AI人工智能类脑智能，迈向通用人工智能新可能？ |IBM|

如今，第三次人工智能浪潮的兴起已经是一个不争的事实。我们知道这一次的人工智能浪潮不仅仅是一次技术的创新，更是一场产业的变革。机器学习，特别是深度学习等算法的突破、算力和数据的井喷，让AI技术已经广泛应用在社会生产生活的众多领域。
不过从这一轮AI变革的实质来看，深度学习算法依然是一种数据驱动的一种模拟计算，目前仅仅在语音、图像、文字识别等感知领域有着较强的应用，距离人类更加复杂的因果推理、假设联想等高级认知能力还有很远距离，甚至有着本质的差别。
在从当前弱人工智能通向强人工智能，以致于通用人工智能的道路上，学术界正在推动以类脑智能和类脑计算为方向的新的研究方向，来实现由弱到强的人工智能的升级。
刚刚结束的2020世界人工智能大会（WAIC）上，来自复旦大学类脑智能科学与技术研究院的林伟教授在“认知智能，改变世界”行业论坛中提到， “类脑智能已成为人工智能跨越式发展的突破口。 ”
类脑智能和类脑计算到底是什么，与现有经典计算和当前的AI技术有哪些不同，是否真的能够担此“跨越式”的重任？面对如此多问题，这次我们就来一探“类脑智能”的究竟。
类脑计算：打破冯·诺依曼架构禁锢
实现类脑智能的前提的实现类脑计算。在了解类脑计算之前，我们简单聊下现在主流的计算机架构——冯·诺依曼架构。
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。

本文插图
（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。
我们回过头来再看推动当前产业智能变革的AI技术。深度学习是在一定程度上对人类神经网络结构进行的模拟，但其过程要依靠现有的经典“冯·诺依曼”架构的计算方式，使用优化问题建模并求解，其实质仍然是按照分时序列的计算，所以会呈现出算力要求高、数据计算量大的特点。
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，就是人们为实现AGI的方法之一。