雷鋒網(wǎng)按：2017 年 7 月 28-30 日，由 中國計算機學(xué)會（CCF）主辦的高端學(xué)術(shù)活動——中國計算機學(xué)會學(xué)科前沿講習(xí)班（CCF Advanced Disciplines Lectures，簡稱 ADL）第 81 期在北京中國科學(xué)院計算技術(shù)研究所舉辦。

本期講習(xí)班由北京大學(xué)計算機科學(xué)技術(shù)系主任，信息科學(xué)技術(shù)學(xué)院教授黃鐵軍主持，另有六名來自學(xué)界、業(yè)界的大牛，為現(xiàn)場百名學(xué)員講解了“類腦計算”相關(guān)的前沿與應(yīng)用。雷鋒網(wǎng)亦到現(xiàn)場聽講。

北京大學(xué)信息科學(xué)技術(shù)學(xué)院教授，計算機科學(xué)技術(shù)系主任，國家杰出青年科學(xué)基金獲得者，教育部長江學(xué)者特聘教授

黃鐵軍教授回顧計算機和人工智能的發(fā)展，提出目前我們正處于神經(jīng)形態(tài)計算類腦計算機的元年。以AI的誕生、制造強AI、繪制大腦地圖、神經(jīng)形態(tài)計算、AI睜開眼睛為框架體系講解了類腦計算。黃鐵軍認(rèn)為相比于Brain Inspired Computing（腦啟發(fā)的計算），Brain Like（仿腦）是取得突破的可行路線，是走向“強人工智能”的必要階段，可能比“人工智能”（人工設(shè)計出來的智能）和“認(rèn)知科學(xué)”（理解思維的機理）更早實現(xiàn)。

雷鋒網(wǎng)對其演講全文進(jìn)行了不改變原意的編輯，呈現(xiàn)如下：

各位大家好！很高興大家關(guān)心類腦計算、神經(jīng)形態(tài)計算這樣新的話題。雖然這個課題去年我就講過，但是今年有一些新的進(jìn)展，而且國家的一些相關(guān)的部署，已經(jīng)開始了。所以我覺得這個講座，還是應(yīng)當(dāng)會對后續(xù)的科研工作會起到一些支持和推動作用。

類腦計算的概念以及在這個方向和領(lǐng)域下面，需要做一些什么方面的工作，哪些層次的工作，每個人的理解可能都不完全一樣，但是現(xiàn)在慢慢的還是形成了一定的共識。這次講座，我們邀請了7個講者，今天上午，我先來將我所理解的類腦計算的概念，以及一些國內(nèi)外的進(jìn)展。

我采用的是英文題目——Brain-like  Computing類腦計算，有的老師喜歡叫Brain-inspired computing，受腦啟發(fā)的計算，但是我更愿意叫類腦計算。neuromorphic  computing這個詞更專業(yè)一點，學(xué)術(shù)一點，然而放在媒體上去介紹，類腦計算更能讓公眾了解。但是它背后也有很多歧義，大家一說類腦，怎么類腦，馬上有很多各自的理解和解釋。神經(jīng)形態(tài)計算這個詞更為準(zhǔn)確一些，我們做的這種新的計算模型、計算范式，實際上是一種神經(jīng)形態(tài)，我一會兒再解釋神經(jīng)形態(tài)。如果是做學(xué)術(shù)寫論文，我建議你用“神經(jīng)形態(tài)計算”這個詞，會找到一些以前的或者更為準(zhǔn)確的文獻(xiàn)。

實際上我覺得所有搞計算機的人 ，心理一定會有一個人工智能的夢想。計算機可以說是人類有史以來影響最大的發(fā)明，這個發(fā)明到底能干什么？搞計算機的人總會想計算機可以做越來越強的計算邏輯和各種各樣的信息處理能力，是不是能夠代替大腦，超過大腦。當(dāng)我們把計算機跟腦做比較的時候，一般來說我們會覺得遙不可及。

大家都在媒體上看到過霍金和馬斯克講人工智能，說如果你發(fā)展人工智能，肯定對人類社會的影響會很大，但是如果出現(xiàn)超級人工智能的話，我們?nèi)祟惥蜁庵翜珥斨疄?zāi)。很多人反對霍金和馬斯克，認(rèn)為超級人工智能不可能，但是都沒有充分的證據(jù)。

