这是中科院老科协高端学术沙龙系列的第三次沙龙活动，主题是人工智能的前沿与发展趋势。

随着以大数据与深度学习为主要驱动力的人工智能研究的飞速发展，一系列人工智能算法相继提出，越来越多的智能应用开始在生产和社会生活中扮演重要角色。脑科学、神经科学等学科与人工智能学科的交叉研究也涌现出诸多成果，引领了脑智交叉方向的新潮流。与此同时，对于人工智能技术的大规模应用带来的安全隐患与伦理担忧也受到社会各界广泛关注。

本期高端学术沙龙聚焦人工智能领域的前沿问题，分别就“人工智能当前发展状况和局限”、“人工智能理论和技术发展趋势”和“人工智能的社会影响和伦理安全”等三个专题，以及未来的发展趋势进行了深入交流与研讨。来自国内科研院所、高校十余家学术机构的40多位专家学者参加了活动，分享了重要观点和建议，大家集思广益，提出了很多宝贵的意见，相信对我们今后人工智能研发有重要价值。

由于全文过长，这里按专题分为三个部分发布。这是第二专题：人工智能理论和技术发展趋势。本专题对人工智能理论和技术发展趋势展开探讨，对通用人工智能与预训练大模型的前景进行思考，具体包括：通用人工智能和强人工智能的定义是什么；通用人工智能是否有必要，能发挥什么作用；类脑智能是否实现通用人工智能的必由途径；跨模态预训练模型是否通向通用人工智能的路径；类人的通用智能何时能实现；类脑智能是否要仿脑；大脑发育和社会进化对人工智能有什么启发；机器智能是否能产生自我意识，是否需要机器意识，等等。

报告人：吴思（北京大学） 

吴思教授本次报告介绍了类脑智能学科，并重点从计算神经科学角度对当前类脑智能发展面临的关键性挑战进行了讨论，并提出了4个主要挑战：与当前人工智能处理的计算任务不同、高级认知功能模型的缺失、神经动力学模型需要的“类脑计算硬件”、和交叉学科人才的需求。

1. 类脑智能和计算神经科学简介

类脑智能研究总体可分为三个层次。首先是从认知角度进行功能仿脑；第二个是从大脑如何表达信息的、如何做计算的角度，去进行模型算法仿脑；第三个是从神经生物学方面进行结构仿脑。不同的层次也对应不同的学科，包括认知科学、信息与计算科学、神经生物学等等。本次报告主要讨论第二个层级，也是计算神经科学的关注范围。计算神经科学是用计算的方法回答脑功能的问题，它起到脑科学和类脑之间桥梁的作用。

大量大脑做起来很自然的计算任务对深度学习或者人工智能都是很难的。生物大脑是自然界中实现智能的样本，模仿大脑为人工智能的发展提供了可借鉴的一个重要的途径，对做计算神经科学来说也是一个发展的机遇。但同时类脑智能也面临很多挑战，目前最核心的一个挑战是，我们有没有一个杀手级的成功的例子来证明类脑智能真的有用，比如深度学习中的AlphaGo、AlphaFold级别的颠覆性应用。很多次开会时大家都会问到类似问题，即类脑智能何时能拿出杀手级别的应用，而我总是回答不出来，这促使我思考问题到底出在哪？

2. 类脑智能面临的挑战

挑战I：类脑智能擅长的计算任务不同

类脑智能处理不同的计算任务。深度学习处理的是静止的图片，对于大脑而言从来不会看一个静止的图片。即便是看到一个静止的图片，实际上也是看到了其动态的过程。信号是动态的光流，之后转化为动态的脉冲序列。大脑内处理的时候也并不是静止的，视觉系统是来回动态的交互，大脑真正是处理的是时空动态信息。 静止图片AI已经做得非常好了，但是在识别动作指令的时候做得并不好，而大脑擅长的是处理时空运动模式，在这方面可能才是类脑模型产生好的应用的方向，因此未来在类脑智能发展方面，也要考虑到大脑处理问题的特殊性。

