类脑智能的核心问题在于：我们能不能把脑科学、认知科学和智能科学里面的一些研究成果整合起来，来产生比我们现有的人工智能、神经网络、深度学习，更好的算法和模型。

如图所示，类脑研究有两个源头，一个是神经科学。这是一个统计，过去三十年产生的神经科学的知识，大概是 80 年代以前的 46 倍。现在的神经科学发展速度更快，因为神经科学的发展，主要依赖于新技术的出现。现在每年神经科学新发现的数字，是 80 年代以前的 100 倍，这个速度还在不断加快，越来越很多的知识可供我们使用。

从类脑智能角度，人们可以借用什么东西呢？从大的角度来说，或者多尺度的大脑信息处理，这些机制能不能被我们所用呢？我们现在知道神经元的类型非常多，人脑中有上百种神经元，粗略分类至少有有抑制性的跟兴奋性的两类的神经元。然而，现在的人工神经元都是单点式的简化的模型，还有人在做有树突的人工神经元模型。第二，神经突触的形成跟消亡，是我们最基本的学习的机制。现有的人工神经网络输出都是一类函数，而生物的神经网络，是一种神经兴奋发放模式，一个被称为尖峰神经网络的机制，它和现有的计算机神经网络不一样。

现有认知模型

关于可塑性机制，最基本的可塑性机制比较简单，但在整个大脑中又会产生非常复杂的现象。关于连接，就是神经元的前项连接、后项连接跟撤销的意志，这在生物体内都可以观察到，这就是所谓的神经元。从脑区级别来看，像神经回路、功能环路、基底神经节、丘脑型这样的感知决策模型，和像前额叶脑区、运动脑区等形成的模仿学习功能，像多感知的突兀，它是视觉、听觉、触觉向外脑区上颞叶，与整合区形成了一个多通道学习和记忆方式。它是不同的认知和不同的脑区相互协作的结果，从通用智能角度来看，生物体中还有很多机制可以借鉴。

从认知来看，我们对人脑处理外界信息的方式已经有了大致的了解。人类拥有视觉、听觉、触觉、嗅觉、味觉，结合短时记忆经过工作记忆的处理，可以慢慢地把信息进行理解抽象，变成长时记忆，人类会在成长过程中慢慢形成自我的概念，形成过去的经验。长时记忆会对后来的视觉、听觉、触觉产生反馈与影响。所以从认知的角度来说，记忆模型各不相同，不同类型的记忆实际上利用了不同的通路。像程序性的记忆，我们一旦掌握了某些技能，比如学会了骑自行车，学会了游泳，你就可能永远会都不会忘记，所以这些程序性的记忆，还有像无意识的条件反射，大多被称为内涵式记忆，当然还有外显式的记忆等等。我们在认知科学里面可以做很多认知实验，这些问题将来我们都会去验证、去发现。

从认知科学中我们将获得什么？其实最典型的就是很多人都在用的 random、推理、tension memory 这样的模型。此类模型有三个部分，其中一个就是短时记忆。比如我们进行小组对话，用这个模型做关于对话的理解，那整个对话的意思就是一个短时记忆，系统进行编码以后再进行工作记忆处理，随后你对这个对话可以提出任何问题，系统会产生响应。但在这个对话里面，在理解一个问题的时候，可能需要很多背景的支持，这些内容可能存储在长时记忆模块里。

这是一种典型的模型，我个人认为它是受到认知科学启发的。深度学习研究者们正在进行这方面的研究，这也是我们做的，我们把 tension 机制细化到词级别的颗粒度上，通过多轮的迭代，最后获得需要的答案。由此观之，类脑就是人工智能的发展动力，至少是一个可以参考的路径。除了欧盟、日本，在美国脑计划中专门有一个项目叫做 mapping，通俗来讲，它是要研究一立方毫米体积的一个脑区，把它整个从外面到突出极的所有连接结构绘制出来，美国在这个项目上投入了 1 亿美元作为启动资金。他们下一步计划把探究出来的结构用到人工智能里面。

中国在 2016 年的人大上通过了十三五的发展规划，其中脑科学与类脑研究成为了 100 个重大项目里面的第四位，这些部分都是和脑科学相关的，不仅是疾病研究，还有类脑研究。

换个角度，从人工智能的角度求解这个问题。面对常规的一个问题，系统的求解需要把一个问题形式化，不论是律师、媒体还是下象棋，一定首先需要人的介入，把这个问题分解成几块，其中每一块都可以转化为一个图灵机的问题。然后再用现有的计算机结构来实现人工智能问题的求解。