萬字長文：怎樣彌合人工智能和人腦智能的差距？

人工智能 vs 人腦智能

1. 早期人工智能模型是如何從對大腦的理解中獲得靈感的？

人工智能的早期發(fā)展得益于對人類大腦的理解。在20世紀中葉，隨著神經(jīng)科學的進展和對人腦功能的初步認識，科學家們開始嘗試將這些生物學概念應用于機器智能的開發(fā)中。

1943年，神經(jīng)生理學家Warren McCulloch和數(shù)學家Walter Pitts提出的“McCulloch-Pitts神經(jīng)元模型”是最早的嘗試之一。這一模型采用數(shù)學邏輯描述神經(jīng)元的活動，雖然簡單，但為后來的人工神經(jīng)網(wǎng)絡奠定了基礎。

?圖1：神經(jīng)元結構與McCulloch-Pitts神經(jīng)元模型

這一時期，對大腦的研究主要聚焦在神經(jīng)元如何處理信息，以及它們?nèi)绾瓮ㄟ^電信號在復雜網(wǎng)絡中相互作用。這些研究啟發(fā)了早期人工智能研究者設計出早期的人工神經(jīng)網(wǎng)絡。

1950年代，F(xiàn)rank Rosenblatt發(fā)明的感知機(Perceptron)，是一種受到生物視覺系統(tǒng)的啟發(fā)而設計的算法，它模擬視網(wǎng)膜接收光線的方式處理信息，雖然原始，但標志著機器學習領域向前邁出了重要的一步。

?圖2：左邊為Rosenblatt的物理感知機，右邊為感知器系統(tǒng)結構

除了神經(jīng)科學的影響，早期的認知心理學研究也對AI的發(fā)展有所貢獻。認知心理學家試圖理解人類如何感知、記憶、思考和解決問題，這些研究為人工智能模擬人類智能行為提供了方法論基礎。例如，Allen Newell和Herbert A. Simon開發(fā)的邏輯理論機^[1-3]，能夠?qū)?shù)學定理進行證明，這一程序不僅模擬了人類的解決問題的過程，也在某種程度上模仿了人類思維的邏輯推理過程。

這些早期的模型雖然簡單，但它們的開發(fā)過程和設計理念深受（當時人們）對人腦的理解方式的影響，為后續(xù)更復雜系統(tǒng)的開發(fā)奠定了理論和實踐基礎。通過這樣的探索，科學家們逐漸構建出能在特定任務上模仿或超越人類表現(xiàn)的智能系統(tǒng)，推動了人工智能技術的演進和革新。

2. 人工智能的發(fā)展

自那以后，人工智能領域經(jīng)歷了一輪又一輪“寒冬”和“復蘇”。20世紀七八十年代，算力的提高和算法的創(chuàng)新，如反向傳播算法（back propagation）的引入，使得訓練更深層次的神經(jīng)網(wǎng)絡成為可能。這一時期，人工智能雖然在某些領域如專家系統(tǒng)（expert system）中獲得了商業(yè)成功，但由于技術的局限性和過高的期望值，最終導致了第一次AI寒冬的到來。

進入21世紀，特別是自2010年以后，人工智能領域再次得到了前所未有的發(fā)展。數(shù)據(jù)量的指數(shù)級增長，高性能計算資源（如GPU）的普及和算法的進一步優(yōu)化，使得深度學習技術迅速成為推動人工智能發(fā)展的主要動力。

深度學習的核心仍舊是模擬人腦神經(jīng)元的信息處理方式，但其應用已經(jīng)遠遠超越了最初的設想，涵蓋了圖像識別、自然語言處理、自動駕駛車輛、醫(yī)療診斷等眾多領域。這些突破性的進展，不僅推動了技術的進步，也促進了新的商業(yè)模式的出現(xiàn)和產(chǎn)業(yè)的快速發(fā)展。

