最初的類人智能出現(xiàn)在幾百萬(wàn)年前的非洲大陸，并持續(xù)進(jìn)化，最終在大約 10 萬(wàn)年前，在我們?nèi)祟愡@一物種——智人的大腦中達(dá)到頂峰。

作為現(xiàn)代人類，我們只能想象我們遠(yuǎn)古的祖先凝視夜空，思考物質(zhì)現(xiàn)實(shí)的本質(zhì)，內(nèi)省地窺視自己的內(nèi)心，思考自己的心理現(xiàn)實(shí)本質(zhì)時(shí)的感受。

在過(guò)去幾百年里，我們?nèi)祟愅ㄟ^(guò)發(fā)現(xiàn)控制空間、時(shí)間、物質(zhì)和能量行為的基本數(shù)學(xué)規(guī)律，在對(duì)物理現(xiàn)實(shí) (physical reality) 的精確理解方面取得了巨大的智力進(jìn)步。這些基本數(shù)學(xué)規(guī)律現(xiàn)在被編纂在量子力學(xué)和廣義相對(duì)論的大框架中。

然而，在探索心理現(xiàn)實(shí) (mental reality) 本質(zhì)方面，我們?nèi)詣倓傞_始。特別是，人類智能是如何從由 1000 億個(gè)神經(jīng)元通過(guò) 100 萬(wàn)億個(gè)突觸連接而成的生物有機(jī)體中產(chǎn)生的？

神經(jīng)科學(xué)、心理學(xué)和認(rèn)知科學(xué)等現(xiàn)代學(xué)科在過(guò)去 100 年里取得了許多重要進(jìn)展，為攻克這個(gè)大問題奠定了基礎(chǔ)。事實(shí)上，正如奧巴馬在 2013 年宣布美國(guó)大腦計(jì)劃 (United States Brain Initiative) 時(shí)所解釋的那樣，“揭開我們兩耳之間三磅重物質(zhì)之謎”的時(shí)機(jī)已經(jīng)成熟。

但是，當(dāng)涉及到我們自己的心智能力時(shí)，對(duì)于現(xiàn)代人來(lái)說(shuō)，僅僅理解它們是不夠的。我們也非常希望在無(wú)生命的系統(tǒng)中重建這些能力，這些系統(tǒng)有時(shí)是以我們自己的形象為基礎(chǔ)構(gòu)建的。

從本質(zhì)上說(shuō)，人類作為進(jìn)化的產(chǎn)物，有時(shí)渴望扮演創(chuàng)造者的角色。從瑪麗 · 雪萊的《弗蘭肯斯坦》到艾薩克 · 阿西莫夫的《我，機(jī)器人》，這種渴望滲透在人類文學(xué)作品中。

事實(shí)上，人工智能 (AI) 這一新興領(lǐng)域，經(jīng)常與神經(jīng)科學(xué)、心理學(xué)和認(rèn)知科學(xué)領(lǐng)域合作，在創(chuàng)造具有某些類人能力的機(jī)器方面取得了巨大進(jìn)展。在這篇文章里，我將進(jìn)一步探討人工智能、神經(jīng)科學(xué)、心理學(xué)和認(rèn)知科學(xué)，以及數(shù)學(xué)、物理和社會(huì)科學(xué)等學(xué)科過(guò)去是怎樣、以及未來(lái)如何共同合作，追求交織在一起的對(duì)理解和創(chuàng)造智能系統(tǒng)的探索。

在過(guò)去的 60 多年里，AI 深受神經(jīng)科學(xué)和心理學(xué)的影響，并且確實(shí)受到神經(jīng)科學(xué)和心理學(xué)的啟發(fā)。早期，許多 AI 從業(yè)者在神經(jīng)科學(xué)和心理學(xué)方面做了一些很好的研究。這里我列舉了神經(jīng)科學(xué)、心理學(xué)和人工智能之間相互影響的一些事實(shí)：

• 由相對(duì)簡(jiǎn)單的元素 (神經(jīng)元) 組成的分布式網(wǎng)絡(luò)，能夠完成源自神經(jīng)科學(xué)、如今以神經(jīng)網(wǎng)絡(luò)形式滲透到現(xiàn)代人工智能系統(tǒng)中的人類智能的驚人計(jì)算。這一觀點(diǎn)并不總是顯而易見的，直到大約一百年前，在高爾基和卡哈爾之間著名的辯論之后，這一觀點(diǎn)才變得堅(jiān)定起來(lái)。

