人工智能這個(gè)詞,，從誕生到一路坎坷地迎來輝煌，就注定與“模擬”緊密相連,。

1956年,，在新罕布什爾州達(dá)特茅斯學(xué)院的一次小型會(huì)議上，赫伯特西蒙,、約翰麥卡錫,、克勞德香農(nóng)等AI界的開山鼻祖?zhèn)儯吞岢隽恕爸悄艿娜魏翁卣?，原則上都可以精確描述,，因此我們可以制造機(jī)器來對(duì)它進(jìn)行模擬”。

當(dāng)代也有不少科學(xué)家堅(jiān)信,，觀察研究人類大腦,，可以輕松解決新一代人工智能的設(shè)計(jì)問題。2013年,，歐盟牽頭,、26個(gè)國家135個(gè)合作機(jī)構(gòu)參與的“人類腦計(jì)劃”（Human Brain Project，簡稱HBP）也將重點(diǎn)放在了,，如何通過超級(jí)計(jì)算機(jī)技術(shù)來模擬人腦功能,，以期實(shí)現(xiàn)人工智能。

聽起來,，模擬人腦的思維路徑,，在此基礎(chǔ)上進(jìn)行推理運(yùn)算，得到新的知識(shí),、判斷,，似乎是AI從誕生到進(jìn)化的必由之路。

然而,，遠(yuǎn)有日本雄心勃勃打造的能像人一樣推理的“第五代計(jì)算機(jī)”宣告破產(chǎn),，近有耗時(shí)10年、燒光10億歐元試圖模擬大腦的“藍(lán)腦計(jì)劃”（Blue Brain Project）徹底涼涼,，連一個(gè)蠕蟲的大腦都沒模擬成功,。

這不禁讓我們有些疑惑，AI與模擬大腦之間,，到底存在著怎樣復(fù)雜糾結(jié)的聯(lián)系,？

先解釋一下，雖然都是對(duì)大腦智能的“模擬”，但不同人工智能學(xué)派的理念卻各不一樣,。

符號(hào)主義學(xué)派主張模擬人腦的邏輯思維,。先把問題或知識(shí)表示為某種邏輯結(jié)構(gòu)，運(yùn)用符號(hào)演算,，從而實(shí)現(xiàn)表示,、推理和學(xué)習(xí)等功能，典型代表就是專家系統(tǒng),。

聯(lián)結(jié)主義學(xué)派則主張模擬人腦的生理結(jié)構(gòu)和工作機(jī)理,。通過人腦神經(jīng)網(wǎng)絡(luò)、神經(jīng)元之間的連接以及在神經(jīng)元間的并行處理,實(shí)現(xiàn)對(duì)人腦智能的模擬?，F(xiàn)在街知巷聞的神經(jīng)網(wǎng)絡(luò)算法,，就是這一理念的成功應(yīng)用。

而行為主義學(xué)派則主張直接模擬智能行為的感知和動(dòng)作模式,。不要考慮復(fù)雜的知識(shí),、表征、推理等等,，讓AI在現(xiàn)實(shí)世界中通過自動(dòng)控制過程與環(huán)境交互作用表現(xiàn)出來就好。

當(dāng)然也有像瑞士神經(jīng)科學(xué)家Henry Markram主導(dǎo)的“藍(lán)腦計(jì)劃”一樣,，試圖用計(jì)算機(jī)創(chuàng)建復(fù)雜的數(shù)學(xué)模型,，用來模擬人腦的86億個(gè)神經(jīng)元和100萬億的突觸，以幫助研發(fā)出更智能的機(jī)器人,。

在當(dāng)時(shí)來看,，所有模擬理論或多或少都有一些問題。比如符號(hào)主義很難說清楚,，數(shù)字模型與人類心理相似性上的關(guān)聯(lián),；聯(lián)結(jié)主義智能粗略地模擬神經(jīng)系統(tǒng)，如果訓(xùn)練多層網(wǎng)絡(luò)使用的路徑,，就很難找到與之對(duì)應(yīng)的生物學(xué)知識(shí)和匹配的硬件,。行為主義只能實(shí)現(xiàn)低層智能，比如讓機(jī)器蟲爬來爬去,，而復(fù)刻一個(gè)數(shù)字化大腦就更不現(xiàn)實(shí)了,，因?yàn)橄胍獜募?xì)胞層面構(gòu)建人腦模型、模擬860億個(gè)神經(jīng)元的運(yùn)作與相互關(guān)聯(lián),，以今天的腦科學(xué)水平注定只是白花錢,。

所以，現(xiàn)實(shí)中的人工智能,，正如圖靈說所,，唯一需要做的事就是找到腦內(nèi)運(yùn)行的程序，獲得正確的智能算法,，然后在合適的硬件上運(yùn)行它,。

