)遇，可能會(huì)顛覆傳統(tǒng)產(chǎn)業(yè)模式，產(chǎn)生巨大效益。

神經(jīng)科學(xué)和類腦智能科技的進(jìn)步不僅有助于人類理解和認(rèn)識(shí)自我，而且可以有效增進(jìn)精神衛(wèi)生和防治神經(jīng)疾病、護(hù)航健康社會(huì)。美國科學(xué)院《新興認(rèn)知神經(jīng)科學(xué)及相關(guān)技術(shù)》報(bào)告指出，未來20年，與神經(jīng)科學(xué)和類腦人工智能有關(guān)的科技進(jìn)步很可能對人類健康、認(rèn)知、國家安全等多個(gè)領(lǐng)域產(chǎn)生深遠(yuǎn)影響[39]。

綜上，類腦智能的年發(fā)文量及學(xué)術(shù)影響力不斷趨于增長。認(rèn)識(shí)腦、模擬腦和保護(hù)腦是目前類腦研究的聚焦點(diǎn)，BCI不僅是目前的研究熱點(diǎn)，其與深度學(xué)習(xí)的深入交叉也是類腦智能領(lǐng)域的研究前沿和發(fā)展趨勢。類腦智能研究是人工智能、計(jì)算機(jī)科學(xué)、腦科學(xué)等研究領(lǐng)域的融合，實(shí)現(xiàn)具有通用認(rèn)知能力和自主學(xué)習(xí)能力的智能機(jī)器。大腦認(rèn)知的研究進(jìn)展將為揭示人類智能本質(zhì)提供更多線索，為實(shí)現(xiàn)類腦智能提供更深層次的啟發(fā)。