去年 11 月底，中国科学院神经科学研究所、中国科学院脑科学与智能技术卓越创新中心、香港科技大学生命科学部和分子神经科学国家重点实验室、中国科学院自动化研究所在《Neuron》上联合发表了一篇概述论文，介绍了「中国脑计划」在基础神经科学、脑疾病和脑启发计算上的研究进展。中国脑计划引起了人们的广泛关注。

最近，该论文联合作者之一，中国科学院自动化研究所所长，中国科学院脑科学与智能技术卓越创新中心（CEBSIT）副主任徐波在中国中文信息学会第八次全国会员代表大会上做了「类脑智能研究及发展方向」的主题演讲，以下是机器之心现场整理的内容。

非常高兴有机会能和大家一起分享，类脑研究出现的时间不长，这个领域里有很多不成熟的地方，希望我们的研究能为大家带来新思考。

众所周知，人工智能是目前科学界的研究热点。在人工智能领域里，除了深度学习以外，类脑计算这个词出现的也越来越多了。类脑计算通常是指研发新类型的芯片，电子器件和体系结构等等，在软件上与信息处理研究，构建模型和算法等等相关。类脑计算还有一种提法，在 863 的课题里面叫做类人智能。类人智能主要是行为级别的考量，目标是在功能上产生与人可以相比较的智能，但不关注达到目标需要使用什么样的方法，所以这里面有一些细微的差别。

在英文里，类脑在学界存在着不同的说法。有人喜欢用 brain like，顾名思义，通过研究复制或者部分复制人类大脑，这种说法忽略了如何复制大脑；另外一种是 brain inspire，受脑启发的智能，或者受脑启发的计算，简称类脑。这是基本名词和概念的解释。

在内容的第一部分中，我选择了和计算学习相关的一些方向进行介绍。

脑科学对人工智能的启发

今年 1 月初 AlphaGo 打败众多围棋冠军是人工智能快速发展的标志。但其实人工智能最大的前景在于它会在未来 5 到 10 年中与各个行业深度融合。这是一个艰难的过程，因为每个行业都有它的门槛，但是不管怎么样，人工智能已经成为一个国家层面的战略方向。我们现有的大多数的智能可称为大数据智能，或监督数据学习，它的最大特点是：这个系统呈现出多大的智能，它的背后就存在着多少人力的投入。包括围棋的应用、语音识别、图像识别，都需要大量的人工标注性的工作。但是，我们看到的大数据的智能，有两种问题无法解决：

一类问题被称作超大规模空间，这意味着状态空间非常大，数据再多，对这样的问题而言都是稀疏的。此类问题用现有的方法很难解决。

另一个问题在于现有人工智能都是专用的智能。下围棋的系统不能下象棋，扫地的不会擦桌子，它基本上没有自我学习，举一反三，触类旁通的能力。

反过来看看人类的大脑，欧盟 2012 年的脑计划报告中写道：在自然界里，除人脑以外，还没有一个自然或者人工系统，能够具有对新环境新挑战的自适应能力。新信息与技能自动获取能力在复杂信息进行有效的决策，并稳定工作，直至几十年的能力。也没有任何系统能够在多处损伤的情况下，保持像人脑一样的鲁棒性。而且与其他人工智能相比，人脑的功耗非常低。

受脑启发的智能，据我们的理解，实际上是横跨脑科学、认知科学到智能科学，并持续发展的一个方向。在脑科学中，有很多个尺度的大脑的观察机理可供借鉴。其实在很多的脑计划里面，比如美国的脑计划（2013 年启动），它的重点是在突破大脑的观察的技术，测量的技术，希望能看到每个神经元的放电活动。而日本的脑计划（2014 年启动）主要关注于脑疾病。欧盟的脑计划（2012 年启动）主要是做大脑模拟，为新一代的信息处理的研究提供依据。从其他国家的类似计划中我们可以获得很多信息。

另外，在认知科学中，我们也可以获得很多的信息。比如近年来，我们在大脑中的视觉、听觉、语言中对于认知通路的研究正在变得越来越清晰。在这其中视觉通路的研究是最多的，这些研究为我们理解脑认知功能奠定了基础。

智能科学大家都比较熟悉了，本来就存在一套计算方法在这个领域发展。