从行为角度来看，不同的认知功能是如何由大脑协调和整合？通过对这一问题进行观察和分析，将为那些在认知表现方面类似大脑的智能系统带来灵感和评估标准。

大脑通过进化成为一个高能效系统。其结构和底层机制可能为未来计算基础设施的设计提供灵感。与传统的计算不同，神经系统以计算和存储绑定的方式处理信息。

在设计神经形态芯片方面，通过应用神经回路一些微观层面的原理，如 Integrate-and-Fire 非线性神经元性质、放电时序依赖可塑性、集成计算和存储，人们正专注设计研发高能量效率的脑启发芯片（Tuma et al., 2016）。未来，为了在信息处理中实现高效和高吞吐量，模拟有组织结构的皮层柱、脑区和神经通路连接多个脑区来构建芯片模块，这是更高层次的架构。

中国脑计划旨在在多个层次更深入地了解大脑的机制和原则，并促进神经科学家和 AI 研究人员之间的深入和密切的合作。认知计算模型和脑启发芯片将是智能方面的主要焦点。在计算模型层面，将探索更多具有生物可行性的学习机制的人工神经网络算法。在网络架构层面，典型的人类认知行为将通过引入网络内的大脑样域和子域来建模，这些域将通过学习被协调，整合和修改。目标是在多个层面，理论上模拟大脑的机制和结构，开发一个更具有普遍性的 AI 以满足大型挑战，包括多任务，学习和自适应。

　　机器与人类智能

人工智能在过去几十年中的成就，包括最近的深度学习模型，已经受到了一部分神经科学的启发。最近的发展主要集中在目标的单一优化原理，例如最小化分类误差。所以它在多层和递归网络形成了丰富的内部表示，产生了强大的算法（LeCun 等，2015）。在过去五年中，深度学习在解决各种问题，如语音识别，图像识别和分类以及自然语言处理方面取得了巨大的成功。在语音识别领域，IBM 和 Microsoft 已经宣布，在人类电话呼叫会话测试中，已经达到了 95％的精度，大大超过了已经稳定了十年的水平。在计算机视觉领域，开奖，ImageNet 分类挑战赛中，深度学习网络在定位和识别数百种对象时超越了人类的表现。在自然语言处理领域，基于 LSTM 的序列对序列模型几乎达到人类级别。从互联网收集的数百万个图像文本对进行训练之后，机器甚至可以使用自然语言来标注图像。在所有上述示例中，都在使用结构化的架构，包括用于注意，递归和各种形式的长短期存储器的专用系统。

然而，由大规模训练数据驱动的模型将面临更加开放性和不明确的任务所带来的巨大挑战，如自然语言理解、人类对话系统（human dialog system）、通用视觉信息检索（general visual information retrieval）以及能适应复杂环境的机器人。向大脑机制过渡，人工智能系统将展示更强的智能，逐步减少训练数据量甚至实现无监督学习。此外，它们预期可以加工和整合多模态信息（multimodal information），同时能够并行处理多个任务。已经出现了很多新型的更专一化的神经网络来应对这些挑战，例如它们会随着层和时间的推移而改变。对抗网络（adversarial network）的新进步（其代价函数（cost function）的定义来自另一网络）使得生成模型（generative model）基于梯度的训练成为可能（Goodfellow 等人，2014）。这种由一系列相互作用的代价函数实现的非均匀优化的系统，使得机器学习非常高效和精确，它是机器智能的未来方向之一。

开发机器智能的另一个重要课题是建立可以有效地与人类和本地环境进行交互的人工智能平台，使人与机器都能参与问题的解决。认知机器人（cognitive robotic）可以作为这种集成平台，它整合了很多大脑类研究的工作。传统的机器人研究侧重于控制理论和数学优化。这些模型在结构化环境和特定任务（例如，工厂中的机器人臂）条件下工作良好，但跳出这个范围，即使在不太复杂的环境中也无法正确行动。

通过协调和整合多感官输入，并且根据信息具有更灵活的执行机制，机器人技术已经取得了巨大的进步。但对于认知机器人，可以从网络结构、操作原理和大脑中感觉运动转换的电路机制（包括多感觉集成、决策、运动规划、运动协调和执行）学习到更多的内容，这些内容是基于学习的行动和来自经验的自我修正。