黄铁军老师课题组发展了类似DVS的相机。在拍外部世界的时候一开始要拍成动态的图像，之后辅助类脑的目标检测识别和算法，这样才有可能把大脑计算的优越性体现出来。如图所示的人在走路，只有13个点，但大脑可以很好的处理这些信息，按照顺序整合起来一帧帧图像进行运动识别。又如图所示，老鼠看见一个运动的光斑，由小变大，老鼠看到之后就立刻装死，原因是因为老鹰从高空俯冲下来抓老鼠的时候投影到老鼠的眼睛上就是一个光斑由小变大的过程。生物大脑非常擅长处理这样的运动时空模式。

挑战II：高级认知功能模型的缺失

虽然文献里有大量高级认知功能的描述性模型，到目前为止还没有一个完整的关于高级认知功能在网路水平上的计算模型；没有这样的计算模型，也就无法发展高级认知功能在AI中的应用。计算神经科学多年来一直专注于发展生物学合理性的局部网络模型。由于脑科学技术的限制，很难也搜集到大脑结构和活动的精细信息。实验神经科学家通常采取的实验范式也很简单，比如一个猴子和老鼠做非常简单的任务，这样的实验设计回答不了高级认知功能的神经实现过程。

比如深度学习网络模拟的是视觉系统对物体特征有粗到西的识别过程。但是人脑在做识别的时，是一个快速的粗略识别和一个慢速的精细识别过程，这两者是相互作用的。目前神经生物学还不知道其中的细节，所以就很难建立一个好的计算模型，反馈给类脑智能模型。总的说来，由于多种原因，领域内目前缺乏高级认知功能的计算模型，这限制了我们在类脑智能方面开发出高级认知功能的应用。

挑战III：神经动力学模型需要“类脑计算硬件”

大脑做信息处理都是通过网络动力学，数学上就是求解海量的随机微分方程组。用现代电脑串行实现这样的计算，本质上并行的类脑计算就无法体现出优势了。我们需要真正硬件上做出类脑的计算设备，才能让类脑智能的模型真正应用起来。举一个例子。众所周知，人工神经网络有一个不足，很难实现图像连通性的判断。陈霖院士做了大量的心理物理实验证明人善于做拓扑结构的感知，反应的又快又准确。背后的计算原理是视网膜中的神经元通过电突触连接，通过网路动力学快速实现了计算。因此，要模拟这个类脑的动力学计算过程，我们也需要发展类脑的计算工具（如芯片），像大脑一样并行分布式处理信息。

挑战IV：交叉学科人才的缺失

最后也是最重要的挑战是交叉学科人才的缺失。发展类脑智能需要年轻学者即懂数学，也要懂得神经科学。我们需要培养大量的年轻人进入该领域，推动该领域的快速发展。

作为总结，为了快速有效发展类脑智能，我们需要考虑基于时空模式加工的计算任务，需要建立高级认知功能的计算模型，需要发展配套的类脑硬件来提升计算速度，需要培养交叉学科的青年学者加入。谢谢大家！

通用人工智能曙光已现？

报告人：山世光（中科院计算所）

人工智能跌宕起伏发展了60多年，通用人工智能曙光已现？山世光研究员本次报告针对通用人工智能定义、人工智能发展、人工智能流派，以及符号主义和联结主义的结合发展等方面进行了探讨，最后讨论总结了通用人工智能的实现前景和路径。 

1. 通用人工智能定义

1980年的时候，人们给出强人工智能和弱人工智能两种定义。强人工智能，哲学家给出的定义是人工智能能够思考、有心智、有意识，哲学层面必须要存在意识。弱人工智能，是只要看起来像就可以了，比如图灵测试。在行为上表现起来跟人的智能有一定相关性就可以，而不是内在如何实现的问题。学术界经常把强人工智能等同于人工通用智能AGI(Artificial general intelligence)，这个定义其实不对。一个智能体能够学习理解人类所做的智能任务，就是人类水平的人工通用智能，学术界也称之为强人工智能或者叫全人工智能。学术界讲的弱的AI是指的一事一议的解法，也叫窄人工智能。

