生物與科技之間的關係，是非常微妙的。一切高階的智慧都來自生物，但我們至今也不能弄懂為何毛毛蟲會因為外界的刺激而蜷縮身體。也正因如此，我們在發展技術時會在有意無意中模仿生物的特性。當然結果並不盡然，模仿人腦的類腦計算進展不算順利，但是向螞蟻等生物學習得來的一系列群體演算法，卻有著很高的應用價值。
像應用電子原件一樣將細胞排列組合，插上電線為人體“供能”，將機械手臂與肉體無縫貼合……生化朋克可以說是我們對於技術的終極幻想。
但在打通自然世界與技術世界通道的路上，我們仍然不斷向前邁進著艱難的步伐。今天在《AI的朋友》中，我們就來看看AI一直師從的生物科技，在今年一年中有了哪些進展。
AI最好的老師，用一年的時間教會了我們什麼?
生物科技從本身而言是一項定義非常廣的學科，但我們今天所聚焦的範疇，還是圈定在那些能被AI技術利用上的進展。
總體來講，AI如何利用生物科技在很長一段時間內都是相當模糊的。學術界也因此做了很多無用功，例如我們利用大量算力還原模擬出一隻阿米巴原蟲，只為了觀察神經細胞如何傳遞訊號。但從今年的研究進展來看，生物科學之於AI的無用論正在被改寫。
首先，我們對生物的感知能力有了更深入的認識和控制。
我們之所以將腦科學、神經科學和AI聯絡在一起，就是因為大家面臨著一個同樣的終極問題——意識究竟是怎麼產生的？人和其他動物們為什麼能認出來你是你、我是我，為什麼知道要躲避開危險？
在生物學科中，雖然依舊沒弄明白這些終極問題，但是我們在對生物感知系統的瞭解上又進了一步。
例如在嗅覺，這個動物遠遠強於人類的能力上，杜克大學的研究人員就找到了複製的方式。透過對動物幹細胞中嗅覺受體的提取，研究人員發現，人類的基因組中有2%的基因應用於嗅覺，而這一比例在狗和小鼠中卻達到了5%。而透過對動物基因的攻克，研究人員們已經實現培養出動物嗅覺活細胞，並使其在液體介質中保持活化。
也就是說在未來的某一天，或許我們只需要幾滴液體，就能實現“緝毒犬”、“松露豬”一樣的嗅覺了。
同時在仿生方面，我們對於生物能力的模仿也越來越惟妙惟肖。
雖然很多人都認為，仿生是AI絕對錯誤的發展方向，但不得不承認的是，AI的發展中少不了對於動物的模仿。就拿人人稱道的波士頓動力來說，機器狗“屁顛屁顛”爬坡跑步的模樣，完完全全是在複製狗和昆蟲。
而今年我們對於動物的模仿已經不僅限於貓貓狗狗這些常規物種，而是開始向爬行類動物伸出了魔掌。
當看到蜥蜴偶然騰空起上半身用兩隻腳走路時，昆士蘭大學生物科學學院的研究員們突然靈機一動，開始研究起為什麼這種習慣於四足行走的動物可以突然改變行走姿勢，在保持平衡的前提下還能加快移動速度。
最終得出的結論是，蜥蜴的尾巴在改變姿勢時發揮了極大的作用，而為四足機器人加入尾巴，或許也能幫助他們應對更豐富的地形。
史丹佛大學則是對壁虎的聽力系統起了興趣：和人類不同，壁虎等等動物的頭部太小，無法按照兩耳間距的方式對噪聲的位置進行三角測量。但壁虎的頭部有一條小隧道，可以透過對入射聲波的反射的方式來確定它們來自哪個方向。
研究人員們在光電探測器上嘗試了這種微型反射的方法，正在嘗試製造一種記錄光線角度。顏色和極性的微小感測器。未來這種感測器很可能會被應用在自動駕駛汽車上，替代如今汽車頭頂的巨大雷達。
除了這些之外，我們對於生物其他方面的瞭解也正在與科技相結合。
像是我們曾經向大家介紹過的“生物光源”，我們對生物DNA的瞭解和複製能力，正在讓我們更多將發光發電這種對人類有益的生物特性複製到更多物種上。又比如最近美國賓州州立大學在對植物的研究中，發現了一種與金屬緊密結合的蛋白質，對於這種蛋白質的利用，可以幫助人類找到更多稀土資源。
總之大自然作為人類的造物主，人類又是AI的造物主，生物科學能給與AI的“隔代教育”要比我們想象的多得多。
扣響生化朋克之門
既然生化朋克所描繪的藍圖並非遙不可及，那麼在2019年，AI與生物科技的結合會有那些進展？
首先，對於生物瞭解的深入，會讓機器人的動力模式更加先進。
如今我們所見到的鳥獸昆蟲，無一不是經歷過無數輪篩選進化才生長成今天的模樣。它們的行為模式是與自然高度適應的，而AI想要更多的接近現實應用場景，在行為模式上自然也要師從這些“前輩”。在 2018 年，我們就已經看到了很多相關案例，例如微型機器人模仿昆蟲的運動方式，幫助他們可以在水面上借力跳躍。相信隨著對生物運動模式本身的瞭解，未來機器人的運動系統將適配更多場景：管道、縫隙、垂直牆面……
在與生物科技的結合之下，未來AI將可以更多的利用生物本身。
在很多生化朋克文藝作品中，技術發展的盡頭是用技術改造生命，而非製造出與生命相像的智慧體。在生化朋克的幻想中，若干年後服務人類的並非是萬能的機器人，而是經過大腦改造後的猴子。其實在2018年，就有一篇關於模擬“狗腦”的論文引起了人們的注意。隨著我們對生物行為和思維模式的深入瞭解，未來人類與動物無障礙溝通很可能成為現實一一在最近華盛頓大學的科學家就研發出了一種不會妨礙蜜蜂日常行動的感測器，佩戴到它們身上幫助收集更加全面的農業資料。
意義最大的，是透過對其他生物感知模式理解來擴大AI所需訓練資料的範圍。
如今應用最為廣泛的影像識別、語音識別，本質上都採用的是人類所熟悉的感知方式。但對於那些人類並不熟悉的感知方式，例如更強大的嗅覺、更豐富的色彩感知等等，目前同樣也沒能被 Al 利用。舉例來講，加拿大一家研究所曾經嘗試過研究果蠅的視覺方式，建立了模仿果蠅視覺的神經網路，結果發現這種神經網路可以在極小比例下精準的識別出蒼蠅種類，以往在人類標註資料時是不能實現的。
其實換個角度看，在大多數今天我們眼中的“科技”尚未誕生時，人類最大的智慧就在於馴化動物，開發他們的智慧和能力，建立彼此之間的聯絡。而開發利用動物的智慧，和從頭建立起機械的智慧，並非是兩條不相交的平行線。
在對人類智慧的模擬走入瓶頸時，放低視線，學會利用和模擬動物的智慧，或許是一條非同一般的突破之路。