• 各種降維技術(shù)，包括多維尺度和因子分析，最初是在心理測(cè)量學(xué)研究的背景下發(fā)展起來(lái)的。

• 著名神經(jīng)學(xué)家赫拉斯 · 巴洛 (Horace Barlow) 提出了分解代碼的思想，這一思想反過(guò)來(lái)又啟發(fā)了獨(dú)立分量分析 (ICA) 和當(dāng)前的 AI 研究，旨在解開數(shù)據(jù)變異的獨(dú)立因素。

• 托爾曼對(duì)認(rèn)知地圖的研究提供了證據(jù)，證明即使是老鼠也能形成對(duì)世界的心理模型，并能利用這些模型進(jìn)行規(guī)劃和導(dǎo)航。這鞏固了內(nèi)部模型形成是動(dòng)物智能的關(guān)鍵組成部分這一觀點(diǎn)，這是目前人工智能研究的前沿。

• Hopfield network 是理論神經(jīng)科學(xué)的一個(gè)模型，為思考分布式、結(jié)合存儲(chǔ)的存儲(chǔ)器和檢索提供了一個(gè)統(tǒng)一的框架，也啟發(fā)了玻耳茲曼機(jī)，這反過(guò)來(lái)又為證明深度神經(jīng)網(wǎng)絡(luò)模型的成功提供了關(guān)鍵的一步，并啟發(fā)了許多弱約束的分布式滿足作為 AI 計(jì)算模型的想法。

• 目前主宰機(jī)器視覺的深層卷積網(wǎng)絡(luò)的關(guān)鍵組成部分直接受到大腦的啟發(fā)。這些成分包括腹側(cè)流的分層視覺處理，表明深度的重要性；視網(wǎng)膜拓?fù)溆成?(retinotopy) 作為整個(gè)視覺皮層的組織原理的發(fā)現(xiàn)，啟發(fā)了卷積；簡(jiǎn)單和復(fù)雜的細(xì)胞的發(fā)現(xiàn)，啟發(fā)了如最大池化等操作；以及皮層內(nèi)神經(jīng)歸一化的發(fā)現(xiàn)，推動(dòng)了人工網(wǎng)絡(luò)中的各種歸一化階段。

• 將稀疏編碼作為理解初級(jí)視覺皮層中定向邊緣檢測(cè)器起源的一種嘗試而進(jìn)行的開創(chuàng)性工作，這啟發(fā)了將稀疏編碼作為現(xiàn)代人工智能系統(tǒng)的基本構(gòu)建塊。

• 像時(shí)序差分學(xué)習(xí) (temporal difference learning) 這樣的算法，現(xiàn)在已經(jīng)成為強(qiáng)化學(xué)習(xí)的基礎(chǔ)，其靈感來(lái)源于經(jīng)典條件反射的動(dòng)物實(shí)驗(yàn)。

• 反過(guò)來(lái)，強(qiáng)化學(xué)習(xí)對(duì)基底神經(jīng)節(jié)手術(shù)的解釋產(chǎn)生了巨大的影響，其中多巴胺能神經(jīng)元為基底神經(jīng)節(jié)提供了非常重要的獎(jiǎng)勵(lì)預(yù)測(cè)誤差信號(hào)，該信號(hào)驅(qū)動(dòng)了許多強(qiáng)化學(xué)習(xí)算法中的學(xué)習(xí)。

• 大腦中記憶系統(tǒng)的模塊化啟發(fā)了現(xiàn)代記憶神經(jīng)網(wǎng)絡(luò)，它在一定程度上將存儲(chǔ)器存儲(chǔ)和決定何時(shí)從存儲(chǔ)器中讀寫的執(zhí)行控制電路的操作分開。

• 人類注意力系統(tǒng)激發(fā)了注意力神經(jīng)網(wǎng)絡(luò)，這些神經(jīng)網(wǎng)絡(luò)可以被訓(xùn)練來(lái)動(dòng)態(tài)地關(guān)注或忽略其狀態(tài)和輸入的不同方面，以進(jìn)行未來(lái)的計(jì)算決策。

• 形式生成語(yǔ)法在語(yǔ)言學(xué)和認(rèn)知科學(xué)中的發(fā)展，導(dǎo)致了概率語(yǔ)法和句法分析在 CS 和 AI 領(lǐng)域的發(fā)展。