测试智能体是不是一个AGI有不同的说法。图灵测试是标准的行为定义的智能。除此之外还有更苛刻的测试方式，例如，做咖啡测试，即到一家普通的美国家庭做一杯咖啡出来；上大学测试，即把AI放到一所大学里面和普通学生一起上学，看能否毕业；工作测试，即看AI可以不可以胜任某份工作等等。这些看起来是很好的测试方法，但已经远远超出了现在的技术边界了。

2. 人工智能的发展简介

人工智能发展的早期就是以通用人工智能为目标的。在1956年人工智能这门学科创立的时候，很多科学家都很乐观，认为十年、二十年就可以创造出人类水平的智能体。到了60年代末70年代初，这些预测都被质疑了。1980年代人工智能的兴趣又被激发出来，但很快，到80年代末的时候包括日本五代机在内的诸多AI项目都没有实现其相应的目标。所以从80年代末以后将近20年的时间，做AI的专家多数都闭口不谈人工通用智能，要么是默默的不信、要么是默默的坚信只是时间问题。在当时看来，整个AGI很难短期内实现，但是很多子问题都可以探索和实现。当有一天把所有的子问题都搞定了，是不是AGI就搞定了，这就是整合式的AGI的思想。最近又有人做预测，例如2012年有一个组织对95位名人的调查，他们觉得人工通用智能什么时候可以实现，得出来的结果2028到2032年，现在看恐怕是他们还是过于乐观了。

那么现在的AI系统智商是多少？ 2017年有德国科学家Brien Jorn测了谷歌AI和苹果Siri的智商。Siri的IQ智商值是27，谷歌AI是Siri的两倍，但是都被一个6岁孩子打败了，也就是说其智商不及一个6岁的孩子。中科院的石勇老师团队，2017年做了类似的评测，其测出的AI系统最高智商是47，也仅相当于一个6岁的儿童。

3. 通用人工智能的方法和流派

人工智能的典型流派可以分为符号主义，联结主义，行为主义，整合学派等等。传统的人工智能多数以符号主义为基础，行为主义相对少一些的。整合学派是先分后总的思路，其他的学派也包括大脑模拟学派，其中既有脑结构层面的模拟，也有脑功能层面的模拟，以及进化和人工生命方面的学派等等。

符号主义是人工智能研究早期的主要方法论（也被称为范式），也是通用人工智能研究的主要方法之一。这类方法的核心是将知识表示为符号，将问题求解过程建模为符号系统中的逻辑推理。在此基础上，为了求解复杂智能问题，通常会把一个大目标分解成子问题，所有子问题解决了，综合起来就可以实现总体大目标。但不是对所有问题我们都知道如何做分解，所以怎么做分解是很大的难题。遵循这一范式，很多人工智能项目构建了大规模的知识库及其相应的推理引擎。我个人认为大规模知识库最终肯定会有用，但如何解决知识完备性不足、推理机制难以满足多变的实际需求等问题仍需要大量研究。为了解决实际问题，后来研究者也不得不把问题收缩到了相对简单狭窄的任务上，做成了很多特定领域的专家系统，在一定程度上得到了应用，但某种意义上距离通用人工智能越来越远了。

符号主义是以理性主义的心智模型为基础的，假设人和世界包括社会都可以用抽象的、符号化的表示来建模，人、个体和社会都可以表示为符号化的心智和社会模型。根据符号化的表示和逻辑推断，实现从输入到输出的任务实现。前提条件是人、世界、社会是可以被抽象化、符号化甚至可以做数学描述的。但是不是可以把人抽象成一个完全符号抽象的表示，这是值得怀疑的。心智是不是可以抽象化、符号化、形式化的建模则更加困难。是否一切皆可数学化、抽象化，也是值得思考的。而理解和解释是建立在有共识的基础上，完全符号化的给到算法，对它而言“符号”之下没有具象的共识，难以实现真正的理解。

连接主义自上世纪七八十年代兴起，曾一度被寄予厚望，而后二十年则被打入冷宫。2010年以来，这类方法强势回归，其复兴版本——深度学习给弱人工智能领域带来了翻天覆地的变化。深度学习非常适合一事一议的AI问题的解决，用大量带标注的数据学习从输入到输出的映射。这类模型里面没有所谓人类专家知识的注入，却实现了强大的单项智能能力，这意味着它们之中蕴含了很多人类并不知晓的知识表示，这种知识可以称之为机器知识或隐知识或暗知识。

