近日，上海交通大學長聘教授、通用人工智能研究所所長趙海收到兩個好消息：一是他帶領團隊研發的“腦啟發大語言模型”入選了“交大2030”計劃B類，獲得500萬元經費支持；二是他的研究方向列入了上海市科委“類腦智能”項目申報指南，這份指南設立“顛覆性技術研究”專題，支持科學家探索腦啟發類腦智能的新原理和新方法，研究新型非Transformer架構的類腦大模型通用架構。

Transformer是谷歌在2017年提出的一種深度學習架構，此后經OpenAI持續開發，徹底改變了自然語言處理、計算機視覺等領域的技術格局，成為人工智能大模型普遍采用的架構。那么，上海為何要布局顛覆這種架構的科技項目？類腦大模型的研發進展如何？記者在采訪中了解到值得關注的階段性成果。

從腦科學成果中獲得靈感

ChatGPT風靡全球后不久，就有一些人工智能知名專家質疑Transformer架構的發展潛力。比如，圖靈獎得主楊立昆認為，這種架構面臨計算成本高、缺乏對復雜世界的理解、決策過程“黑箱化”等瓶頸，未來無法實現科學家夢寐以求的通用人工智能——智能體具有高效的學習和泛化能力，能根據所處的復雜環境自主提出并完成任務，且符合人類倫理規范。

今年1月，諾貝爾化學獎得主哈薩比斯談及通用人工智能時說：“也許我們還需要1—2個類似Transformer的突破。”這意味著，Transformer很可能不是大模型架構的最終方案，在探索通用人工智能的道路上，還需要有大的創新突破。

Transformer很可能不是實現通用人工智能（AGI）的最終方案。

模擬人腦，是創新大模型架構的一條路徑，因為作為大自然進化的產物，人腦就是一種通用人工智能體。“2016年，加州大學伯克利分校團隊在《自然》雜志發表了一篇論文，他們發現，大腦皮層的不同區域可編碼特定的語義內容。”趙海向記者介紹了這項腦科學成果。大模型架構可否模擬大腦的語義編碼機制？2023年9月，這位交大教授有了創新靈感，打算顛覆Transformer架構，研發一種“腦啟發大語言模型”。

于是，他自籌科研經費，租借GPU服務器，帶領團隊走進了類腦智能領域的“無人區”。當時，用于訓練大模型的GPU服務器處于價格高位，趙海團隊每月要花18萬元租金。至于研發能否成功，完全是個未知數。面對雙重壓力，他選擇了堅持，因為他相信：通用人工智能的真正基石隱藏在人類大腦中。

新范式模擬人腦全局機制

今年3月，150億參數的“腦啟發大語言模型”（BriLLM）問世，交大團隊開源發布了這個中文大模型的代碼和模型權重。5月，他們發布了“腦啟發大語言模型”中文、英文壓縮版，其大小分別為20億和10億參數，但性能與150億參數大模型相當。測試顯示，這3個非Transformer架構類腦大模型的生成能力達到GPT-1水平，引起了華為公司Fellow蔡華等專家的關注。

“BriLLM是首個在宏觀尺度上模擬人腦全局機制的大語言模型，對機器學習范式做了顛覆性創新。”趙海介紹，它采用“信號全連接流動”機制，以取代Transformer架構的自注意力機制。這種新的機器學習范式模擬大腦皮層編碼特定語義的方式，將詞元（token）直接映射為“有向全連接圖”模型架構上的一個個節點，讓每個節點對應一個語義單元。它還模擬腦電波的傳播方式，讓信號沿著“最小阻力”路徑，在“有向全連接圖”上不斷傳播，選擇性地激活一些語義單元節點，使大模型生成準確的文字內容。

“信號全連接流動”機制示意圖

與Transformer架構大模型相比，“腦啟發大語言模型”有四大潛在優勢：通過模擬人腦的語義編碼和信號傳播機制，獲得人腦的低能耗優勢，大模型計算成本有望大幅降低；每個節點都對應明確語義，決策過程透明可解釋，消除了大模型決策的“黑箱”問題，有利于確保人工智能安全可控；由于信號可在各個節點間無限制傳播，它有望支持無限長的上下文輸入，且無須增加模型規模；與多模態天然適配，在學習圖像和視頻時更接近人類學習方式，不依賴大數據。

憑借這些優勢，趙海團隊經過4輪評審，獲得了“交大2030”計劃B類立項支持。B類項目倡導“從 0 到 1”的原始創新，瞄準世界級基礎科學問題。它不設論文指標，允許項目團隊在科研領域自由使用經費。“我們打算把500萬元主要用于購買算力，未來兩年開發出像ChatGPT那樣的對話式大模型，與Transformer架構大模型展開競爭。”得到項目支持后，趙海對這一顛覆性創新的前景更有信心了。

瞄準百億參數大模型目標

在類腦大模型這一前沿領域，趙海并不是獨行者。記者從中國科學院腦智卓越中心了解到，腦認知與類腦智能全國重點實驗室研究員李國齊在研發“類腦通用智能大模型”。他的技術路線與趙海不同，主要在微觀尺度上模擬大腦神經元的激活方式。

李國齊認為，Transformer架構大模型的基礎是“點神經元模型+自注意力機制”，而人腦的基本計算單位是樹突神經元模型。它比點神經元模型復雜得多，呈樹狀結構，包含多個分支和房室，每個分支和房室都存在不同參數的動力學過程，使樹突神經元模型擁有多尺度的記憶能力。“我們的目標是研究可否將這種人腦機制融入現有大模型，構建一個通用的類腦智能大模型架構。”

為此，他帶領團隊開展了一系列探索：在理論層面，發表了關于脈沖神經網絡訓練算法的多篇論文，將脈沖神經網絡從過去的5—10層拓展到50—500層；在神經元模型層面，提出了多房室、多分支的并行脈沖神經元模型，在解決長序列建模問題上取得進展；在架構層面，提出了“樹突脈沖神經網絡”這個概念，將源自人腦的神經元模型納入機器學習框架。

談及未來研發計劃，李國齊說：“我們希望通過跨學科合作，推動算法、訓練平臺和芯片的深度整合，構建百億至千億參數規模的通用類腦大模型。”

趙海也打算開發百億參數規模的類腦大模型。未來兩年，他將帶領團隊完成中文和英文預訓練、指令微調能力構建、高效推理部署三項任務，開發出規模不低于300億參數的中文和英文“腦啟發大語言模型”，讓用戶體驗到非Transformer架構大模型的優勢。

“我們團隊已走通‘從0到1’的原始創新，接下來要做的是‘從1到10’的升級突破。希望得到政府部門更多的算力支持，讓我們加快迭代類腦大模型。”趙海說。

原標題：《上海布局“類腦大模型”顛覆性創新項目，交大教授挑戰大模型主流架構》

欄目主編：黃海華

作者：解放日報 俞陶然