• 像 dropout 這樣的現(xiàn)代正則化技術(shù)受到神經(jīng)動(dòng)力學(xué)內(nèi)在隨機(jī)性的啟發(fā)。

盡管目前人工智能系統(tǒng)在有監(jiān)督的模式識(shí)別任務(wù)上已經(jīng)取得了巨大的商業(yè)成功，但在模仿真正的人類智能方面，我們還有很長(zhǎng)的路要走。在這里，我概述了生物和人工智能領(lǐng)域可以攜手前進(jìn)的一些方向。

信用分配問題可能是神經(jīng)科學(xué)和人工智能領(lǐng)域最大的開放性問題之一?？鋸堻c(diǎn)說(shuō)，假設(shè)你正在打網(wǎng)球，你的一個(gè)擊球失誤了。這應(yīng)該責(zé)怪你的 100 萬(wàn)億個(gè)突觸中的哪一個(gè)？大腦是如何在你的運(yùn)動(dòng)系統(tǒng)中找到正確的突觸組并糾正它，尤其是當(dāng)錯(cuò)誤發(fā)生幾百毫秒內(nèi)通過(guò)視覺系統(tǒng)傳遞的時(shí)候?

在人工智能中，這種信用分配問題在很多情況下是通過(guò)錯(cuò)誤的反向傳播，通過(guò)多層計(jì)算來(lái)解決的。然而，目前還不清楚大腦是如何解決這個(gè)問題的。我們只知道，大腦使用一個(gè)局部學(xué)習(xí)規(guī)則 (local learning rule)：即每個(gè)突觸僅使用實(shí)際可用的信息來(lái)調(diào)整強(qiáng)度，例如由突觸連接的兩個(gè)神經(jīng)元的電活動(dòng)，附近其他突觸的強(qiáng)度，以及反映獎(jiǎng)勵(lì)和錯(cuò)誤的任何神經(jīng)調(diào)節(jié)輸入。

闡明這些局部突觸規(guī)則是什么、以及它們?nèi)绾喂ぷ鳎赡軙?huì)對(duì) AI 產(chǎn)生重大影響，使得在神經(jīng)形態(tài)芯片上實(shí)現(xiàn)并行學(xué)習(xí)成為可能，從而避免反向傳播的通信開銷。

但更普遍的情況是，找到一個(gè)困擾神經(jīng)科學(xué)和人工智能的常見未解問題，應(yīng)該會(huì)促使研究取得進(jìn)展，通過(guò)將生理學(xué)家、計(jì)算神經(jīng)科學(xué)家和人工智能研究者聚集在一起，共同解決生物學(xué)上合理的信用分配問題。要成功應(yīng)對(duì)這一重大挑戰(zhàn)，可能需要將實(shí)驗(yàn)知識(shí)、理論和工程技術(shù)結(jié)合起來(lái)。

生物神經(jīng)模型和人工神經(jīng)模型之間的一個(gè)主要區(qū)別在于我們模擬連接神經(jīng)元的突觸的方式。在人工神經(jīng)網(wǎng)絡(luò)中，突觸是由單個(gè)標(biāo)量值來(lái)模擬的，這個(gè)標(biāo)量值反映了一個(gè)乘法增益因子，它轉(zhuǎn)換了突觸前神經(jīng)元的輸入如何影響突觸后神經(jīng)元的輸出。

相比之下，每個(gè)生物突觸內(nèi)都隱藏著極其復(fù)雜的分子信號(hào)通路。例如，海馬突觸隱藏在我們對(duì)最近事件的記憶之下，每個(gè)突觸都包含一個(gè)由數(shù)百種不同類型分子組成的化學(xué)反應(yīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)能夠?qū)崿F(xiàn)具有復(fù)雜時(shí)間處理能力的整個(gè)動(dòng)力系統(tǒng)。

看到這樣的復(fù)雜性，理論家或工程師可能會(huì)傾向于簡(jiǎn)單地忽略它，認(rèn)為它是進(jìn)化過(guò)程中偶然產(chǎn)生的生物混亂。然而，理論研究表明，這種突觸復(fù)雜性可能確實(shí)對(duì)學(xué)習(xí)和記憶至關(guān)重要。