大概在2014年前后，我就認(rèn)為這條路肯定是存在的，所以就應(yīng)該沿著這條路把這個事實現(xiàn)了。我1月7日在中華讀書報上，發(fā)表了一篇源于制造超級大腦的文章。后來2月份的時候，出版了一本書叫《超級智能》。

 

總的來說，基本上越來越多的人認(rèn)為超級智能是可能的，這樣的道路是存在的。回到計算機學(xué)科，去年是圖靈提出計算機的模型80年，第一臺計算機發(fā)明70多年，是人工智能概念提出60多年，是深度學(xué)習(xí)那一篇Science的paper發(fā)表10周年。去年類腦計算或者神經(jīng)平臺計算已經(jīng)出現(xiàn)了很多標(biāo)志性事件，讓我們相信新一代的計算機已經(jīng)出現(xiàn)了，計算機已經(jīng)進(jìn)入了一個新的歷史時期。所以我們今天重點是關(guān)于目前已經(jīng)發(fā)生的一些事，大概分五個方面。

 一、人工智能踏上正途

第一個是人工智能，我稱之為人工智能踏上正途，當(dāng)然人工智能做了60年，為什么說今天終于往正確的方向進(jìn)行呢？也不是說以前都錯了，只是說以前彎彎曲曲各種各樣的想法，目前逐漸形成了一個比較主流的方向，而這個方向是我們終極性的問題，有可能取得突破。今天我們一說人工智能，當(dāng)然大家就想可能是計算機作為一個平臺實現(xiàn)人工智能，這基本上成為一個思維方式。但是事實上我們回頭看今天的計算機，是不是能夠完成這樣一個歷史使命，這個問題是我們首先要思考的問題——靠什么實現(xiàn)人工智能或者未來的強人工智能？

計算機從起源開始，實際上已經(jīng)決定了我們今天的計算機，不是實現(xiàn)人工智能的一個合適平臺。圖靈當(dāng)時提計算機，圖靈從來沒有想提出說一臺計算機，那時候他為了解決一個數(shù)學(xué)問題：希爾伯特的23個問題中的第10問題，在數(shù)域里面存不存在不可計算數(shù)。為了證明這個問題，要提出一個概念模型，構(gòu)造一個通用機器，這個通用機器能做所有的數(shù)學(xué)操作，但是這樣的機器做不到表達(dá)剛才說的其中那些不可計算數(shù)。我們都是搞計算機，都很清楚圖靈機的概念，但是圖靈機是一個副產(chǎn)品，不是圖靈為了設(shè)計計算機而設(shè)計的。圖靈在80年代之前已經(jīng)將計算機的極限說得很清楚了。今天很多人說只要我把程序編的好，算法設(shè)計的好，計算機什么都能做。你想想，當(dāng)你回答這個問題的時候，你基于什么樣的邏輯在說，計算機什么都能做的？根本不是這樣，肯定是做不到的。

當(dāng)然我們還要說一個偉大的貢獻(xiàn)，就是香農(nóng)的貢獻(xiàn)。數(shù)學(xué)模型是抽象的，無法執(zhí)行，香農(nóng)把數(shù)學(xué)和物理聯(lián)系起來，這樣計算機就能真正造出來了。這個貢獻(xiàn)大家都知道，還是想強調(diào)一下：一個數(shù)學(xué)概念模型，用機器簡單的一個模型可以表達(dá)各種各樣復(fù)雜的數(shù)學(xué)問題。他的偉大只要一個器件就能解決各種沖突，各種邏輯和數(shù)學(xué)的計算。那是1947、1948年的時候，那個時候還沒有晶體管，物理上總是有開關(guān)，燈也是開關(guān)，我用多個開關(guān)可以組合出我們要的這種計算邏輯功能。就是把問題抽象到一個極致，然后把問題明晰化。

當(dāng)然還有馮諾伊曼體系結(jié)構(gòu)，這個也是一個歷史性的貢獻(xiàn)——把軟件和硬件分離。計算機的偉大的地方，就是通用的計算邏輯機器，可以做基本的邏輯和運用。但是你要完成任務(wù)需要靠程序，要軟件和指令。這樣的話，你買一臺機器，裝不同的程序，就可以執(zhí)行不同的任務(wù)。當(dāng)然為了完成通用性，效率是有損失的，你解決一個問題，專用電路更直接，通用的會有一些符號代價，但是這些代價，使得應(yīng)用范圍大大擴展，所以這也是一個貢獻(xiàn)。

