人與機器協同工作，人的智能與機器智能互補也是一個必然趨勢

近年來，隨著計算機科學、神經科學和神經網路理論的發展，面對大數據時代對智能計算的需求，以及傳統人工智慧速度學習方法的不足，科學家開始將研究重點投向類腦智能，即腦啟發的智能（brain-inspired intelligence）。從目前研究情況來看，人類對大腦神經結構和功能的研究有了很大的進步，同時認知科學領域對人的智能行為（包括學習、記憶、注意、推理、決策等）機理有深入研究。這使得從大腦神經系統結構和認知行為機理獲得啟發，研製具有更強信息表示、處理和學習能力的智能計算模型與演算法成為可能。類腦智能就是以計算建模為手段，受腦神經機理和認知行為機理啟發，並通過軟硬體協同實現的機器智能。類腦智能系統在信息處理機制上類腦，認知行為和智能水平上類人，其目標是使機器以類腦的方式實現各種人類具有的認知能力及其協同機制，最終達到或超越人類智能水平。

用人工神經網路模擬大腦的智能計算功能，早在20世紀40年代就開始了研究。人工神經網路可以算是類腦計算的一個模型，它是對大腦神經系統的一種粗糙的模擬，建立的分層神經網路系統與實際大腦的結構有一定差距，但是這種粗糙的模擬在人工智慧領域已經發揮了巨大的作用。現在建立的神經網路系統層數比較多，演算法與過去相比也複雜很多。20世紀80年代，隨著多層神經網路訓練的誤差反向傳播演算法（BP演算法）得到推廣，人工神經網路已經是模式識別和人工智慧領域應用較為廣泛的方法，其研究和應用形成了一個熱潮。在20世紀90年代，隨著泛化能力更強的支撐向量機出現，神經網路再次走向低潮。2006年，憑藉深度學習的提出和廣泛應用，人工神經網路再次躋身人工智慧領域最前沿之列。

從大方向講，類腦智能研究主要有硬體和軟體2 個方面。軟體研究又有2個角度，一是使智能計算模型在結構上更加類腦，另外一方面是在認知和學習行為上更加類人。2個角度的研究都會產生有益的模型和方法。比如，模擬人的少樣本和自適應學習，可以使智能系統具有更強的小樣本泛化能力和自適應性。

硬體方面的研究主要是研發類腦新型計算晶元，如神經網路計算晶元，目標是相比當前的CPU和GPU計算架構，提高計算效率和降低能耗。目前人工神經網路主要在通用計算機上編程來實現，能耗比較高。例如一台計算機的功率大概是200~300 W，一台GPU伺服器的能耗至少是2000 W，而人腦的功耗只有20 W。所以計算機實現大規模人工神經網路的能耗非常高，因此研發新型的神經網路計算晶元，降低能耗，具有重要的現實意義。

提到未來的類腦智能研究，應該在結構類腦和行為類人方面更加深入。目前不管是神經結構模擬還是學習行為模擬都是比較粗淺的。以學習為例，當前主流的監督學習是比較「粗暴」的學習方式，即一次性給予大量的類別標記數據對人工神經網路進行訓練，而要收集大量標記數據是要付出很大代價的。人腦的學習具有很強的靈活性，從小樣本開始，不斷地隨環境自適應。這種學習靈活性應該是未來機器學習的一個主要研究目標。

談及目前中國即將上馬的「中國腦計劃」（「腦科學與類腦研究」），中國腦計劃的基本框架是一體兩翼：一體是腦認知功能研究，從腦科學和神經科學角度研究腦神經結構和認識功能；兩翼是腦科學應用研究，一是腦疾病的診斷、預測、治療，另一方面是類腦智能研究。將來類腦智能和當前主流的基於傳統計算的人工智慧方法將並行發展，相互取長補短。另外，從應用的角度，人與機器協同工作，人的智能與機器智能互補也是一個必然趨勢。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！