更普遍的情況是，我們目前的 AI 系統(tǒng)很可能忽略了生物突觸的動(dòng)態(tài)復(fù)雜性，僅僅關(guān)注表格上體現(xiàn)的性能提升。正如我們?cè)诰W(wǎng)絡(luò)中增加了空間深度來(lái)實(shí)現(xiàn)復(fù)雜的層次表示一樣，我們也可能需要在突觸中增加動(dòng)態(tài)深度來(lái)實(shí)現(xiàn)復(fù)雜的時(shí)間學(xué)習(xí)能力。

單個(gè)突觸內(nèi)的復(fù)雜分子狀態(tài)有助于學(xué)習(xí)和記憶。(參考： A memory frontier for complex synapses.)

通常，當(dāng)前的商業(yè) AI 系統(tǒng)涉及的訓(xùn)練網(wǎng)絡(luò)具有相對(duì)同質(zhì)的分層結(jié)構(gòu)或從隨機(jī)權(quán)重表開始的遞歸結(jié)構(gòu)。然而，對(duì)于更復(fù)雜的任務(wù)來(lái)說(shuō)，這可能是一個(gè)很難解決的問題。

事實(shí)上，生物進(jìn)化走的道路截然不同。所有脊椎動(dòng)物最后的共同祖先生活在 5 億年前。從那以后，它的原始大腦一直在進(jìn)化，形成了大約 1 億年前的哺乳動(dòng)物大腦，和大約幾百萬(wàn)年前的人類大腦。這種不間斷的進(jìn)化鏈導(dǎo)致了復(fù)雜的大腦結(jié)構(gòu)和高度保守的計(jì)算元素，以及巨大的系統(tǒng)級(jí)模塊化。

事實(shí)上，我們目前缺乏任何工程設(shè)計(jì)原理能解釋像大腦這樣復(fù)雜的傳感、通信、控制和記憶網(wǎng)絡(luò)如何在 5 億多年的時(shí)間里不斷地?cái)U(kuò)大規(guī)模和復(fù)雜性，同時(shí)又不會(huì)失去在動(dòng)態(tài)環(huán)境中自適應(yīng)運(yùn)作的能力。因此，AI 從大腦的系統(tǒng)級(jí)結(jié)構(gòu)中獲取線索可能非常有趣。

一個(gè)關(guān)鍵的系統(tǒng)特性是功能和解剖層次上的模塊化。大腦并不像我們目前的 AI 架構(gòu)一樣是同質(zhì)的，而是有不同的模塊，比如海馬體 (用于輔助情景記憶和導(dǎo)航)、基底神經(jīng)節(jié)(基礎(chǔ)強(qiáng)化學(xué)習(xí)和行為選擇) 和小腦(運(yùn)動(dòng)控制和更高層次的認(rèn)知)。

此外，人腦中的記憶系統(tǒng) (習(xí)慣性記憶、運(yùn)動(dòng)技能、短期記憶、長(zhǎng)期記憶、情景記憶、語(yǔ)義記憶) 在功能上也是模塊化的；不同的患者可能在一種記憶上有缺陷，而在另一種記憶上沒有缺陷。

又如，在運(yùn)動(dòng)系統(tǒng)中，嵌套反饋回路結(jié)構(gòu)占主導(dǎo)地位，簡(jiǎn)單的快速回路通過(guò)脊髓在 20 毫秒內(nèi)就能實(shí)現(xiàn)自動(dòng)運(yùn)動(dòng)校正，稍慢的智能回路通過(guò)運(yùn)動(dòng)皮層在 50 毫秒內(nèi)能實(shí)現(xiàn)更復(fù)雜的運(yùn)動(dòng)校正，最后，流經(jīng)整個(gè)大腦的視覺反饋實(shí)現(xiàn)有意識(shí)的運(yùn)動(dòng)錯(cuò)誤糾正。

最后，所有哺乳動(dòng)物大腦的一個(gè)主要特征是由大量相似的 6 層皮質(zhì)柱組成的新皮層，所有這些柱狀結(jié)構(gòu)都被認(rèn)為是在一個(gè)標(biāo)準(zhǔn)的計(jì)算模塊上實(shí)現(xiàn)變化的。