所以我花時間去說圖靈的模型，香農(nóng)的電路和馮諾伊曼體系結(jié)構(gòu)這三件事是因為我們設(shè)計新一代的計算機，類腦計算，同樣要考慮類似的問題。我們要考慮，數(shù)學(xué)模型是什么，用什么樣的器件去實現(xiàn)，你是什么樣的體系機構(gòu)，去實現(xiàn)人工智能的一些任務(wù)，不然計算機不可能實現(xiàn)強人工智能。計算機發(fā)展到今天，第一臺計算機出現(xiàn)70年了，背后的邏輯很清楚，數(shù)學(xué)物理和體力結(jié)構(gòu)，清清楚楚在那個地方。但是不是做智能的合適平臺，你看清歷史，才能知道未來怎么做。

接著我們看一下人工智能，圖靈是1951年提出機器能思考，這當(dāng)然是人工智能問題，只是那個時候，這個詞還沒有造出。1956年，一些圖靈獎獲得者創(chuàng)造了人工智能這個詞。他們在申請研究經(jīng)費時寫道：我們有一些想法，就是通過機器仿真，學(xué)習(xí)以及智能其他課程的方方面面都可以精準(zhǔn)描述。到現(xiàn)在為止，這個想法還是很多人對人工智能理解的一個經(jīng)典想法。我們怎么做智能和學(xué)習(xí)？實際上我們先把它形式化，給它一個精準(zhǔn)的描述，就能用計算機去實現(xiàn)。他們認(rèn)為目前的計算機速度、存儲能力還很慢都不是問題，問題是我們把程序?qū)懗鰜?，這個軟件就能解決智能的問題。我們今天的很多想法仍然是沿用這樣的思路，當(dāng)然這樣的思路對或者不對，我們要考慮。

過去60年人工智能發(fā)展了很多技術(shù)路線，也有很多進(jìn)步。從最早的符號系統(tǒng)到今天的阿爾法狗，有很多標(biāo)志性事件，每一次人們都說人工智能發(fā)展這么快，是不是馬上能超越人類，后來發(fā)現(xiàn)都沒有真正的實現(xiàn)。在歷史發(fā)展中，大致來說就是三個流派一直在競爭，第一個符號主義，這是經(jīng)典人工智能，總要把它符號化、形式化、精準(zhǔn)化，有描述，然后用機器去實現(xiàn)。第二個，就是神經(jīng)網(wǎng)絡(luò)，連接主義，實際上背后的思路就是說人的智能是神經(jīng)網(wǎng)絡(luò)產(chǎn)生的，我也做一個神經(jīng)網(wǎng)絡(luò)，希望它能產(chǎn)生智能，至于產(chǎn)生什么智能，是訓(xùn)練和模型的事，首先我們走的技術(shù)路線是神經(jīng)網(wǎng)絡(luò)，所以這一塊也叫仿生學(xué)問或者生理學(xué)問。第三個，行為主義，主要是控制論，他們說實際上你想大家無論是我們一個人，或者一個動物，甚至我們生物最早的單細(xì)胞的原生生命形態(tài)，其實它的智能從哪來的？在于和環(huán)境交互過程中產(chǎn)生的。一個小孩生來，沒有什么能力，但是跟環(huán)境交互中，能力會逐漸提高。當(dāng)然人還要上學(xué)，學(xué)書本知識，動物是不學(xué)這個東西，當(dāng)是靠交互也可以。

然而，如果不真的從大腦開始，終極性的問題仍然解決不了。這個想法并不新， 1956年的時候就想到了，這些人討論了7個問題：自動計算機、編程語言、神經(jīng)網(wǎng)絡(luò)、計算規(guī)模理論、自我改進(jìn)、抽象、隨機性和創(chuàng)造性。目前自動計算機、編程語言、計算規(guī)模理論已經(jīng)弄清楚了，而神經(jīng)網(wǎng)絡(luò)、自我改進(jìn)、抽象、隨機性和創(chuàng)造性等問題還不明晰。他們當(dāng)時就在考慮，一群神經(jīng)元如何形成概念，我們今天的深度學(xué)習(xí)也形不成概念，還有第五個問題，一個智能怎么能自我提升，現(xiàn)在深度學(xué)習(xí)靠大數(shù)據(jù)訓(xùn)練，一定程度上可以提升的，只要你用數(shù)據(jù)，我的智能就會產(chǎn)生就會自動提升，但是還沒有自我性和選擇性。未來的計算機，如果還叫計算機的話，要有真正的隨機性，然后才有創(chuàng)造性。原來這個系統(tǒng)不會存在的東西，靠隨機就能出現(xiàn)了。