特别是最近三年来，以深度学习为基础的“预训练大模型”大大推进了连接主义人工智能模型的通用性。这类模型通过对超大规模无监督数据的内在结构的学习，为不同种类的下游任务提供了坚实的基础。以自然语言处理领域的GPT-3模型为例，该模型通过“掩盖+填空”式“阅读”大量文本，以某种方式掌握了自然语言的“语法”及其大量文本中蕴含的各种知识，从而显著提升了自动文摘、文章写作、问题回答等任务的性能，特别是显著降低了对标注数据的需求量。这类模型通常具有海量的模型参数，例如GPT-3的参数量高达1750亿，我认为其中蕴含了大量的语言常识和关于世界的常识，从而为后续任务提供了良好的知识基础。但需要注意的是，这里所谓的“知识”并不是人类所熟悉的符号和逻辑知识，而是分布式的连续向量型知识表达。

3.3 连接主义与符号主义的联姻

前述的符号主义和连接主义均有其优势和劣势，将二者有机结合或许是实现更强大的人工智能的有效方法。著名心理学家丹尼尔·卡尼曼将我们的思维系统分成两部分,分别是系统1(快思考)和系统2(慢思考)。心理学给出了很多系统2和系统1之间的对比，系统1是无意识的推理，自动的、不需努力、容量大、非常快，缺省的脑活动，这样的任务是联想的、上下文相关的、进化上接近于动物的。我们可以粗略的认为连接主义是系统1，符号主义是系统2。问题在于这两个系统如何做桥接，做下一代人工智能需要这样的思考。而前述的预训练大模型，或许为这两个系统之间的“桥接”带来了机会。另外，行为主义、进化主义也很重要，这三者之间到了需要联动的时候，只是做静态的基础模型加上符号主义也是不够的，也是需要有动态的变化。

总之，个人认为在当前历史阶段追求人工通用智能这个目标仍然是远离现实的，甚至在科学上还难以度量AGI的进步。我们至少需要对AGI进行更明确的定义和恰当的步骤分解，形成可度量的AGI任务。或者更退一步讲，也许我们现在应该考虑的是如何提高智能算法的“通用性”，即为五花八门的智能能力提供强有力的共性基础，如某种形式的“常识基础”。而从方法论的层面，纯粹的符号主义方法大概率无法解决AGI问题，而纯粹的连接主义恐怕也难以独挡AGI难题，所以二者的联姻非常重要。感谢大家！

大规模预训练模型和语言理解

报告人：黄民烈（清华大学）

黄民烈教授本次报告向我们介绍了大规模预训练模型在对话、语言生成方面的发展，并对现阶段语言模型在语言使用和语言理解方面做了探讨。现阶段语言模型在生成、使用语言输出方面已经做的很好，但是具体的内容理解，常识的掌握还远远不够。最后介绍了如何利用符号计算和知识图谱来提升语言模型的常识和背景知识能力。

1. 大规模预训练模型近期的发展状况

预训练神经网络近些年发展迅速。今年出现的Switch模型，基本上达到万亿的规模，在2020年提出的GPT3，参数规模也达到1750亿。GPT3应用了5000亿个单词去训练一个模型。目前的模型成指数增长，只是短短两三年的时间就有上千倍的增长。在对语言理解方面， Facebook提出的AI已显现出比人类的水平更高。例如，阅读理解，它的测试方法就像高考阅读理解一样，一篇文章读了之后回答相应的问题。现在的人工智能模型已超过人类的水平。问题是这些模型到底是不是已经达到了一定的理解水平？

2. 语言生成和语言理解

目前语言模型生成对话的效果还是非常流畅的。这在过去几十年几乎不敢想象。一个模型能够甚至可以讲一个谐音的笑话。但现在的大模型是不是真的理解语言这件事，还是只是在做一些别的东西，还有很多问题需要研究。人在真实世界中表达想法是不会说很罗嗦的话，只会很简单表达，但是对方就可以理解。这是因为人有很多共同的背景知识，这些只是在人类交流中被省略掉了，语言学中有很多这样的现象。