總的來(lái)說(shuō)，經(jīng)過(guò) 1 億年進(jìn)化而來(lái)的現(xiàn)代哺乳動(dòng)物大腦非凡的模塊性，表明這種系統(tǒng)級(jí)模塊化可能有利于實(shí)現(xiàn)人工智能系統(tǒng)，當(dāng)前的從白紙狀態(tài)開始訓(xùn)練神經(jīng)網(wǎng)絡(luò)方法對(duì)于實(shí)現(xiàn)更一般的人類智能是不可行的。

AI 系統(tǒng)與 human-like learning 之間的另一個(gè)主要區(qū)別在于，AI 系統(tǒng)要接近人類水平的表現(xiàn)，需要大量的標(biāo)記數(shù)據(jù)。

例如，最近的語(yǔ)音識(shí)別系統(tǒng)使用 11940 小時(shí)的語(yǔ)音進(jìn)行訓(xùn)練，并有對(duì)應(yīng)的文本語(yǔ)料。如果我們每天花 2 小時(shí)看和聽另一個(gè)人大聲朗讀文本，需要 16 年才能獲得這么大的數(shù)據(jù)集。

AlphaGo zero 自我對(duì)弈了 490 萬(wàn)場(chǎng)圍棋，才擊敗了人類圍棋大師。如果一個(gè)人話 30 年的時(shí)間，每天必須要下 450 場(chǎng)才能達(dá)到 AlphaGo zero 的練習(xí)量。

此外，最近的一個(gè)關(guān)于可視化問答的數(shù)據(jù)集包含 0.25M 的圖像、0.76M 的問題和~ 10M 的答案。如果我們每天收到 100 個(gè)關(guān)于圖像的問題的答案，那么我們需要 274 年的時(shí)間才能接觸到這么大的數(shù)據(jù)集。

很明顯，在所有這些情況下，人類接收到的帶標(biāo)簽的訓(xùn)練數(shù)據(jù)要少得多，但人類能夠很好地識(shí)別語(yǔ)音、下圍棋和回答有關(guān)圖像的問題。

彌合人工智能和生物智能之間這一鴻溝的幾個(gè)關(guān)鍵在于，人類從無(wú)標(biāo)記數(shù)據(jù)中學(xué)習(xí) (無(wú)監(jiān)督學(xué)習(xí)) 的能力，以及從解決先前任務(wù)時(shí)獲得的強(qiáng)大先驗(yàn)知識(shí)，并將這些知識(shí)轉(zhuǎn)移到新任務(wù) (轉(zhuǎn)移學(xué)習(xí)) 的能力。

最后，人類社會(huì)已經(jīng)建立了教育系統(tǒng)，包括精心選擇的任務(wù)序列的設(shè)計(jì)，以促進(jìn)知識(shí)的獲取 (課程設(shè)計(jì))。

為了在人工系統(tǒng)中有效地實(shí)例化這些概念，我們需要對(duì)人類和其他動(dòng)物如何進(jìn)行無(wú)監(jiān)督學(xué)習(xí)、如何在任務(wù)之間傳遞知識(shí)以及如何優(yōu)化課程等問題有更深層次的理解和數(shù)學(xué)形式化。這些領(lǐng)域的進(jìn)步，需要計(jì)算機(jī)科學(xué)家、心理學(xué)家和教育工作者的相互合作，這可能是減少當(dāng)前 AI 系統(tǒng)令人望而卻步的數(shù)據(jù)需求的關(guān)鍵。在其他標(biāo)記數(shù)據(jù)稀缺的領(lǐng)域，它們對(duì)于增強(qiáng) AI 的能力至關(guān)重要。

Taskonomy：斯坦福大學(xué)進(jìn)行的一項(xiàng)關(guān)于 26 項(xiàng)不同視覺任務(wù)之間的遷移學(xué)習(xí)的研究

當(dāng)前成功商用的 AI，多是監(jiān)督學(xué)習(xí)模型。AI 被動(dòng)獲取輸入，人為調(diào)參糾正輸出的結(jié)果。

但是反觀人類，即使是嬰兒也可以主動(dòng)去探索周圍環(huán)境，具有學(xué)習(xí)和利用世界模型的卓越能力。 

舉個(gè)例子。我們可以玩?zhèn)€小魔術(shù)，給嬰兒看兩個(gè)東西，A 好像是可以穿墻而過(guò)；B 好像撒手后不會(huì)掉下來(lái)。

把這兩個(gè)東西教給嬰兒后，嬰兒拿到 A 會(huì)嘗試去把它推進(jìn)硬質(zhì)表面；而拿到 B 則會(huì)撒手，看看它到底會(huì)不會(huì)掉下來(lái)。