為什么后面幾個問題一直發(fā)展很有限，背后有兩個原理。一個是因為我們一直在用計算機做智能，在計算機上做神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)，是架構(gòu)在馮諾依曼體系結(jié)構(gòu)上的神經(jīng)網(wǎng)絡(luò)模型。神經(jīng)網(wǎng)絡(luò)是沒有什么中心的，大量的節(jié)點進(jìn)行復(fù)雜交互的網(wǎng)絡(luò)，跟計算機體系不是一回事。二是由于沒有一個針對神經(jīng)網(wǎng)絡(luò)的一種體系結(jié)構(gòu)的硬件，晶體管促進(jìn)了計算機的快速發(fā)展，但是沒有合適的神經(jīng)元器件，沒有物理上做出一個硬的神經(jīng)網(wǎng)絡(luò)，又能符合我們希望的模型，沒有類似于香農(nóng)這樣的人物出現(xiàn)，提供一個物理的橋梁，讓你實現(xiàn)這些想法，數(shù)學(xué)和神經(jīng)網(wǎng)絡(luò)的想法，就不像計算機發(fā)展那么快。

但是我們還是要找這樣一種路徑來實現(xiàn)神經(jīng)網(wǎng)絡(luò)。所以神經(jīng)網(wǎng)絡(luò)發(fā)展這么多年，有高潮、有低潮，但是總有人比較堅持。1985年Hinton提出boltzman機模型。今天大家用深度學(xué)習(xí)去說boltzman機說多層網(wǎng)絡(luò)的時候，好像是一個很新的。從1985年到2006年，沒有人做的時候，我也堅持去做這個，就是報著這樣一種心態(tài)，在堅持做神經(jīng)網(wǎng)絡(luò)。我是1995年讀博士，1996年選題，那個時候，我們所有11個博士生，就只有一個人做神經(jīng)網(wǎng)絡(luò)，這種精神就是首先你邏輯對不對，你要認(rèn)定是對的，你就堅持做下去，不管別人怎么看我這個事，為什么會有這么一種精神？因為Hinton是布爾的曾孫子，布爾邏輯那個布爾的后代，這些人是有貴族精神的，不會被流俗所影響，我認(rèn)為這個方向?qū)?，我就堅持做，慢慢調(diào)吧，有人給錢，我就做，沒人給錢，一個人做，有人給錢，幾個人做。

2006年，Geoffrey Hinton在《Science》發(fā)表關(guān)于深度神經(jīng)網(wǎng)絡(luò)的論文，現(xiàn)在深度學(xué)習(xí)已經(jīng)過熱了。2011年，深度學(xué)習(xí)沒有那么熱的時候，我在斯坦福的半年訪問，他們就是用layer做圖象識別、語音識別、自然語言處理提升的百分點數(shù)，當(dāng)然都是幾個百分點，沒有超過10%。后來，李飛飛組織的深度學(xué)習(xí)在比賽中，對圖像識別的能力提高了11個百分點?，F(xiàn)在已經(jīng)變成用更多的數(shù)據(jù)，更深的網(wǎng)絡(luò)，調(diào)調(diào)參數(shù)，然后一個結(jié)果，這就沒有什么，從研究的角度沒有什么太大意義了，但是我們都喜歡干這個事。

Alpha  go的實現(xiàn)里面有很多它新的想法，是一個標(biāo)志性的事件，但這還不是強人工智能，自主智能，但是超出了我們傳統(tǒng)上對人工智能的一種理解——總要把很多東西進(jìn)行形式化然后表達(dá)。它的突破在把圍棋當(dāng)成一個圖像去識別，這個跟人去識別的過程是類似的。所以我們講高手就是棋感，棋感從哪來？就是你下的棋數(shù)，下的多，看的棋譜多，阿爾法狗看完3000萬盤棋，棋感已經(jīng)超出人了。你說棋感這種我們通常認(rèn)為只有人類有的，機器一樣可以有。這種神秘性，我們認(rèn)為獨有性的東西，逐漸被機器替代。

