类脑智能，怎么就成了AI的新宠？

类脑智能，正在成为AI领域的新角逐点。

就当下而言，类脑研究已经成为世界各国研究的科技战略重点，美国、欧盟和日本相继提出自己的脑计划，类脑研究皆被列为其中重要内容。与此同时，中国正在制定的脑计划中，类脑与脑机智能也属于核心内容。

事实也的确如此，随着大脑成像、脑机交互、生物传感、大数据处理等新技术接连迭代，脑科学开始与计算技术、人工智能、认知心理等其它学科交叉融合，作为AI的新突破口，类脑智能正迎来技术奇点时刻。

“作为一种借鉴人脑存储处理信息方式发展起来的新技术，类脑计算将是人工通用智能的基石。”

清华大学精密仪器系教授、类脑计算中心主任施路平曾这样表示，即便如此，身处AI领域的类脑智能，依然面临着AI的共性问题，比如落地场景不清晰、成本高昂、回报比难核算等问题。

基于此，本文新眸将着重解构类脑智能及其商业化逻辑。

老树，能否开新花？

不可置否的是，人工智能的整体发展似乎陷入了瓶颈期。

“在我们今天学习框架和基础科学范围内，未来会不会出现超级智能，或者说通用人工智能，到达人类创新思维能力，其实还是一个科学范畴的问题。”主攻人工智能类脑方向的元知智能研究院院长崔兴龙如是说。

以上观点里的逻辑并不难理解，通俗的讲，就是人工智能虽被冠以智能二字，但“智商”却没有人们想象中的高。

举个简单的例子，当日本福岛核电站发生泄漏后，本被寄予厚望的机器人并没有顺利完成灾后事故处理任务，大量高风险的工作仍然需要由人力来完成；爆火的无人驾驶的概念车，只能在某些测试路段上做到高度自动驾驶，无法在人口密集、地形复杂的城市街道上正常行驶。

这些具体应用中存在的痛点，其实都指向了以深度学习为代表Al技术，依然存在局限性。

究其原因，还是要回归到技术维度上来解读。一般来说，深度学习是通过卷积神经网络（CNN）或递归神经网络（RNN）来实现，虽然CNN和RNN都属于人工神经网络，但其中的人工神经元，至今仍在使用上世纪40年代时的模型，虽然现在设计出来的人工神经网络变得愈加复杂，但从本质上来看，其神经元模型并没有太大的改进，均只是对人类大脑神经系统的高度简化与抽象化。

在此之下，Al落地难的问题不可避免地发生了。

比如机器学习不灵活，需要较多人工干预或大量标记样本；自主学习、自适应等能力弱，高度依赖于模型构建；人工智能的不同模态和认知功能之间交互与协同较少、仅解决特定问题，适用于专用场景智能。

这就让人产生了一种错觉，AI似乎没有那么智能，人脑在可解释性、推理能力、举一反三能力等方面依然领先一筹。这就意味着，AI想要完成进一步突破，对类脑智能的深入研究就显得非常关键且必要。

总的来说，类脑智能受大脑神经运行机制和认知行为机制启发，以计算建模为手段，通过软硬件协同实现的机器智能。近年来，针对类脑智能的脑科学研究正从传统的认识脑、了解脑向增强脑、影响脑的过程发展，完成从“读脑”到“控脑”的转换。

归纳起来可以理解为，类脑研究是以借鉴人脑处理信息方式为目标，模拟大脑神经系统，构建以数值计算为基础的虚拟超级脑；或通过脑机交互，最终建立新型的计算结构与智能形态。

关于类脑智能研究的重要性，或许可以从图灵奖得主Patterson David的观点中窥得一二，

他认为重新定义体系结构是基础性创新，未来十年将是计算机体系结构的黄金十年，在人工智能领域，类脑智能被看作是实现下一代人工智能的重要技术路径之一，极有可能带来智能计算的下一波浪潮。