举例，一位服务员在餐馆向另一个人说话，特定场景中省略了大量的信息。微博的对话，“回来了？回来陪老妈几天。”是谁回来了，回哪里、老妈是谁，完全知道他们在讨论什么，但是对机器而言这很难。人们有共同的知识，很多信息被大量的省略和压缩了。但是对于机器而言，很难知道我们知道什么背景知识。

例如，一个单词“asthma”，不熟悉这个单词的人无法立刻知道意思。但如果告诉他是一个肺部的疾病、是呼吸系统的疾病、是由空气污染导致的、会引起胸闷，那么就可能会猜到是哮喘的意思。在计算模型上，如何让其加入这些常识，帮助机器做理解，还有很多问题要完成。

语言游戏是检验理解的很好方式之一。机器会对游戏者说一些话，人的大脑就会想象成物理模型。例如，房间里有一个箱子，箱子里面有一个很旧的钥匙，有一个门，这个钥匙应该可以打开。这里有与文字对应的想象的场景。接下来文字说要把钥匙拣起来，把门打开，对应的物理世界也会有所改变。在理解语言的时候有一个物理的模型与之对应，状态的模型也会随之改变。

语言模型GPT3所掌握的常识在高频概念上面。例如，问长颈鹿有几只眼，可以答是两只眼。但是如果乱问，脚有几只眼，因为两只眼的概率比较高，所以仍然会答两只。问太阳有几只眼，结果说有一只眼。这些胡乱的回答是因为问题本身并不正规。再如，问1700年美国总统是谁？美国那个时候没有建国，所以根本没有总统，但是会关联一个人，威廉。他是在1700年那个时候美国最主要的政治人物。所以模型给出的是关联性的回答。而正确的回答应该是：美国1776年建国，所以1700年美国是没有总统的。但GPT3不知道或者无法联想到建国时间，也就无法做出正确回答。

GPT3的语言模型，是学习如何应用语言的，而不是语言的理解。它是在学习语言上概率的关联，但是到底是什么意思，它根本它也并不知道，所以做语言理解的话道路还非常的遥远。通用智能语言是最能够测试通用智能的手段与方式，但怎么样才能做得更好呢？我们需要自己的理解与思考。

提高模型的理解能力，我们应该想办法把语言后面隐藏的知识编码进去。比如常识的部分，如何用大规模的知识图谱，把隐含掉丢失掉的信息找回来。刚才讲的语言游戏例子，因为是相对限定领域，所以比较容易做，但放在广泛的领域和问题上，那就很难做了。

我们需要一些相应的方法和框架，例如模型1和模型2的融合、“语义三角”，把符号、概念和具体实例联系起来。我们在讲每一个内容的时候，通常都会有符号的部分。这个符号会在人脑里有一个具体的概念印象。例如，苹果是可以吃的、是怎样的形状，是甜的，非常有营养类似这样的定义。也会想象出来很多实例，如绿苹果、青苹果等等。符号要在大脑里面建立起联系和映射，这样的基础上才能实现比较好的理解。

要实现符号的计算，还有很多问题。如给了一段简单的文档，但文档提供的知识并不全。例如问穆勒参加的普鲁士战争，哪一次伤亡最大？通过文档检索，可以查到每次战役的信息，死亡的人数都在这里，但要涉及到加法、求最大值的操作。神经计算通常为寻找数值提供了很好的方法，而求最大值的做法符号操作最容易做，这样结果就出来了。

对比阅读理解和符号计算，单纯的做阅读理解就是把问题和答案文档编码成向量，得到相应的决策，给出答案。在里面会做复杂的多跳的推理，通过多步骤推理的迭代会形成相应的推理路径，再综合的得到相应的答案。如果要做神经符号的计算则是不同的，其中一定会有符号操作的部分。

现在做语言理解很难，是因为现在的计算机在输入层面，信息已经很不完备了。但现在的大数据和大模型路径，在理解方面还是走不通的。现阶段模型知道语言是怎么用，但是实际上对于语言的理解远远不止于此。谢谢大家！