所以2030年國家的重大科技項目里面，潘院士提了五大方向：大數(shù)據(jù)智能、跨媒體智能、群體智能、混合增強智能、自主無人系統(tǒng)。 2030年的時候，計算機達(dá)到什么樣的能力？當(dāng)時定了一個目標(biāo)，就是要逼近人腦的信息處理能力，具有自我認(rèn)知，自主的通用人工智能。

以上是一些背景，花了不少時間，后來應(yīng)該是相對好講。

二、制造強人工智能

第二個話題，是制造強人工智能。強人工智能又叫通用人工智能，到現(xiàn)在為止，包括阿法狗在內(nèi)的，都是弱人工智能，專用人工智能。專用人工智能是指就事論事，要解決某個智能問題。強人工智能是要達(dá)到人類水平，能夠自適應(yīng)的應(yīng)對外界環(huán)境挑戰(zhàn)的具有自我意識的人工智能。一旦達(dá)到人類水平，就會超過人類水平，所以強人工智能是我們要應(yīng)對的一個挑戰(zhàn)，這個挑戰(zhàn)也許是我們?nèi)祟惓霈F(xiàn)以來，要應(yīng)對最大的挑戰(zhàn)。

實際上世界上存在超級人工智能，本來我們?nèi)司褪?，我們本來就是一個強人工智能，我們的強人工智能基于我們的大腦，神經(jīng)系統(tǒng)。到目前現(xiàn)在為止，除了人腦之外，沒有任何一個自然或者人工智能系統(tǒng)，具有對新環(huán)境、新挑戰(zhàn)，能夠自適應(yīng)，人是最典型的具有強人工智能的。

既然人可以有，我們怎么讓機器有？一開始我就說類腦計算這個詞，很容易用不同的角度去理解，比如說Brain-inspired  computing，受腦啟發(fā)的計算，這個事已經(jīng)從人工智能開始，大家都在做，腦給了我們一些模型原理，盡管很有限，但是我們得到了一些認(rèn)知，認(rèn)知科學(xué)給我們一些啟發(fā)，我們可以設(shè)計新的算法，包括疑團算法，各種各樣的。其實背后或多或少都有認(rèn)知的應(yīng)用。但是這樣的一個理解是不能解決我說的強人工智能問題的，這樣一個思路，把我們引入歧途。

我們剛才說人類大腦有強人工智能，人類大腦的強智能是怎么出現(xiàn)的？換一個說法，人的意識是怎么回事，或者人的思維是怎么回事，人的意識起源是什么，意識背后的原理是什么，就是這樣一個問題。這樣一個問題，是我們?nèi)祟惾罂茖W(xué)問題。人類面對三個最大的科學(xué)問題，第一個宇宙的起源，生命的起源，意識的起源，這三大科學(xué)問題，是一個很難的問題，要不然就不叫它大問題了。這么一個大的科學(xué)問題，什么時候能解決，你去問腦科學(xué)家，再保守的腦科學(xué)家，也不會跟你說在100年之內(nèi)能解決，一般都會說大概幾百年的時間，也有人說會在1000年的時間，也許永遠(yuǎn)解決不了。因為這種大問題，他們沒有找到一個可行的方案，只能是說不斷往這個方向探索而已，所以不能給你一個確定的答案，因為太難了。如果他們不能告訴我們，大腦是怎么產(chǎn)生我們的意識這種強人工智能的，我們怎么辦？

別人沒有給你模型，我們是不是等模型出來再去做？我們多少年來被這么教育，科學(xué)是基礎(chǔ)，技術(shù)是基于科學(xué)我們才能發(fā)展新的技術(shù)。所以但是這種思維方式在有些情況是對的，但是大多數(shù)情況下是有問題的。比如說飛機和空氣動力學(xué)，1903年萊特兄弟就造出了飛機，但是1939年才出現(xiàn)空氣動力學(xué)用來解釋飛機為什么能飛。但是今天的飛機，靠空氣動力學(xué)的指導(dǎo)才能做得更好，但是那只是更好。第一架飛機是沒有科學(xué)理論做基礎(chǔ)的?；仡櫼幌拢覀?nèi)祟悮v史上的技術(shù)進(jìn)步和科學(xué)進(jìn)步，技術(shù)進(jìn)步幾乎可以說都是領(lǐng)先于科學(xué)進(jìn)步的，原創(chuàng)性、顛覆性的。中國四大發(fā)明，沒有一個有科學(xué)原理的，你說中國沒有科學(xué)技術(shù)，中國有技術(shù)，指南針早就用了，鄭和也不知道地球是圓的，也不知道指南針真的指南，但是我們就做出來了。后來，等到科學(xué)逐漸的磁學(xué)，這些地球我們知道怎么回事的時候，我們才理解為什么指南針能指南。

