就像打了一劑強心針，當世界上第一臺超越早期經典計算機的光量子計算機橫空出世后，人們對人工智能時代的期待似乎有了更多的底氣：超越經典的量子計算機已經有了，打敗超級計算機的量子計算機還會遠嗎？

　　一旦后者實現，人類將再次以計算能力為傲，窺探人類大腦的奧秘，從而掃除人工智能研究的一大障礙。目前來看，面對人類大腦，這個雖然只有1.5公斤左右重，卻擁有1011個神經元的家伙，讓人類束手無策——要模擬整個大腦的計算能力，世界上目前任何一臺計算機都難以勝任。

　　在近日由中國科學院學部主辦，中國科學院自動化研究所等協辦的“腦科學與人工智能”科學與技術前沿論壇上，就有不少業內人士提出這樣的遐想：建設支持深度學習的新型計算機群，已成為一些人工智能研究的必然選擇，那么人工智能研究究竟需不需要量子計算機那樣的計算能力？

　　“我們今天的科學家，尤其是計算機科學家，把‘計算’用得太狠了，對‘計算’的依賴甚至有些‘貪得無厭’了！”中國工程院院士、中國人工智能學會理事長李德毅卻在論壇上給大家潑了冷水。在他看來，人工智能學者不能只盯著“計算認知”，一味要求 “人腦”研究的步伐有多快，而要拿出更多的精力放在“記憶認知”和“交互認知”上。

　　腦科學能啟發人工智能的并不多？

　　李德毅之所以對“計算認知”不感冒，還要從谷歌公司的一則報道說起——

　　2015年5月15日，谷歌對外稱該公司旗下無人駕駛汽車有上百萬英里的測試經驗，大致相當于人類75年的駕齡。

　　“這75年的駕齡是如何‘計算’出來的？”這引發了李德毅的思考：當無人車上路、發駕照提上日程，駕駛認知“度量”已經成為各國交管部門當務之急時，腦認知該如何度量？信息是用“比特”來度量，能量是用“焦耳”來度量，那么腦認知呢？

　　腦科學學者似乎并未給出這樣的答案，人工智能學者也就無從得到啟示。

　　這成了一個隱喻：腦科學、人工智能，兩個同屬21世紀的前沿學科，在過去數十年間彼此相對獨立，鮮有交叉。

　　中國科學院外籍院士、中國科學院神經科學研究所所長蒲慕明在當天的論壇上也提到，不管是國內還是國外，都是如此，不過隨著研究手段不斷豐富，研究領域不斷突破，兩者的交叉融合成為熱點，甚至出現一個新的研究名詞，類腦智能。美國、歐盟都相繼啟動相關研究計劃，中國也啟動了腦計劃。他說，中國的計劃是將腦科學和人工智能結合得最為緊密的。

　　比如，現在流行的深度學習，就是基于人工神經網絡的一個應用，這些人工神經網絡都可以從神經科學的一些規律中得到靈感。蒲慕明說，比如可以借鑒神經突觸的可塑性、記憶儲存、提取與消退，等等。

　　不過他也承認，目前的腦科學研究能啟發人工智能的并不是特別多。

　　蒲慕明給出一個類比，當前的腦科學研究，僅相當于物理、化學等學科在19世紀末期的研究水平，“要完全理解大腦，可能是幾個世紀的事情，而不是我們這個世紀就可以達到的�！彼�說。

　　那為何還要做類腦研究，蒲慕明說，必須要在這個時候做一些適當的應用，假如不把已經知道的知識應用到對腦疾病的診斷、干預和治療上，那么到2050年我們的醫療系統很可能要面臨崩潰——那時你會發現仍然沒有一個腦疾病能夠治愈。

　　相應地，人工智能的應用也是如此。他說，不一定非要完全搞清楚，神經科學一些具有階段性的成果，也可以給人工智能的發展提供啟發。

　　什么是人類最重要的智能行為？

　　中國科學院院士、中國科學院自動化研究所研究員譚鐵牛就在現有的研究基礎上，得出一個結論：“模式識別”是人類最重要的智能行為，也是人工智能重要的研究內容——機器的“模式識別”能力，在一定程度或者很大程度上反映了機器智能“類人”的程度。