参会专家在通用人工智能未来的发展趋势、可实现性，通用与专用人工智能关系，类脑智能研究途径与应用等多个问题进行了激烈的讨论。参加讨论的专家、学者有刘成林（中科院自动化所），黄民烈（清华大学），于剑（北京交通大学），山世光（中科院计算所），潘纲（浙江大学），李国齐（清华大学），张家俊（中科院自动化所），王金桥（中科院自动化所），张军平（复旦大学），林宙辰（北京大学），吴思（北京大学）。讨论内容总结如下。

1. 通用人工智能未来趋势

专家表示未来通用人工智能在理解能力、小样本泛化能力方面的发展是大的趋势。从技术发展的需要进行探讨，实现通用人工智能从认知科学、神经科学获得启发走类脑智能道路是必须的，但是短期内要解决现实的方法，例如如何把符号主义与连接主义如何的结合起来，大模型神经网络的训练与生成能力。符号主义、连接主义是很好的连接纽带，概念的推理也是需要符号主义和语法知识的。

2. 通用人工智能与专用人工智能的关系和价值对比

专家表示通用人工智能并不一定很强，专用人工智能是在专门的任务经过训练一般都会超越人类。就性能来说反而是专用人工智能比较强。通用并不一定是体现在强，更多体现在多用途的特点。比如智能机器人做很多事情，需要有很强的多用途的能力，而且也需要理解。如果不理解的话，很多事情就会跟人之间交流困难，可能会犯一些低级错误。有些人反对通用人工智能或者极端赞成强人工智能，但多数属于中间派。

也有专家从商业价值角度谈到，从企业角度而言做通用的意义并不大，对于企业需要的是专用模型，性能越好越需要。如果是做通用的话就没有盈利的意义了，企业角度而言更追求的是专用模型。

另一名专家表示现在人工智能是提高现有AI算法的通用性。当前是来一个事就做一个模型做一个算法。未来希望适度的开始把某些任务能够变成有一点点通用性，而不是试图考虑一上来就做全的什么都可以解决的。现在看不到这样的路径，只能局部有限的通用，使得算法的通用性越来越提高，这是特定的通用智能。例如人脸识别，就是先用一个模型情景，再进行一下支撑，逐步提高算法的在不同场景下的通用性。

3. 人工智能在语言模型上的现状和不足

语言能力是人工智能能力的一个核心表现。几位机器语言领域的专家一直认为，以GPT3为代表的人工神经网络语言模型近几年发展迅速，参数规模也成指数上涨，现在已经发展到千亿至万亿个数的参数。这样庞大的语言模型，在实际表现中，能够生成非常流畅的对话，如果人类的标注者不经过足够的训练其实不能够辨别文本到底是GPT3写的还是人写的。另一方面，机器生成的语言缺乏常识性的认知，也会臆想出一些并不存在的内容。对于人类语言交流中出现在省略、语境信息、文化含义还理解不足。如何把隐藏的知识、常识、大规模知识图谱编码进入机器模型中目前还尚未有好的方法。

此外，持续学习、连续学习问题在机器翻译里面也是很大的问题，在动不动训练的时候就上千万级别的数据上，一次消耗的资源量非常大。特别是机器翻译中，大模型训练消耗的资源更大，因此如果新增长的数据，连续学习、增长式的学习是非常的需求，也是未来对于机器学习非常大的需求，希望从中得到一些启发。

4. 人工智能在视觉和多模态模型上的现状和不足

在图像和多模态方面，大模型、两模态、三模态会犯一些莫名其妙的错误，因为有一定的随机性，比如生成大海蓝天的时候，结果是有时候好、有时候差。大模型通过海量的数据学习到了数据间的统计的特性，这些统计特性也会带来数据的偏见。有些时候生成得好、有些时候非常差，通用导致专业性不足。比如医学图像领域比专业医学图像模型会差一些，数据量大，通用模型在里面没有太多的贡献，这是实践中得出的结论。连接主义和符号主义，如何有效的融合也是一种趋势，常识和知识图谱的融合。常识的加入，大模型当中如何把常识进行建模也是比较困难的问题，因为常识的存在有一定的条件和一定的边界，不同条件下常识的条件也会有一定的差别。

