万字长文：怎样弥合人工智能和人脑智能的差距？

人工智能 vs 人脑智能

1. 早期人工智能模型是如何从对大脑的理解中获得灵感的？

人工智能的早期发展得益于对人类大脑的理解。在20世纪中叶，随着神经科学的进展和对人脑功能的初步认识，科学家们开始尝试将这些生物学概念应用于机器智能的开发中。

1943年，神经生理学家Warren McCulloch和数学家Walter Pitts提出的“McCulloch-Pitts神经元模型”是最早的尝试之一。这一模型采用数学逻辑描述神经元的活动，虽然简单，但为后来的人工神经网络奠定了基础。

▷图1：神经元结构与McCulloch-Pitts神经元模型

这一时期，对大脑的研究主要聚焦在神经元如何处理信息，以及它们如何通过电信号在复杂网络中相互作用。这些研究启发了早期人工智能研究者设计出早期的人工神经网络。

1950年代，Frank Rosenblatt发明的感知机(Perceptron)，是一种受到生物视觉系统的启发而设计的算法，它模拟视网膜接收光线的方式处理信息，虽然原始，但标志着机器学习领域向前迈出了重要的一步。

▷图2：左边为Rosenblatt的物理感知机，右边为感知器系统结构

除了神经科学的影响，早期的认知心理学研究也对AI的发展有所贡献。认知心理学家试图理解人类如何感知、记忆、思考和解决问题，这些研究为人工智能模拟人类智能行为提供了方法论基础。例如，Allen Newell和Herbert A. Simon开发的逻辑理论机^[1-3]，能够对数学定理进行证明，这一程序不仅模拟了人类的解决问题的过程，也在某种程度上模仿了人类思维的逻辑推理过程。

这些早期的模型虽然简单，但它们的开发过程和设计理念深受（当时人们）对人脑的理解方式的影响，为后续更复杂系统的开发奠定了理论和实践基础。通过这样的探索，科学家们逐渐构建出能在特定任务上模仿或超越人类表现的智能系统，推动了人工智能技术的演进和革新。

2. 人工智能的发展

自那以后，人工智能领域经历了一轮又一轮“寒冬”和“复苏”。20世纪七八十年代，算力的提高和算法的创新，如反向传播算法（back propagation）的引入，使得训练更深层次的神经网络成为可能。这一时期，人工智能虽然在某些领域如专家系统（expert system）中获得了商业成功，但由于技术的局限性和过高的期望值，最终导致了第一次AI寒冬的到来。

进入21世纪，特别是自2010年以后，人工智能领域再次得到了前所未有的发展。数据量的指数级增长，高性能计算资源（如GPU）的普及和算法的进一步优化，使得深度学习技术迅速成为推动人工智能发展的主要动力。

深度学习的核心仍旧是模拟人脑神经元的信息处理方式，但其应用已经远远超越了最初的设想，涵盖了图像识别、自然语言处理、自动驾驶车辆、医疗诊断等众多领域。这些突破性的进展，不仅推动了技术的进步，也促进了新的商业模式的出现和产业的快速发展。

▷Giordano Poloni

3. 目前人工智能和人脑智能的差别

3.1 功能表现方面的差别

尽管人工智能在特定领域（如棋类游戏、特定图像和语音识别任务）已能超越人类，但它通常缺乏跨领域的适应能力。

虽然某些AI系统（如深度学习模型）在大数据环境中表现出色，但它们通常需要大量的标记数据与模型训练，并且当任务或环境发生变化时，AI的迁移学习能力也较为有限，通常需要为之设计特定的算法。而人脑则具有强大的学习和适应能力，能够在少量数据和多种环境条件下学习新任务，还能够进行迁移学习，即可以将在一个领域中学到的知识应用到另一个看似无关的领域。

在处理复杂问题的灵活性方面，AI在处理定义清晰、结构化良好的问题时，如棋类游戏、语言翻译等，效果最佳；但在处理模糊不清、非结构化的问题时，效率较低，易受到干扰。人脑在处理含糊不清、复杂的环境信息时，显示出极高的灵活性和效率。例如，人脑能够在嘈杂的环境中识别声音、在缺乏完整信息的情况下做出决策等。

在意识和认知方面，当前的AI系统缺乏真正的意识和情感，它们的“决策”仅仅是基于算法和数据的输出，没有主观体验或情感的涉及。人类不仅可以处理信息，还拥有意识、情感和主观体验，这些都是人脑智能的重要组成部分。

在多任务处理方面，虽然某些AI系统能够同时处理多种任务，但这通常需要复杂的针对性设计。大多数AI系统针对单一任务设计诞生，其进行多任务处理时的效率和效果通常不如人脑。人脑在同时处理多重任务时具有极大的灵活性，能够在不同任务之间迅速切换并保持高效。

在能耗和效率方面，高级AI系统，尤其是大型机器学习模型，常常需要大量的计算资源和能源，能耗远超人脑。人脑仅需约20瓦特即可运行，具有极高的信息处理效率。

总体来说，尽管人工智能在特定领域已展示出卓越的性能，但它仍然无法全面模拟人脑，特别是在灵活性、学习效率和多任务处理等方面。未来的AI研究可能会不断缩小这些差异，但人脑的复杂性和高效性仍是其难以超越的标杆。

▷Spooky Pooka ltd

3.2 底层机制方面的差别

在基础结构方面，现代AI系统，特别是神经网络，虽然受到生物神经网络的启发，但“神经元”（通常是计算单元）及其相互连接均依靠数值模拟。这些人工神经网络的连接和处理通常都是预设的、静态的，缺乏生物神经网络的动态可塑性。人脑由大约860亿个神经元组成，每个神经元通过数千到数万个突触连接与其他神经元相连^[6-8]，这种结构支持复杂的并行处理和高度动态的信息交换。

在信号传递方面，AI系统中的信号传递通常是通过数值计算实现的，例如在神经网络中，神经元的输出是输入加权和的函数，这些加权和通常通过简单的数学函数（如Sigmoid或ReLU）处理。神经信号传导依赖于电化学过程，神经元之间的信息交流通过突触释放神经递质进行，并受到多种生物化学过程的调控。

在学习机制方面，AI的学习通常通过算法调整参数（如权重）来实现，例如通过反向传播算法。虽然这种方法在技术上有效，但它需要大量的数据，针对新的数据集需要重新训练或显著调整模型参数，与人脑的持续和无监督学习方式相比存在差距。人脑的学习依赖于突触可塑性，即神经连接的强度根据经验和活动而改变，这种可塑性支持持续的学习和记忆形成。

4. 模拟人类智能的长期目标——通用人工智能的背景和定义