你看，嬰兒不需要人為去糾正結(jié)果，而是會(huì)去主動(dòng)去探索結(jié)果。這個(gè)非凡的實(shí)驗(yàn)表明：

1. 嬰兒的腦海中已經(jīng)建立起物理世界運(yùn)作規(guī)律的模型

2. 能夠注意到違反物理世界運(yùn)作規(guī)律的事件

3. 積極驗(yàn)證上述事件收集數(shù)據(jù)，并主動(dòng)根據(jù)模型選擇訓(xùn)練數(shù)據(jù)

這個(gè)實(shí)驗(yàn)給了我們很大啟發(fā)，即：從經(jīng)驗(yàn)中學(xué)習(xí)世界模型，并使用這些世界模型來(lái)制定未來(lái)的行動(dòng)規(guī)劃，以及進(jìn)行決策。

該系統(tǒng)直接將世界狀態(tài)映射到值或預(yù)期的未來(lái)獎(jiǎng)勵(lì)，人工智能中的這項(xiàng)工作可以與神經(jīng)科學(xué)的工作攜手并進(jìn)，揭示動(dòng)物的神經(jīng)活動(dòng)如何與想象的和實(shí)現(xiàn)的未來(lái)相關(guān)。 

此外，好奇心等基本驅(qū)動(dòng)因素可以化為強(qiáng)化學(xué)習(xí)系統(tǒng)，以促進(jìn)學(xué)習(xí)和探索。 

這種基于模型的規(guī)劃和決策，可能是當(dāng)前無(wú)模型強(qiáng)化學(xué)習(xí)系統(tǒng)的有力輔助。進(jìn)一步深入理解促進(jìn)動(dòng)物和人類學(xué)習(xí)的內(nèi)在生物驅(qū)動(dòng)，可能對(duì)加速人工智能的學(xué)習(xí)非常有益。

生物系統(tǒng)和人工智能系統(tǒng)之間的另一個(gè)數(shù)量級(jí)差異，在于它們的能量消耗。 同樣的計(jì)算量，人腦僅消耗 20 瓦的功率，而超級(jí)計(jì)算機(jī)則以兆瓦的功率運(yùn)行。

造成這種差異有兩個(gè)愿意。首先，可能是因?yàn)閿?shù)字計(jì)算本身需要在計(jì)算的中間階段，以極高的可靠性翻轉(zhuǎn)每一個(gè) bit。

相對(duì)的，生物計(jì)算像是讓一群猴子敲代碼，嘈雜又不精確；可每個(gè)中間步驟卻非?？煽浚瑢?dǎo)致最終結(jié)果是精準(zhǔn)的。

另外，大腦還會(huì)智能地，根據(jù)所需的通信速度調(diào)節(jié)能量成本，只在需要更高速度且僅需要更高可靠性時(shí)，才會(huì)消耗更多能量。而數(shù)字計(jì)算機(jī)的每個(gè)時(shí)鐘周期，都需要消耗大量的能量。 

我們以大腦中遍歷目標(biāo)神經(jīng)元的單個(gè) bit 所需的成本為例 [18]。

首先，囊泡的隨機(jī)釋放化學(xué)信號(hào)，以 1 毫米 / 秒的速度擴(kuò)散到源神經(jīng)元和目標(biāo)神經(jīng)元之間的空間，僅消耗 2.3fJ 能量（考慮到神經(jīng)元連接之間的距離只有 20 納米，這個(gè)速度完全沒有問題）。

然后，該化學(xué)信號(hào)被轉(zhuǎn)換為無(wú)源電信號(hào)，再以 1 米 / 秒的速度流過(guò)神經(jīng)元細(xì)胞體，橫穿約 10 微米燃燒 23fJ。 

最后到達(dá)軸突終端并轉(zhuǎn)換為長(zhǎng)軸，沿著軸突以 100 米 / 秒的速度行進(jìn) 1cm，消耗 6000fJ。 

可以看到，在從化學(xué)信號(hào)傳遞到被動(dòng)電信號(hào)時(shí)，大腦動(dòng)態(tài)地將通信速度上調(diào) 1000 倍，以跨越增加 1000 倍的距離，從而導(dǎo)致能量消耗增加 10 倍。 