5. 强人工智能模型的可实现性问题

一位参会专家认为强人工智能，在80年代曾被公认为难以实现。两本书为代表，一本《EGB》，另一本是《计算机不能做什么》，副标题是人工智能的极限，关于强人工智能的批判，基本上已经形成了共识。其中提到强人工智能有三条路线，但每一条都被批判过。在强人工智能的可能性，符号主义对应的是图灵测试。即便图灵测试，提出了的模型也只是人工智能，而不是人的智能，所以根本达不到强人工智能；第二条路是连接主义，普特南提出的批判是假设连接主义实现了也不是人工智能；第三条路线，即便完全实现了行为主义也一样达不到强人工智能。专家认为人工智能研究还是要脚踏实地，人工智能肯定是越来越强，但需要明确具体研究内容和方向。

另一方面，其他专家表示强人工智能和通用人工智能不是一回事。通用人工智能是讲智能是多用的，有多任务协调能力、能够完成多重功能。研究模型在复杂任务的决策能力，让机器完成开放环境下多步骤的复杂任务，目前专用人工智能确实达不到。但同时专业也同意，谈通用人工智能应避免谈意识，也不赞成机器有自我意识，自我意识的实现很遥远，也不希望这个机器有自我意识。

6. 类脑的途径是否可以实现通用人工智能

类脑是一个尝试的路径，现在刚刚起步，原来大家对类脑计算的希望目前还是非常的渺茫，但可能有时候做也不一定太拘泥于名称。实际上类脑说法也争议非常大，哪一路径算类脑。神经网络都是类脑非常初级的阶段，就是一个神经网络，最早是一个神经元。重点不是数学的角度来做的，做到现在求解神经网络很多是数学的内容，因为有了模型，有些做类脑的不认可深度学习，说深度学习不算类脑，类脑希望做得更加前位一些，比如脉冲或其他的机制的计算模型，最后也会发现这些还不是类脑，还要往前不断的探索。

另有专家表示理解人工智能要对于数据本身了解其结构。现在用深度网络来开发，深度网络对了解世界的结构并没有太多的作用，它是应用于简单的方法，但是其理解性已经丧失很多了。目前做通用类脑，还是有局限性的，也要花一二十年或者更长时间才能解决。

7. 类脑智能的研究与应用

专家表示类脑的应用也有很多方面，在功能层次上仿脑就很有意思。认知科学在历史上已经积攒了很多可以被AI所应用。例如在天机芯片课题组做的硬件上，硬件上结构仿脑已经有了一些应用了。一些类脑方面的研究已经反馈到类脑智能上的部分应用了，例如部分步态识别、绿色跟踪，类脑智能发展是非常好的。

目前人们对人的大脑了解是很浅的，虽然现在好像对大脑认知有很大的进步，探针探知到的神经元的层次，整体和局部之间缺乏了桥梁，以至于对大脑真正的运行机制远没有达到非常清楚的看到，要做类脑的话有很长的距离。

8. 人工智能模型规模增长与人脑规模类比

现在的大脑模拟模型并不像我们想象的这么大，现阶段的模型大致有一千多亿参数。而人脑有一千亿神经元，即便是一个神经元只连一千个左右的话，总共也有一百亿参数，而且大脑神经元是以微分方程的形式做数值计算，一秒钟一千个时间步，这样量级又增长了；北大做的精细神经元模拟，一个神经元用一千个微分方程描述的话，量级就更大了。另外要弥补其差距，目前世界上最大的大模型还得提高个12个量级才有可能达到人脑的规模，大模型是很火的方向，也是一个起步方向，有可能以后会更大。但是用怎样的硬件系统可能支撑这么大规模的神经元训练，以后硬件系统能不能跟得上还是个问题。目前硬件系统至少在现有功耗上再降个三到六个量级才可能真正做大规模的类脑模拟。

苏州本地值得推荐的10大python培训中心名单公布，现在市面上关于苏州python培训的课程真心不少，可以通过学Python的门槛高吗，python语言优点，python在软件开发，Python为什么火热，学python的目的，怎么才能学好Python，Python的目前场前景，用Python刷流量可以吗来看看。

本文由 整理发布。更多培训课程，学习资讯，课程优惠，课程开班，学校地址等学校信息，可以留下你的联系方式，让课程老师跟你详细解答：