意义不凡的脑科学(3)

人工智能是当前最受社会存眷的科技规模，它呈现的目标就是要以呆板智能实现人脑智能，而人脑最重要的特性是能进修，学事后能影象。所以呆板进修成为人工智能的焦点。人工智能包罗高效处理惩罚信息的呆板进修算法和操作这些算法的软件和硬件计较系统。因为有了大量已知（可以标志）的数据样本和强大的计较性本领，连年来呆板进修的效率大为上升。各类深度进修算法，就是操作已标志的数据标本让人工网络去进修；学的进程是将标志好的数据输入网络，然后依据网络的输出是否切合标志，来对网络内的神经联接强度举办不绝批改。在多层深度神经网络中有大量的联接点（突触）可以被修饰，又有大量已标志的数据可以用来修饰，使得学好的网络拥有强大的识别未知数据本领。已学好的人工网络可以在计较机的硬件架构中浮现，用于信息处理惩罚。

在上世纪80年月引进新的进修算法，有效地修饰多层人工网络中突触节点，使人工神经网络成为呆板进修的主要载体。可是相对付人脑的神经网络，人工网络的布局照旧太简朴，它的多层神经单位的数目可以高出人脑，但进修和处理惩罚多样化信息的本领远不如人脑，更不消说各类巨大的认知成果。脑科学今朝对很多认知成果的神经环路和事情机理的领略虽十分有限，可是我们已经知道一些大脑神经网的布局和成果道理，已可应用在呆板进修的算法和计较器件的架构之中，这就是脑科学开导的类脑人工智能。类脑研究不是在模仿人脑，而是将脑科学的道理应用在人工智能的软硬件中。

今朝的人工智能技能缺乏通用性。语音识别、图像处理惩罚、自然语言处理惩罚、呆板翻译等回收差异的模子和差异的进修数据，两种差异的任务无法回收同一套系统举办进修。而人脑却回收同一个信息处理惩罚系统举办自动多模态感知信息整合、问题阐明与求解、决定和行为节制等。今朝人工智能是否可以或许可一连成长，要害在于呆板进修的算法是否有打破，从依赖有标志的大数据和高计较本领晋升为可以进修不需标志的少量和多模态数据，并可以高效节能。这是从专用人工智能转变为通用人工智能的要害。谁能首先研发出这些新一代呆板进修的算法，并能在计较器件中实现算法，谁就能在将来人工智能规模执盟主。

（作者为中国科学院院士、中国科学院脑科学与智能技能卓越创新中心学术主任）

出格声明：本文转载仅仅是出于流传信息的需要，并不料味着代表本网站概念或证实其内容的真实性；如其他媒体、网站或小我私家从本网站转载利用，须保存本网站注明的“来历”，并自负版权等法令责任；作者假如不但愿被转载可能接洽转载稿费等事宜，请与我们联系。