认知神经的AI之光，将在北京闪耀（最新发布）

上世纪五十年代人工智能诞生后，一大批天才人物从各个角度对人工智能进行诠释，符号主义、神经网络、专家系统、统计模型、深度学习等起起伏伏，串成了弱人工智能的演化史。

然而进入2020年后，深度学习红利触顶在即，弱人工智能的局限性暴露无遗。

毫无疑问，当前人工智能研究已经进入到了新的阶段，打造强人工智能将成为下一个目标。

站在新的起点，怎么做？百家争鸣，各引一端。

但没有人会否认，认知神经科学将成为人工智能研究的灵感来源。

国外（特别是美国）尤为重视认知神经对人工智能基础研究的意义，在我们仍然沉浸在各大顶会刷榜的喜悦当中时，他们在两年前已经开始兴起新的方向「认知计算神经科学」，将认知神经与AI结合。与此同时，各高校（例如MIT）、企业（例如Google、Facebook）也都开始布局认知神经科学。

作为对比，国内尽管有一大批远虑之士呼吁重视认知神经科学，以此推动强人工智能发展，但奈何大多数AI研究者出身计算机学科，对认知神经科学并不熟悉，深感无能为力；而从事认知神经研究的学者，大多数又并不乐意跨界去做人工智能，仅有寥寥数人在旷野中呼喊，孤独无援，寂寞难耐。

2020年，这一局面将在北京被打破。有一批认知神经科学与人工智能交叉的学者聚拢，准备开启「人工智能的认知神经基础研究」的追赶和超越之路。

历史

认知神经科学由两部分组成，一是认知科学，一是神经科学。

认知科学有两个源头。从心理学的视角，人们希望能够了解大脑是如何运作的，于是先后提出了诸如联结理论（认知活动的本质在于神经元间联结强度不断发生的动态变换）、并行分布处理、模块论等。

另一个源头则是人工智能，以Simon、Newell等为代表的人工智能先驱们先后提出了物理符号论、信息加工学说、特征检测理论等，他们认为人类认知过程的本质就是信息加工过程，类比于计算机处理的信息是外部输入的离散的物理符号，人类认知信息加工的则是对内外刺激的决策与选择所得到的内部表征。

相较于心理学视角的认知科学，源于人工智能的认知科学由于将人脑视为信息加工过程，因此可以借鉴信息论的一系列方法。自上世纪五六十年代开始，在80年代初便达到了鼎盛期，其中Simon、Newell等人因此获得了图灵奖。

然而，巅峰之后却是消亡。Simon等人建立了各种认知模型，但当时无论是计算机的算力，还是人们对大脑结构、功能的理解，都不足以支撑这些研究进一步走下去。于是以认知科学为基础的人工智能分支，渐渐消亡，淡出了人们视野。

但认知科学留下了一个分支：认知心理学。这是认知科学和心理学的结合，差别仅在于认知科学的研究对象是各种智能系统（人、动物、机器等），而认知心理学仅研究人类的认知过程。心理学家从他们的角度提出了诸多关于短时记忆、长时记忆、注意、语言等的模型。这也导致，现在许多人认为认知科学只是心理学的一个分支，而忘了人工智能也是认知科学的源头。

神经科学起源很早，但直到90年代中期，伴随着功能性磁共振脑成像技术的出现，神经科学才开始成熟。

2000年前后，神经科学达到了高峰。「当时所有的地方都在购买磁共振设备，来研究大脑是怎么工作的，」北师大心理学院院长刘嘉说道。

认知神经科学自1995年形成学科以来，便面临两个问题：1）人脑太复杂了，包含千亿级的神经元，每个神经元平均有数千个神经连接，这是一个超级复杂的系统；2）研究者对人类无法做任何损伤性研究，这就使得研究对象逐渐由人过渡到猴子、老鼠，到后来只要是智能生命体都可以。