而時(shí)代的幸運(yùn)兒就是深度學(xué)習(xí),。模擬人腦神經(jīng)網(wǎng)絡(luò)工作機(jī)制的深度學(xué)習(xí)方法，乘著互聯(lián)網(wǎng)的東風(fēng)直上青云,，成為最適合將智能程序與算法下沉到社會(huì)機(jī)器上的核心技術(shù),。

在感知層面，利用現(xiàn)代計(jì)算機(jī)算力的提升,，以及網(wǎng)絡(luò)數(shù)據(jù)量的暴漲,，讓深度學(xué)習(xí)通過大規(guī)模數(shù)據(jù)集與訓(xùn)練來獲得數(shù)據(jù)模型成為了可能。

而在讓機(jī)器“看起來智能”的核心推理能力上,，深度學(xué)習(xí)也展現(xiàn)了足夠強(qiáng)大的進(jìn)步,。主要體現(xiàn)在兩個(gè)方面：一種是判別事物。在已知屬性的條件下,，讓機(jī)器對(duì)某個(gè)事物進(jìn)行判斷與分類,，比如找出垃圾郵件或攻擊性語言，亦或是從圖像,、視頻中識(shí)別出某種特殊物體等等,。

另一個(gè)能力則是生成。也就是通過訓(xùn)練好的模型,，產(chǎn)生處符合該模型描述的數(shù)據(jù),。比如風(fēng)靡一時(shí)的AI換臉，越來越機(jī)靈的智能語音助手,，自動(dòng)編寫新聞的機(jī)器人等等,。

得益于這種在應(yīng)用場景上快速打開商業(yè)想象力的優(yōu)勢，我們今天提到AI,，絕大多數(shù)人的第一反應(yīng),，已經(jīng)不再是被替代的恐慌、超越人類的恐怖故事,，而是如何讓數(shù)字世界為AI所用,，再讓以深度學(xué)習(xí)及衍生技術(shù)為基石的AI反哺千行萬業(yè)，為社會(huì)生活提質(zhì)增效,。

既然如此,，為什么科學(xué)家們還是對(duì)模擬人腦的方案念念不忘呢？這恐怕要從“賽爾的中國屋”說起,。

哲學(xué)家賽爾,，曾經(jīng)用這樣一個(gè)例子,，來表達(dá)他對(duì)模擬程序的“機(jī)器智能”并不認(rèn)可。

他想象自己在一個(gè)屋子里，有人會(huì)從窗口傳遞給他一個(gè)用中文書寫的問題,，而他需要用中文給出答案,。但賽爾完全不懂中文，也看不懂漢字,，但他擁有了一套能幫他編寫答案的書,。書中會(huì)告訴他復(fù)雜的規(guī)則，教他操作“無意義”的漢字符號(hào),，并將之變成答案,。經(jīng)過了充分的練習(xí)之后，賽爾就可以熟練地用中文輸出答案了,，乍一看,，似乎和地道的中國人沒什么兩樣。

但顯然,，我們并不能因此就認(rèn)為,，賽爾會(huì)中文。哲學(xué)家本人也由此得出結(jié)論,，一個(gè)由毫無理解能力的各種要素組成的綜合體是沒法變魔術(shù)似的產(chǎn)生理解力的,。

這與深度學(xué)習(xí)的邏輯有著異曲同工之處。某種程度上,，也反映了當(dāng)前智能的技術(shù)實(shí)現(xiàn)路徑,，所具有的局限：

比如人類大腦能夠快速適應(yīng)不斷變化的環(huán)境，而機(jī)器在不確定性較高的環(huán)境中,，性能就會(huì)大幅下降,，因此只能用于一些特定的領(lǐng)域,。正如谷歌公司前副總裁安德魯·摩爾所說,，今天最精密的計(jì)算機(jī)也不過是只能“解決特定問題的智能計(jì)算器”。你沒辦法讓一個(gè)炒菜機(jī)器人自己學(xué)會(huì)送餐,，也沒辦法讓人工智能主動(dòng)“創(chuàng)建”并解決問題,。

再比如學(xué)習(xí)效率上，人類大腦也與機(jī)器智能大相徑庭,。谷歌的機(jī)器識(shí)別算法,，在無監(jiān)督的情況下自動(dòng)學(xué)習(xí)識(shí)別“貓”的視覺圖像，需要1 000臺(tái)計(jì)算機(jī)聯(lián)網(wǎng)合作,。然而一個(gè)人類小孩在幼兒園玩玩具的功夫就能辦到,。機(jī)器如果真的有思維，恐怕早就變成檸檬精了,。