所以我們做通用人工智能，強人工智能，是不是一定要回答——智能是怎么回事這個問題？大腦到底是怎么產(chǎn)生的智能，我們是不是一定要回答這個問題，如果回答等幾百年之后，再去做了，那這件事就沒有必要再去討論了。實際上不是這樣的，類腦計算不是Brain-inspired  computing，類腦計算是Brain-like。什么是類腦計算？我們現(xiàn)在并不知道大腦為什么會產(chǎn)生這么高級的，創(chuàng)造性的知覺。但是我們知道是什么樣的物理系統(tǒng)在產(chǎn)生這個功能。這個大腦在物理意義上講是怎么回事，在物質(zhì)上是怎么回事，我們不說精神不說思維智能，我們說神經(jīng)系統(tǒng)是怎么回事，是什么樣的生物系統(tǒng)，什么樣的神經(jīng)網(wǎng)絡(luò)，在發(fā)生這樣一個復(fù)雜現(xiàn)象。所以這是大腦的解析仿真，大腦能不能解剖開，能不能把大腦的畫出來，我們要搞清楚，我們要看清楚 ，是什么樣的結(jié)構(gòu)在做，在發(fā)生這樣一個行為。所以這件事可以做的，等會兒還會講畫到什么程度。

第二個，如果我們知道大腦的神經(jīng)元，神經(jīng)網(wǎng)絡(luò)這樣一個結(jié)構(gòu)，產(chǎn)生了高級的功能，我們能不能用電子也做一個。當(dāng)然我們不用再去復(fù)制一個生物的東西，我們可以用神經(jīng)元、神經(jīng)網(wǎng)絡(luò)的功能，連接也一樣，做一個同樣的系統(tǒng)。因為神經(jīng)元也是一個信號處理，圖譜是信號的加工，這樣的功能我們可以用電子器件做出來，人腦其實也是一樣，你抓住一定程度上的結(jié)構(gòu)相似形，就會出現(xiàn)類似的功能，如果結(jié)構(gòu)的相似性精確到一定程度，復(fù)雜性就有可能出現(xiàn)。所以是照葫蘆畫瓢做一個東西，我們不問為什么。

 這樣一個系統(tǒng)，你可以去訓(xùn)練它，就像今天我們說深度學(xué)習(xí)沒有一個人不信，深度學(xué)習(xí)的功能在那，多層網(wǎng)絡(luò)在那個地方，你用大量的數(shù)據(jù)訓(xùn)練它，它就會出現(xiàn)抽象能力，分類識別各種各樣的能力。如果你做了一個大腦神經(jīng)網(wǎng)絡(luò)的東西去訓(xùn)練它，用實時的，用各種各樣的刺激去訓(xùn)練它，它也應(yīng)該出現(xiàn)類似的現(xiàn)象。一個復(fù)雜網(wǎng)絡(luò)，會產(chǎn)生更復(fù)雜的現(xiàn)象。像簡單的神經(jīng)網(wǎng)絡(luò)會產(chǎn)生簡單的現(xiàn)象，復(fù)雜網(wǎng)絡(luò)會產(chǎn)生復(fù)雜現(xiàn)象。人類一定是先理解機器智能，最終理解我們自身的智能。因為從可實現(xiàn)上，也應(yīng)該是這樣。所以你看走了四步，最終實現(xiàn)了理解意識，但是如果按常規(guī)的科學(xué)為先的思路，上來就現(xiàn)問意識怎么回事，這四步都不用走，我們就在原地等著就好了，就不會有類腦計算，不會有真正的下一代計算機了。

 

因為今天大家給我三個小時來講，所以我還可以詳細(xì)的去說下。2015年的時候，為了給北京市說清楚，我總結(jié)了三句話，他們說明白了，你們做吧。結(jié)構(gòu)層次模仿腦，器件層次逼近腦，智能層次超越腦。結(jié)構(gòu)層次模仿，把大腦的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搞清楚，仿真大腦，這就是大腦反向工程。第二個，做出神經(jīng)形態(tài)器件，從尺寸、功能上，逼近生物神經(jīng)元，這是神經(jīng)形態(tài)工程。智能層次超越腦就像我們今天去訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)一樣，用大數(shù)據(jù)，用各種的感官，當(dāng)然可以用虛擬現(xiàn)實和虛擬環(huán)境去刺激它，讓它產(chǎn)生復(fù)雜的行為，就是剛才說的，類似行為主義的訓(xùn)練。這三個層次做完之后，這個系統(tǒng)就會擁有高級的復(fù)雜功能。大概是這樣一個路徑。

