胡郁：这是完全有可能的，最近有一本书写的挺好的。美国有一个脑科学专家，叫作金，是一个韩国人，他写了一本书叫《连接组》，《连接组》就是模仿“基因组”，连接组里面也提到了人的意识还是智能。他认为这完全取决于我们一千亿个神经原里面连接的突触，甚至跟动态都没有直接的关系，当有一千亿个复杂的东西在那儿的时候，是搞不清楚的。我觉得我们现在脑科学要解决这个问题，我们想要搞清楚第一件事情，就是智能是什么，意识又是什么。他们之间到底是伴生的，还是他们只是在人的神经系统或者动物的神经系统里面可以同时产生的一种东西。这个在科学上是要研究的，科学有三个东西，一个东西叫做已知的科学道理，就是被证明的；第二个东西叫做合理的推测，刚才我们讨论的其实都是合理的推测，合理推测可以有好几个。最后一个就是要被证明的，有事实，后来被证明的一个东西。现在随着我们的前沿拓展，脑科学里面属于合理推测的一部分，并没有解释科学的东西，我们科学研究正是确定这个东西的过程。可以学习到一点，就是说这中间不管是合理的推测还是说最小已经被逐步证明的东西，我们要看实际的应用或者研究会产生什么样的效果。大家对这个问题保持好奇、跟踪前沿，想一想它对我们现在做的事情产生什么意义，这个是蛮有作用的。

　　雷鸣：对未知事物保持一个开放的态度，一切就有可能，你刚才提到现在人工智能后面转向机器学习，机器学习的分支深度神经网络或者 CNN 变得有点一枝独秀，使得现在我们很多时候在谈到人工智能的时候，感觉就是神经网络了，很多人就感觉这两个就快等价起来了，你刚才也提到了神经网络现在很火，不见得未来也会很火，或者有一些其他东西会大放异彩。你在学术上的很多研究，除了神经网络之外，有哪一些是你感觉在未来人工智能发展中，有可能也会大放异彩的方向，现在有没有一些什么痕迹？或者说有一些学者也提出一些自己的观点？

　　胡郁：其实在这个方面，我们可以看到有很多的学者已经在做这个方面的东西，比如说最近国内国际的都有了。我们在跟澳大利亚合作的一个教授，他做的就是利用符号系统。原来符号系统是人工智能里面非常老的一个系统，但是他现在这种符号可以把它跟统计的和深层学习的东西能结合起来，因为深度学习不一定只用在神经网络上，也可以用在符号推理，还有我们讲的决策等很多新的东西上。他们应该做工业界上还没有看到、但也有潜力的、还需要靠研究施行的，而且以后研究也有更好的条件了。因为大数据，因为很多的成熟东西已经在那儿摆着，所以要去试也比较方便，这是一个方面。

　　第二个就像国内南大的周志华教授，他们也搞了很多新的东西，随机森林这些有益的方式恰恰是研究界和理论界应该去做的，我对这个充满了信心。

　　还有一种是我自己比较看好的一种，就是现在不管用什么东西，不管是你学习的东西还是要变成模型的，样本和数据都要变成模型里面的参数。但是其实机器学习里面有一种叫基于样本的方法，比如说 KNN，这个 KNN 的意思是直接去记忆的学习，就是有几个样本点，它找到你将来的决策点和那几个样本点的距离，这非常有点像人列的记忆系统，就像我们以前讲的关于案例的判断。在这个系统里面，系统跟人脑一样工作，它应该把所有学习过样本的记忆经过某种方式的处理，能够把它直接留下来，可能直接用记忆处理，我们也在尝试这样的方式。把这些样本东西直接放在里面，样本是可以进行遗忘的。再把这两个综合起来，这些东西都在尝试过程中。

　　我个人认为我们讲研究脑的智能动力学也是这个东西，脑子的记忆能力非常强大，这些记忆能力怎么辅助我们进行人工智能的判决和决策，其实这里面还有很多需要研究的内容，而且这方面一旦有突破，把抽象出来的模型，就像人脑处理一个事情很多时候基于这几个事情归纳总结，还有一种基于样本的，比如以前这么干的，现在就这么干。这几个综合起来也是很好的方向，这个都还在探索。