人工智能科学计算器-后摩尔时代最具发展潜力的颠覆性领域之一

类脑智能是“十四五”规划纲中提出的未来产业之一。在通向通用人工智能的道路上，类脑智能已经被认为是最有希望的方案之一。

脑科学被视为理解宇宙、自然与人类关系的“终极疆域”，人类从未停止对人脑的探索，以及对其运行机制的模仿。

人脑以极强的可塑性、通用性、自适应性、自组织性以及低能耗、高效率等，为人工智能技术的发展提供了启发和示范。类脑智能这一新兴学科得以诞生，被认为是后摩尔时代最具发展潜力的颠覆性领域之一。

01

类脑智能：通向通用人工智能的路径

类脑智能又被称为神经形态计算，旨在模拟人类大脑的形态结构及信息处理机制。

而类脑计算是实现类脑智能的前提。

众所周知，现有计算机都是基于冯·诺依曼架构实现的，其处理器工作原理就是按分时复用的方式，将高维信息的处理过程转换成时间序列的一维处理过程。这一计算架构的特点是计算与存储分离，结构简洁、易于实现高速数值计算。

（冯·诺依曼计算架构）

不过，冯·诺依曼架构在处理包含非结构化、时空关联信息的感知、认知以及决策等相关问题时，表现出效率低、能耗高、实时性差等问题，甚至无法构造合适的算法。比如当今最先进的计算机，也难以完成一只昆虫能够轻易实现的环境感知与适应等相关任务。

而人类大脑却是一个与冯·诺依曼架构正好相反的“计算器”，虽然人脑不擅长高速率大规模数值计算，但是人脑可以在有限尺寸和极低能耗下，完成复杂环境下的信息关联记忆、自主识别、自主学习等认知处理，实现这一“计算”的基础正是脑神经网络的多层次复杂空间结构和脑神经的高度可塑性。

基于人脑的这些特点，科学家们提出非冯·诺依曼架构的类脑计算，就是借鉴大脑神经网络，存储计算一体化，将高维信息放在多层、多粒度、高可塑性的复杂网络空间中进行处理，使其具有低功耗、高鲁棒性、高效并行、自适应等特点。

类脑计算既适用于处理复杂环境下非结构化信息，又有利于发展自主学习机制，甚至最终有望模拟出大脑的创造性，实现类脑智能，这种更具通用性的人工智能。

现有的人工智能技术大多数能够处理的问题具有以下特点：1、充足的数据；2、单一、确定的问题；3、完备的知识；4、静态。因此为一个问题提供一个解决方案，使得现有的人工智能仍然属于弱人工智能的范畴。

当我们要处理超出这些条件的复杂问题的时候，现有 AI 技术就会遇到困难，而我们就需要更具人类智能特点的通用人工智能（AGI）。

类脑计算以及由此产生的类脑智能，就是人们实现通用人工智能的方法之一。

02

类脑智能的应用：想象空间巨大

类脑智能的开发是为了让机器模仿人类大脑进行信息处理，模仿人类的认知行为和智能水平，最终实现终极人工智能。

01

类脑感知模拟视觉、听觉、触觉和嗅味觉

根据人类感知世界的方式，类脑感知可以分为视觉智能、听觉智能、触觉智能和嗅味觉智能。当前的视觉智能、听觉智能处于信息技术领域学术研究与实际应用的最前沿。相比之下，触觉智能和嗅味觉智能处于材料硬件、规模化芯片硬件和类脑芯片结构创新的研究阶段。

在基础研究层面，类脑视觉智能已经发展为目前以深度学习为代表的视觉方法。在产业发展层面，视觉智能从上游的光源、镜头、相机，到视觉系统中游的中间算法，再到下游的设备制造和终端应用等已经取得全面的发展。

听觉智能作为另外一个发展较为成熟的领域，其主要研究内容以自然语言处理为核心，以语音和文本为载体，对抽象的信息进行表达。在应用层面，语音信号处理技术已广泛应用于虚拟主播、在线通话、智能音箱等。在产业界，自然语言处理技术已经被用于机器翻译、聊天机器人、舆情分析和市场预测等各个领域。

触觉智能是相对发展较为缓慢的一类感知技术。为了实现机器人准确地感知世界，需要全方位的视觉智能与触觉智能。

嗅味觉智能的研究难点也在感知材料层面，而不是后续的深度学习算法与认知训练层面。人工智能对味觉与嗅觉的识别，进展远远落后于对视觉和听觉的识别。原因之一是视觉与听觉的数据获取相对容易且标注较为简单。

而相比之下，嗅觉与味觉的标注非常稀疏，且大部分物品并不会被轻易标注，因为人类不会自己去尝试陌生物品的味道。在基础理论层面，人类对味觉和嗅觉的机理研究并不透彻，目前的认知仅停留在味道与物质分子有关，而对分子之间的联合作用不存在类似视觉的系统认知。因基础理论认知的缺失、感知材料的发展限制，嗅味觉智能尚未在工业界广泛应用。

