腦科學突破性理論和技術尚未出現
蒲慕明 中國科學院院士、中國科學院腦科學與智能技術卓越創新中心學術主任
回顧腦科學100年來的發展歷史，其最主要的研究目標就是理解大腦神經信息是怎么處理的、各種大腦功能是怎么產生的。過去，科學家主要在大腦元件、神經細胞編碼、儲存和提取神經信息的機制等方面取得了一定成果，但對于思維產生、抉擇、意識、語言等高等腦認知功能的機制理解極為粗淺。
實際上，腦科學發展還處在非常初期的階段，尚未真正出現具有突破性的理論和技術。
成熟大腦的神經網絡仍有可塑性
與腦功能相關的神經環路結構以及這些環路如何產生大腦的各種功能是腦科學重要的研究內容之一。上千億個、數百種以上神經元通過百萬億個突觸聯結組成人腦神經網絡，以特殊的神經環路實現感知、運動、思維等功能。這個神經網絡中有特殊的神經環路和通路，當人類要實現某一特殊功能時，這些通路就會被激活。在具體研究中，我們不僅要分析整個神經網絡的結構，還要了解環路、通路的工作原理，這是腦科學目前要努力的方向。
雖然神經元的基本結構很簡單，但神經元的種類非常復雜，現在有4種分類法。至于大腦里有多少種細胞、怎樣進行分類，我們目前仍沒有答案。
復雜的神經網絡是在人類出生后便慢慢形成的。神經網絡是智力、大腦功能形成的基礎。但人的智力、大腦功能并非生下來就有，而是受后天環境、經驗等因素影響逐步形成的。剛出生的嬰兒，其大多數神經元已經出現，但神經網絡還非常簡單；到了青春期，大部分的神經網絡才趨于成熟。
在神經網絡發育的過程中，如果神經元與突觸功能和構造的修飾不正常，就會導致各種疾病出現，比如自閉癥、精神分裂癥等。不過，已經成熟大腦的神經網絡仍具有可塑性。人類的運動、認知行為等都會產生相關的電活動，電活動會造成神經元和突觸功能的細微變化，這些變化會導致認知行為的改變。
希望未來類腦算法超越深度學習算法
人工智能研究包含很多內容，其中最關鍵的是機器學習方法。大家目前最關注的深度學習算法，屬于多層神經網絡，不過它有局限性，需要很強的算力和大量標記好的數據作支撐。
人腦最大的特點是能效更高，人腦只需30瓦的能量就可以運作起來，這種效率是人工智能難以匹敵的。我們希望未來的類腦算法能夠超越深度學習算法，這就是人工智能下一步發展的重要突破點。目前ChatGPT尚未解決此問題，因為它仍需要高算力和海量數據。
1950年，圖靈提出建立“兒童機器”，研究人員希望模擬兒童通過學習改變神經網絡的過程來探究神經網絡的奧秘。這可能是類腦人工智能探索新型機器學習算法和研發類腦計算器件架構的一個有益嘗試。
我們可以借鑒前人的研究方式。想了解人工神經網絡的架構是如何通過學習產生變化的，即其怎么消除無用的聯接、建立新的有用的連接，可以借鑒人類大腦網絡在學習過程中的修飾方式進行研究。
除此之外，還有一個很值得借鑒的概念是赫伯神經元集群，其主要內容是可以使用嵌套式集群（或淺層網絡）組合，讓處理不同信息的集群，通過連接、學習建立嵌套式、可處理多模態信息的大集群。每個大集群中的小集群間的連接都要通過神經元或集群的共步（或有固定時序）放電。要有效做到這一點，就需要使用脈沖神經網絡。脈沖神經網絡目前在人工智能、機器學習算法中還沒有受到足夠的重視，如果我們研發出有效的脈沖神經網絡，就可以做出很多有意義的事。