　　在當天的論壇上，譚鐵牛舉了幾個模式識別的例子。比如語音識別，近些年突飛猛進的科大訊飛，能將維吾爾語翻譯成漢語，漢語翻譯成維吾爾語；再如步態識別，在看不到人臉、虹膜和指紋的時候，就能通過步態在幾十米外感知到其身份。

　　此外，還有圖像識別，其中具有代表性的人臉識別，早在幾年前馬云刷臉支付已經引爆輿論熱點。譚鐵牛本人就在進行虹膜識別的研究，并建立了目前國際上規模最大的共享虹膜圖像庫，被多國共享使用。他說，這不僅可以用在手機上，還可在查找丟失兒童上發揮作用。

　　譚鐵牛說，模式識別的技術瓶頸可通過借鑒生物的機理改進，未來生物啟發的模式識別在人工智能領域前景可期。其最終追求，是希望模擬逼近人的模式識別，這是非常艱巨的過程。

　　他也提到，模式識別的主要瓶頸在于魯棒性、自適應性和可泛化性。

　　魯棒性，說白了，就是人工智能“夠不夠皮實”“是不是稍微有點擾動，就會出錯”。譚鐵牛舉了一個例子，比如在酒會上聊天，背景噪音比較多，如果想聽清其中某一個人的聲音，就要忽略或者抑制背景中其他對話的干擾——人類可以做到這一點，也就是聽覺系統所謂的雞尾酒效應，但人工智能可以嗎？

　　所謂自適應性，則比較容易理解，譚鐵牛說，人類的眼睛會隨著燈光的變化、環境的變化進行調整，這說明自適應性非常強。這一點可以應用到人工智能上，比如人臉識別，有一位朋友十幾年甚至幾十年沒見，再見面是否還能認出來？他說，現有的模式識別在這方面還不是很理想。

　　可泛化性，說白了就是“舉一反三”。譚鐵牛說，當小孩認識蘋果后，即便只記住了一次，也可以識別其他類型的蘋果，這說明人類看到一個東西后，不僅知其然，還知其所以然。而知其所以然，就是人工智能領域所說的“深度學習”。但目前的人工智能深度學習，必須建立在大量數據的基礎之上，這一點也有待進一步研究。

　　譚鐵牛說，要解決這3個問題，關鍵還是看人類本身，在微觀層面上，人工智能的模式識別可借鑒人類的神經元，神經元有興奮性、抑制性、功能可塑性和傳播性�？茖W家受到這個啟發，增強了模式識別動態系統的穩定性。

　　無人駕駛是人工智能的突破口？

　　李德毅已經找到了一個實踐的突破口：自動駕駛。他說，無論是對話、詩詞或者駕駛，圖靈測試都允許測試者現場介入，判定結果都帶有近似性和主觀性。但是，和對話、詩詞測試相比，駕駛的圖靈測試可以進行更為精確、更為客觀的評測。

　　他說，當初汽車被發明出來的時候，人們最感興趣的是汽車的結構、機械、傳動、輪胎、底盤和車身。到20世紀，人們感興趣的則是發動機、碳排放和被動安全。到20世紀末、21世紀初，人們總體上關心3件事情，輕量化、清潔化、智能化。

　　所謂智能化，在他看來有4個階段，第一是理性輔助駕駛，以人駕為主；第二是自動駕駛，局部時段可以放開手和腳；第三是自動駕駛，即用自動駕駛接管駕駛權；第四是人機協同駕駛。

　　在李德毅看來，無人駕駛，難在擬人。

　　他感嘆：汽車是從馬車演變而來，作為動力工具，汽車的馬力可以達到100匹馬力，但汽車遠遠不如馬應對不同的負荷、天氣、路面，以及不同車輛情況下的適應能力。說白了，汽車的感知、認知能力遠遠不如馬這個認知主體，“老馬識途，車不如馬！”

　　李德毅說，其根本問題不在于車而在于人，要解決人的問題，就要讓駕駛員的認知能夠用機器人替代，讓機器人具有記憶、決策和行為能力，于是新的概念產生了——“駕駛腦”。

　　“駕駛腦”不等于駕駛員腦，“駕駛腦”是要做駕駛員的智能代理，要去完成包括記憶認知、計算認知和交互認知在內的駕駛認知，他說，這應該是人工智能時代最有意義的課題之一。( 邱晨輝)