02

类脑记忆已用于问答系统、机器翻译

生物大脑在进行信息处理时，能够将信息记住一段时间，即大脑具有记忆功能。该功能是生物大脑的重要功能，是大脑进行学习、认知的基础。根据记忆时间的长短，可将记忆分为短时记忆和长时记忆。短时记忆是对当前环境的即时反应，将当前环境数据存储于生物大脑中，从微观角度来看，短时记忆是刺激神经元后的持续性变化。长期记忆是对历史信息的高层次概括，从微观角度来看，是神经元之间的突触连接和强度发生了变化。具有记忆单元的智能体有很好的自适应能力，可以从历史经验中学习，从而更好地发挥作用。

受到脑科学的启发，研究人员将记忆模块应用于机器学习模型中。长短期记忆网络就是一种代表性方法。它通过对神经记忆单元进行结构化设计，通过门控模型控制信息的更新。其中，遗忘门控制信息中的哪些部分会被丢弃，输入门控制神经元要更新的信息，输出门控制神经元要输出的信息，一个细胞状态中存储着由遗忘门和输入门共同确定的可记忆的信息。长短期记忆网络方法将信息表示成固定长度的向量化编码，当外部信息量变大时，这种定长的编码方法可能会丢失信息的细节。这导致了长短期记忆网络的记忆能力有限，并不能精确地记住过去的事实。此时的大部分模型都缺乏可以读取和写入外部知识的组件。

在此基础上人工智能科学计算器，研究人员开始研究非定长的记忆单元存储信息。

Facebook 团队提出的记忆网络就是其中一种。该团队在记忆网络中引入了一个独立的存储器。我们可以通过类比方式来理解这种网络：网络结构可看作计算机中的中央处理器，而独立存储器可看作随机存储器。一个记忆网络由一个记忆数组和四个组件（输入组件、泛化组件、输出组件、回答组件）组成。输入组件负责将输入数据转化为网络内在的向量；泛化组件用来更新记忆数组；输出组件结合输入，从记忆数组中抽取合适的记忆；回答组件负责将输出组件的输出转化为需要的形式。

记忆网络虽然解决了定长记忆方法的局限性人工智能科学计算器，但这种方法并不是一种端到端的方法。端到端的记忆神经网络随之出现了。键值记忆网络的提出解决了端到端的神经网络记忆规模不足的问题。以上方法通过非定长记忆编码的方式改善定长记忆方法的缺陷，但随着记忆的增长，这种方法可能会造成信息的冗余。因此，学者又引入了注意力机制来对信息进行动态融合，提取记忆中的重要信息。目前，相关工作已经在问答系统、机器翻译等任务中取得了良好表现。

尽管目前的神经网络计算模型对记忆的借鉴已经在应用层面取得了良好的效果，但这些方法仍然是从功能角度去模拟大脑，其进一步的发展还需要对人脑记忆机制和原理进行深入的探索。

在类脑记忆方面，现有的人工神经网络并不具备生物机理作为理论支撑。类脑记忆未来的发展方向应该借鉴生物大脑的研究，根据生物大脑的记忆环路结构及相关理论构建多尺度的记忆框架，实现自主记忆。

03

类脑智能的未来：行业发展步伐正在加快

智能化发展是大势所趋，人工智能已上升至国家战略地位，而类脑智能是人工智能终极目标，因此受到了包括美国、欧盟、日本、韩国、中国等多个国家的关注。在海外，IBM、英特尔、微软、高通、谷歌等科技巨头纷纷进入类脑智能领域布局，类脑智能相关初创公司也在不断增多，例如美国Emotiv、美国Neurallink、瑞士aiCTX等。

我国政府对类脑智能行业发展极为重视。2017年1月，国家发改委正式批复同意由中国科学技术大学作为承担单位，建设类脑智能技术及应用国家工程实验室。“十四五”国家重点研发计划“生物与信息融合（BT与IT融合）”重点专项中，组织工程类脑智能复合体设计与开发被列入。2021年正式启动科技创新2030——“脑科学与类脑研究”重大项目，大力开展类脑研究。

2019年，清华大学施路平教授团队研发出了全球首款异构融合类脑计算芯片“天机（Tianjic）芯”，当时的《Nature》总编斯基珀博士赞誉它为“人工智能领域的重要里程碑”。

目前，类脑计算的基础理论和核心技术已取得不少突破。可以预见，类脑研究将进入前所未有的高速发展期，催生一批新理论和技术成果，引领新一轮科技革命。

结语

目前的类脑研究尚处于初级阶段，仅是对大脑的高度抽象和简化。要最终形成“人造超级大脑”，还有很长的路要走。

未来研究路径应该对大脑如何进行信息加工加以揭示，阐明复杂行为之下的内在机制实现形式，特别是了解神经信息如何产生感知觉、学习、记忆、决策等认知功能，并思考如何通过机脑实现智能，建立新型的计算结构与智能形态，使其在信息处理机制上“类脑”，在信息处理性能上“超脑”，在认知行为和智能水平上“类人”。