绕不开的AI商业化难题

类脑研究想要实现“懂脑、仿脑、连脑”三步走，就要对应完成脑认知基础、类脑模拟、脑机互联。

然而，类脑智能研究的第一步，就要直面过去几十年横亘在脑科学研究领域的难题：对人类大脑机理的清晰认知。

虽然大脑是人类进化的高级产物，重量约1.5公斤，占体重2％，功耗约20瓦，占全身功耗20％，但当前人们对大脑的认识依然不足5％，尚无完整的脑谱图可参考。

早期人们对大脑内部的认知，来自于软硬件上模拟生物神经系统的结构与信息加工方式。就当下而言，虽然科学家们对单神经元模型、部分神经环路信息传递原理、初级感知功能机制等已有较清楚的理解，

但就大脑全局信息加工过程，尤其是对高级认知功能的认识还非常粗浅，大脑信息处理的数学原理与计算模型仍不清楚，针对脑功能分区与多脑区协同的算法尚不精确。

与此同时，基于硬件的类脑计算过程模拟，在类脑器件、芯片和体系结构方面仍面临着种种挑战，传统架构的计算系统面临着能耗高、算法构造困难等问题，与传统计算机相比，人脑能够以极低能耗处理多种不同类型的智能任务，在现有类脑芯片在有限硬件资源、有限能耗约束下，难以实现大规模神经元互连集成和神经元脉冲信息高效实时传输。

言下之意，如何突破现有计算系统架构，建立类脑的新型体系结构和计算方式，仍需重点探索。

一方面，是对大脑的生理机制知之甚少；另一方面，是无法把大脑的工作方式抽象成计算机可以理解的数学模型，这是类脑人工智能落地困难的两大原因。

除此之外，类脑智能还要面临来自AI难商业化的共性问题压力。

新眸曾在《AI难逃“集邮”命运》一文中提到，AI商业化的本质并非专注于技术的迭代优化，而是善用技术解决客观存在的实际商业问题，从众多的应用场景分析可知：一方面，人工智能能够将人从简单、重复、繁重的工作中解放出来，算法仍是AI准确性和效率的核心；另一方面，场景的适配性是AI成功落地的关键环节。

就目前AI行业格局来看，早期玩家原始技术积累基本完成，正处于卡位具体场景商业化阶段。尤其是基于视觉、语音和文本的AI技术相对较为成熟，在相对好落地的To B领域（比如零售、安防、教育、教育、金融等）已经扎满了玩家，空间所剩无几，而To G又不是普通玩家能够驾驭的。

这直接导致了AI赛道的整体降温。

根据亿欧网数据，中国AI初创企业从2012年起，经过4年的高速发展，在2016年达到顶峰，而后 AI 创业热度逐步降温，2020 年1-4月仅成立4家AI企业，是2019年全年数量的12%。如果按照这个数据来推算2020年全年，AI领域初创企业也不及去年的一半。

图：2012-2020年4月中国人工智能领域初创企业成立情况（来源：国盛证券、亿欧网）

由此可见，类脑智能想要实现进一步突破，AI商业化的共性问题依然需要克服。

共性难题下的新路径

过去60年，人工智能经历了2次从爆发到低谷的过程，到了21世纪，随着数据的爆发式增长，算力和深度学习的成熟，人工智能迎来了第3次发展浪潮。

共2页: 上一页下一页

>相关《类脑智能，怎么就成了AI的新宠？》内容：

纽约商品交易所的黄金期货买卖是由交易所营业时间内的公开叫价交易时段和交易所收市后的电子交易时段所组成。传统的公开叫价时间内的报价由于是由出市代表叫喊，人为的流程会令市场价格较为波动。在电子交易时段内，因为交易所是以自动配对的方式将市场内...【继续阅读】

理财鱼小提示：【期末周图鉴】期末周来啦！怎么防止内卷，有效进行期末复习？快跟随小译一起来看看吧！ 期末周图鉴 叮咚～ 一年一度的期末周又来啦！ 是不是感觉大家都在紧张的复习？ 是不是感觉有被“卷”到？ 不要慌！ 就让小译带你一起 学习怎么防止内卷吧！...【继续阅读】

理财鱼小提示：【人居环境】农村人居环境怎么提升？这份手册来指导！（三） 持续改善农村人居环境，是实施乡村振兴战略的一项重要任务，是社会主义新农村建设的重要内容，事关广大农民的根本福祉。近年来，我市围绕农村人居环境整治提升“一推三治五化”重点内容...【继续阅读】