類似地，在從被動(dòng)到主動(dòng)電信號(hào)傳輸?shù)倪^(guò)程中，大腦將通信速度提高 100 倍，以跨越增加 1000 倍的距離，從而導(dǎo)致能量消耗增加約 200 倍。

所以生物計(jì)算的混亂模式，反而可能反映出高能效的設(shè)計(jì)原則，值得我們借鑒到 AI 硬件中。

Neurogrid：由硅實(shí)驗(yàn)室的斯坦福大腦開發(fā)的一種生物啟發(fā)的神經(jīng)形態(tài)計(jì)算機(jī)

最近，神經(jīng)科學(xué)和人工智能之間的相互作用的發(fā)展，綜合深度和復(fù)發(fā)神經(jīng)網(wǎng)絡(luò)模型的發(fā)展，成功構(gòu)建出動(dòng)物的在對(duì)應(yīng)不同任務(wù)時(shí)，調(diào)用不同大腦區(qū)域的模型。例如腹側(cè)視覺流，聽覺皮層，前額皮質(zhì)，運(yùn)動(dòng)皮質(zhì)和視網(wǎng)膜。 

我們驚奇的發(fā)現(xiàn)，當(dāng)訓(xùn)練深度或復(fù)發(fā)網(wǎng)絡(luò)來(lái)解決任務(wù)時(shí)，其內(nèi)部活動(dòng)模式，與測(cè)量出來(lái)的（解決相同任務(wù)的）動(dòng)物內(nèi)部神經(jīng)活動(dòng)模式非常相似。 

這就涉及到一個(gè)基本問題：我們?nèi)绾卫斫膺@些模型正在做什么以及它們?nèi)绾喂ぷ鳎恳簿褪钦f(shuō)，如何解決 AI 神經(jīng)網(wǎng)絡(luò)的可解釋性？

某些應(yīng)用場(chǎng)景，尤其像醫(yī)學(xué)診斷或和法律，AI 必須是透明的、可解釋的。如果醫(yī)生和法官無(wú)法解釋為什么 AI 系統(tǒng)給出這樣的決定，就沒人敢采用人工智能系統(tǒng)的建議。

任務(wù)驅(qū)動(dòng)的視覺系統(tǒng)卷積循環(huán)模型可以同時(shí)執(zhí)行機(jī)器視覺任務(wù)并解釋猴子視覺系統(tǒng)的動(dòng)態(tài)

正如我們相信物理世界中一切現(xiàn)象的背后，都被普世的定律控制：空氣動(dòng)力學(xué)控制飛行；量子力學(xué)控制納米世界的演化等等。

我們認(rèn)為在智能領(lǐng)域，同樣存在著普世的定律，可以連接和統(tǒng)一神經(jīng)科學(xué)，心理學(xué)，認(rèn)知科學(xué)以及人工智能等相關(guān)學(xué)科，同時(shí)和分析計(jì)算領(lǐng)域（如物理，數(shù)學(xué)和統(tǒng)計(jì)學(xué)）互惠互利。 

例如本文作者同時(shí)使用了動(dòng)力系統(tǒng)理論 [25-28]，統(tǒng)計(jì)力學(xué)[29-33]，黎曼幾何[34]，隨機(jī)矩陣?yán)碚揫13,35] 和自由概率理論 [36] 等技術(shù)，獲得對(duì)生物和人工網(wǎng)絡(luò)運(yùn)作的概念性見解。 

創(chuàng)造智能機(jī)器可能存在多種解決方案，其中一些組件在生物解決方案和人工智能解決方案之間共享，而其他組件則可能不同。通過(guò)尋求普世的智能定律，我們可以更有效地理解和遍歷整個(gè)解決方案空間。

發(fā)現(xiàn)適用于生物和人工系統(tǒng)的新興智能的潛在法則，以及建立受神經(jīng)科學(xué)和心理學(xué)啟發(fā)的新型 AI，需要大家共同努力。

我們需要建立新的研究團(tuán)體，遍布不同的學(xué)科，還需要培養(yǎng)新一代思想領(lǐng)袖，能夠在計(jì)算機(jī)科學(xué)家，神經(jīng)生物學(xué)家，心理學(xué)家和數(shù)學(xué)理論家等不同身份之間，隨意轉(zhuǎn)換。

這可能是本世紀(jì)及以后最激動(dòng)人心的智力活動(dòng)之一！