所以我們所謂的類腦計算，類腦計算機，是仿造生物神經(jīng)網(wǎng)絡(luò)，采用神經(jīng)形態(tài)器件構(gòu)造的，以時空信息處理為中心的智能機器。為什么要強調(diào)時空信息處理，因為我們老說復(fù)雜環(huán)境。圖靈機處理的數(shù)據(jù)流，實際上是已經(jīng)拆借的時空信息了，盡管可以做視頻，做視覺，做現(xiàn)在復(fù)雜的任務(wù)。但是最終時間、空間都拆碎，變成一個一起進(jìn)行的數(shù)據(jù)流。一旦時間、空間被破壞之后，很多智能的任務(wù)，就很難做了。我們生物視覺、生物聽覺，從來沒有把時間、空間破壞掉，我們眼睛看世界，從來沒有時間、空間最后變成一個一味的流，我們在真正的實施并行在做。這種新的機器，要能直接出來，以這種方式處理信息，這就是以時空信息處理為中心，時空不能破壞，時空不破壞的情況能夠滿足，直接進(jìn)行處理。

所以這種神經(jīng)形態(tài)計算機，或者類腦計算機，在我們剛才說的不同的，跟經(jīng)典計算機相比在各個層次都要做一些變化。新的神經(jīng)形態(tài)計算機，它的基本器件是神經(jīng)元和神經(jīng)突觸而不是晶體管，這個是神經(jīng)形態(tài)器件，當(dāng)然是人工的、電子的。第二，經(jīng)典計算機是人定義的，是馮諾伊曼定義的體系結(jié)構(gòu)。神經(jīng)計算機是仿生物的神經(jīng)網(wǎng)絡(luò)，一個已經(jīng)具備這種功能的結(jié)構(gòu)，我們把它用電子用芯片的方法，把它實現(xiàn)，對于這樣一個網(wǎng)絡(luò)，要去管理，就像我們今天的操作系統(tǒng)要去管理硬件的很多功能一樣，比如說網(wǎng)絡(luò)結(jié)構(gòu)配置，因為硬件一旦做出來，不能隨便變。但是你上面要實現(xiàn)網(wǎng)絡(luò)的各種各樣，怎么把任意的一個生物網(wǎng)絡(luò)模型，映射到這樣一個固定硬件上，網(wǎng)絡(luò)配置和管理。軟神經(jīng)網(wǎng)絡(luò)到硬神經(jīng)網(wǎng)絡(luò)的映射是一個基本要求。

所以說到底，這樣一種機器，它放棄了以前我們說做智能，得去問認(rèn)知科學(xué)家，智能是怎么回事。他可以告訴你一些東西，那些東西真要做到計算機的模型，解決不了問題。就像中醫(yī)一樣，可以給你說一些道理來，但是那個道理解決不了什么問題。所以我是死心了，放棄跟他們再去論證下去，否則人都老了，將來連這個問題都解決不了。

由于是三個小時的演講，內(nèi)容頗為豐富，此為上篇，后續(xù)內(nèi)容請看下篇《北大計算機系黃鐵軍CCF-ADL講習(xí)班下篇：詳解神經(jīng)形態(tài)計算與AI生物視覺前沿 》

本次課程為付費課程，2017年8月會在AI慕課學(xué)院獨家上線，原價 2500 元（CCF 會員）的線下課程現(xiàn)在限時特價 699 元預(yù)售，有興趣的學(xué)員戳：http://www.mooc.ai/course/114，或者掃描下圖二維碼觀看。

相關(guān)文章：

北大計算機系黃鐵軍CCF-ADL講習(xí)班下篇：詳解神經(jīng)形態(tài)計算與AI生物視覺前沿

馬斯克說的腦機結(jié)合還有多遠(yuǎn)？真正的腦機科技前沿告訴你真相 | CCF ADL 81類腦計算前沿班回顧

重磅講座預(yù)告：黃鐵軍、陳云霽等專家齊聚CCF ADL，分享類腦計算與深度學(xué)習(xí)處理器 | 開課報名中

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。