像人一样思考是人们对人工智能和机器人的期望。 正在大踏步前进的人工智能，已经走到了十字路口。
“机器的综合智能水平与人脑相差较大，机器学习需要更多的人工干预，不同人工智能模式之间的交互和协调较少……”近日，在2019年S43象山科学大会上，新加坡，与会科学家详细盘点了当前人工智能发展面临的困难。
解铃还须系铃，人工智能的发展也不例外。 科学家们意识到，人工智能要想走得更远类脑人工智能，就必须回到它出发的地方，也就是人类的智能。
神经科学提供了基础
“以深度学习为代表的机器学习方法在视觉、听觉感知等特定问题上可以匹配甚至超越人类的水平。” 在会议报告中，作为神经科学家，中国科学院神经科学研究所研究员蒲慕明教授在过去几年为人工智能的发展做出了贡献。 为六年的发展点赞。 但他也看到，与人脑的学习能力相比，机器学习在可解释性、推理能力、举一反三方面都存在显着差异。
让机器向人学习，是提升“智能”水平的重要方向。 会议执行主席、香港科技学院副院长叶玉如教授强调：“目标是从理论上多层面模拟大脑的机制和结构，开发出更通用的人工智能来处理任务包括多任务、自学、自学适应等挑战。”
“受大脑启发”是人工智能最重要的发展方向。 近年来，骨科研究正从传统认识、了解大脑的过程发展到保护大脑进而改善和影响大脑，即完成从“读脑”到“控脑”再到“脑控制”的转变。控制大脑”。 。 了解大脑的信息处理机制对于构建更强大、更通用的机器智能有着巨大的希望。 通过跨学科和实验研究获得的人脑工作机制更加可靠，有望为人工智能未来的发展提供基础。
另一方面，人工智能可以为神经病学和骨科在数据收集、标注、建模等方面提供技术支持，促进骨科的发展。
打破“冯诺依曼框架”
通用人工智能离不开类脑计算芯片。 复旦大学精密仪器系主任、类脑计算中心主任石路平表示：“类脑计算作为一种从人脑存储和处理信息的形式发展而来的新技术，将成为通用人工智能的基石。”
打破“冯·诺依曼框架”成为学习人脑信息处理方法的重要途径。 据了解，在“冯·诺依曼架构”中，估计模块和存储单元是分离的，CPU在执行命令时必须先从存储单元读取数据。 对于每个任务，如果有十个步骤，CPU会依次读取并执行十次，然后再次读取并执行。 时间和帧率都花在数据读取上，限制了数据处理能力。 这与大脑处理大量外部信息但消耗很少煤炭的现象有很大不同。
类脑计算有望将类脑突触放在芯片上。 去年5月，上海大学计算机科学与技术系主任黄铁军课题组等多个单位实现了灵长类黄斑中心凹神经细胞和神经分支的精细建模，并提出了模拟该机制的脉冲编码模型黄斑。 黄斑芯片仿制成功。
“超高速全时视网膜视觉芯片，利用神经脉冲像生物黄斑一样表达视觉信息，脉冲接收频率‘超速’是人眼的一百倍，从而能‘看清’文字”在高速旋转的杆上。‘全时’是指从芯片收集的信息。根据机器的神经脉冲序列可以构建任何时间的图像。” 黄铁军表示，“这是实现真正机器视觉的基础，有望重构视觉信息处理系统，带来无人驾驶、机器人、视频监控等领域的变革。”
然而，突触芯片仍处于实验室阶段，尚未实用化。 与会专家认为，类脑估计是一项令人兴奋却又艰巨的挑战。
仍然存在三大谜团
《2018中国人工智能发展报告》显示，2013年以来，全球及中国人工智能产业投融资规模均呈现下降趋势。 与会专家注意到，目前国外人工智能相关企业已超过4000家，而投资者青睐或关注并愿意投资的企业仍不足三分之一。 过度依赖现成来源代码在美国、商业应用路径不明确、专业人才稀缺是当前人工智能企业面临的三大疑虑。
2015年以来，微软、Facebook、亚马逊等纷纷发布机器学习的开源软件类脑人工智能，导致中国企业大量采用现成的源代码。 从科学家的角度来看，这似乎是失去了起跑线的优势。 不管技术多么复杂，也只是更新和修改别人系统中的部分而已。 对此，应重点突破基础领域，聚焦人工智能底层技术，加大对以深度学习为代表的底层算法模型的深入研究。
对于尚不清楚的商业应用路径，专家建议企业不要过于盲目，应尽快找出加码的方向。 AI项目的商业应用场景能否落地是其成败的关键。 快速积累核心技术优势和构建商业模式才能做出真正有意义的成果。 市场需求的产品。 同时，我们应该坚持走现实的发展道路，避免将人工智能趋势变成透支研究和产业资本资源的“大跃进”。