而且,，人腦決策時(shí)會(huì)運(yùn)用許多隱知識(shí)（也就是下意識(shí)的直覺），而機(jī)器必須根據(jù)復(fù)雜多元的環(huán)境不斷調(diào)整并改變策略，這就導(dǎo)致機(jī)器決策會(huì)出現(xiàn)明顯的時(shí)延,。比如在駕駛時(shí),，人類很容易就能夠通過觀察汽車、人行橫道與路標(biāo),，快速確定它們的通行順序與相對(duì)位置,。而傳統(tǒng)的 人工智能算法卻需要在多個(gè)物體同時(shí)輸入系統(tǒng)之后去精煉它們的相關(guān)信息，才能做出判斷,。這也是為什么自動(dòng)駕駛只能在訓(xùn)練場里徘徊,，遲遲無法走入真實(shí)道路的重要原因之一。

雖然深度學(xué)習(xí)發(fā)展到現(xiàn)在,，已經(jīng)借由許多其他技術(shù)的引入,，改變和彌補(bǔ)了最初的一些不足，比如元學(xué)習(xí)的引入,，讓機(jī)器學(xué)習(xí)開始擺脫對(duì)數(shù)據(jù)量的依賴,；與強(qiáng)化學(xué)習(xí)相結(jié)合，能夠讓智能體在自我對(duì)抗中學(xué)習(xí)推理……但總體而言,，人腦恰好就是那種非程序的智能,，而機(jī)器學(xué)習(xí)注定不是“終極答案”。

所以,，AI轉(zhuǎn)而尋找模擬大腦這個(gè)“真命天子”,，也就順理成章了。

事實(shí)上，近年來AI界已經(jīng)認(rèn)識(shí)到了人腦生物系統(tǒng)本身在處理信息上的優(yōu)越性,，研究者們都在試圖復(fù)制這種模式,，設(shè)計(jì)一個(gè)模仿大腦的神經(jīng)網(wǎng)絡(luò)。

比如韓國科學(xué)技術(shù)院的生物和大腦工程系李相完,，就發(fā)表了“前頭葉控制”理論,，即人腦可以自行評(píng)價(jià)對(duì)外部環(huán)境的認(rèn)知度，通過外部信號(hào)來處理信息,。將該原理應(yīng)用于AI算法和機(jī)器人等領(lǐng)域,，可以設(shè)計(jì)出能夠根據(jù)外部情況變化，在性能,、效率,、速度等各個(gè)方面自動(dòng)平衡到最佳狀態(tài)的智能系統(tǒng)。這一成果也被收錄在了機(jī)器人工學(xué)領(lǐng)域的國際學(xué)術(shù)雜志《科學(xué)》上,。

最近,，在《科學(xué)報(bào)告》雜志上的一篇文章中,，以色列巴伊蘭大學(xué)的科學(xué)家也證明了，基于大腦動(dòng)力學(xué)（大腦計(jì)算速度比70年前的電腦還更慢）設(shè)計(jì)出的新型人工智能算法,，性能遠(yuǎn)遠(yuǎn)超過了當(dāng)前最先進(jìn)的AI算法,。

在研究中，科學(xué)家認(rèn)為神經(jīng)生物學(xué)和機(jī)器學(xué)習(xí)不應(yīng)該到現(xiàn)在還在獨(dú)立發(fā)展,。甚至認(rèn)為“大腦因復(fù)雜規(guī)則學(xué)習(xí)而變慢,，也可以是一種優(yōu)勢”。因?yàn)槿四X能夠在樹突（也就是每個(gè)神經(jīng)元的末端）進(jìn)行“元控制”,，也就是在沒有明確學(xué)習(xí)步驟的情況下,，根據(jù)異步輸入的信息快速完成自適應(yīng)。

這種沒有經(jīng)過學(xué)習(xí)的“學(xué)習(xí)”方式,，以前往往被認(rèn)為是不重要的弱權(quán)重控制器,，但在實(shí)驗(yàn)中，無論是小型和大型網(wǎng)絡(luò),，融合了大腦動(dòng)力學(xué)樹突式學(xué)習(xí)的系統(tǒng),，學(xué)習(xí)速度都快的驚人，這也為基于高速計(jì)算機(jī)的新人工智能出現(xiàn)提供了可能,。

難怪研究人員不無期待地稱,，人類對(duì)大腦基本原理的洞察必須再次成為未來人工智能的中心。谷歌的技術(shù)團(tuán)隊(duì)也認(rèn)為,，觀察人類大腦能夠解決工程學(xué)無法解決的AI算法問題,。

看來，這對(duì)CP的牽手只差一個(gè)產(chǎn)業(yè)端的集體“官宣”了,。