随着研究的进展，认知神经科学对大脑的精细结构开始有了很好的了解。现在人们已经可以去研究神经元级别，甚至突触级别的结构了。

此外，最初认知神经学家们更多的是做静态研究，例如把一只小鼠杀死后，大脑切片，进行拍照，然后根据二维图像重建出三维结构。这个技术，从切片中恢复小鼠静态的大脑结构，目前已经相当成熟。

静态的脑结构无法反应认知的动态过程，例如当唤起注意时，到底哪些神经元被激活，神经信号怎么传递等，都无法得知。于是现在认知神经领域越来越多地开始做动态研究，也即在实验对象活着状态研究它的认知过程。

促进

人工智能，本质上和认知神经是分不开的。无论是Simon等人提出的物理符号论，还是极大推动人工智能发展的深度神经网络，莫不受认知神经科学的启发。

尽管即使现在人类对大脑的认知仍不充分，但这并不妨碍智能研究的各界人士去借鉴已有认知神经科学的知识，从而来发展对智能系统的研究和设计。

在最近举办的第二届北京智源大会的「认知神经基础」专题论坛上，来自中国科学院自动化研究所余山研究员，曾分享了从四个层面（硬件、算法、计算、学习）上，认知神经对人工智能研究的启发。

例如近来大热的「存算一体」芯片研制，正是借鉴大脑神经网络中信息的存储和处理不分开（即是存储器，又是处理器）这种特性；或者Dropout算法，借鉴了人脑神经元之间信息传递，成功率极低，80%的概率会传输失败这一现象。

事实上，人脑经过上亿年的自然选择，一代代地更新，已经成为最简化、最高效、最通用、也是世界上最好的智能模型。或许我们将来可能会研发出超越它的模型，但就「强人工智能」的目标而言，人脑仍然是最好的参照物。

「与其空想一些数学模型，很多时候不如去看一看我们大脑是如何实现智能的，从中借鉴一二。」刘嘉教授表示，「这是认知神经科学能够对人工智能做出贡献的第一点。」

而第二点贡献，可能只有从事认知神经研究的学者才能想到。认知神经科学在研究大脑的过程中，经过几十年的研究，已经积累了一大堆的工具包。这些工具包帮助了认知神经科学家们理解大脑，同样也可以拿这些工具包，来帮助我们理解人工神经网络，理解它内部的表征、动态过程等；用这些工具去解剖人工神经网络，去破解神经网络的黑箱，从而做到可解释，以及去预测如何有效地设计神经网络。

事实上，认知神经科学更重要的使命在于，为建立通用智能打造基础。人们常提起图灵测试，但却忽略一点，即传统的图灵测试是基于行为主义的「刺激-行为」联合的训练方式，它并不关心黑箱中到底发生了什么；基于这种测试所获得的智能，必然缺乏可解释性，也难以做到通用。

认知神经科学将有助于构建通用智能的图灵测试，研究智能体与人脑之间的相似与不相似，从而促进通用智能的研究。

方案

加大认知神经科学研究，显然对人工智能基础的研发至关重要。事实上，国外一系列著名的学者，例如李飞飞、Yann LeCun、Geoffrey Hinton、Demis Hassabis等都有着一定的认知神经科学的研究背景，这也是他们能够不断提出创新性研究方法的关键。因此，我国需要有一批这样的学者，从认知神经科学的角度，不断为人工智能提供创新的源泉。

呼吁者众，而行动者少。尽管许多人意识到认知神经科学对于人工智能的重要性，也有不少原本纯粹机器学习的大佬开始自学认知神经，但全国范围内似乎还没有形成一股合流，让这股力量拧在一起；大家只是零零散散，各自为战。

北京开始了行动。在近期举办的北京智源大会上刘嘉等人提出了他们的方案。

刘嘉教授提到，从传统上讲，我们实现AI一般有三条路径：1）神经科学：自底向上，模仿生物；2）认知科学：自顶向下，构建认知框架；3）计算科学：模拟神经活动（例如DNN）。