?Giordano Poloni

3. 目前人工智能和人腦智能的差別

3.1 功能表現(xiàn)方面的差別

盡管人工智能在特定領域（如棋類游戲、特定圖像和語音識別任務）已能超越人類，但它通常缺乏跨領域的適應能力。

雖然某些AI系統(tǒng)（如深度學習模型）在大數(shù)據(jù)環(huán)境中表現(xiàn)出色，但它們通常需要大量的標記數(shù)據(jù)與模型訓練，并且當任務或環(huán)境發(fā)生變化時，AI的遷移學習能力也較為有限，通常需要為之設計特定的算法。而人腦則具有強大的學習和適應能力，能夠在少量數(shù)據(jù)和多種環(huán)境條件下學習新任務，還能夠進行遷移學習，即可以將在一個領域中學到的知識應用到另一個看似無關的領域。

在處理復雜問題的靈活性方面，AI在處理定義清晰、結構化良好的問題時，如棋類游戲、語言翻譯等，效果最佳；但在處理模糊不清、非結構化的問題時，效率較低，易受到干擾。人腦在處理含糊不清、復雜的環(huán)境信息時，顯示出極高的靈活性和效率。例如，人腦能夠在嘈雜的環(huán)境中識別聲音、在缺乏完整信息的情況下做出決策等。

在意識和認知方面，當前的AI系統(tǒng)缺乏真正的意識和情感，它們的“決策”僅僅是基于算法和數(shù)據(jù)的輸出，沒有主觀體驗或情感的涉及。人類不僅可以處理信息，還擁有意識、情感和主觀體驗，這些都是人腦智能的重要組成部分。

在多任務處理方面，雖然某些AI系統(tǒng)能夠同時處理多種任務，但這通常需要復雜的針對性設計。大多數(shù)AI系統(tǒng)針對單一任務設計誕生，其進行多任務處理時的效率和效果通常不如人腦。人腦在同時處理多重任務時具有極大的靈活性，能夠在不同任務之間迅速切換并保持高效。

在能耗和效率方面，高級AI系統(tǒng)，尤其是大型機器學習模型，常常需要大量的計算資源和能源，能耗遠超人腦。人腦僅需約20瓦特即可運行，具有極高的信息處理效率。

總體來說，盡管人工智能在特定領域已展示出卓越的性能，但它仍然無法全面模擬人腦，特別是在靈活性、學習效率和多任務處理等方面。未來的AI研究可能會不斷縮小這些差異，但人腦的復雜性和高效性仍是其難以超越的標桿。

?Spooky Pooka ltd

3.2 底層機制方面的差別

在基礎結構方面，現(xiàn)代AI系統(tǒng)，特別是神經(jīng)網(wǎng)絡，雖然受到生物神經(jīng)網(wǎng)絡的啟發(fā)，但“神經(jīng)元”（通常是計算單元）及其相互連接均依靠數(shù)值模擬。這些人工神經(jīng)網(wǎng)絡的連接和處理通常都是預設的、靜態(tài)的，缺乏生物神經(jīng)網(wǎng)絡的動態(tài)可塑性。人腦由大約860億個神經(jīng)元組成，每個神經(jīng)元通過數(shù)千到數(shù)萬個突觸連接與其他神經(jīng)元相連^[6-8]，這種結構支持復雜的并行處理和高度動態(tài)的信息交換。

在信號傳遞方面，AI系統(tǒng)中的信號傳遞通常是通過數(shù)值計算實現(xiàn)的，例如在神經(jīng)網(wǎng)絡中，神經(jīng)元的輸出是輸入加權和的函數(shù)，這些加權和通常通過簡單的數(shù)學函數(shù)（如Sigmoid或ReLU）處理。神經(jīng)信號傳導依賴于電化學過程，神經(jīng)元之間的信息交流通過突觸釋放神經(jīng)遞質(zhì)進行，并受到多種生物化學過程的調(diào)控。

在學習機制方面，AI的學習通常通過算法調(diào)整參數(shù)（如權重）來實現(xiàn)，例如通過反向傳播算法。雖然這種方法在技術上有效，但它需要大量的數(shù)據(jù)，針對新的數(shù)據(jù)集需要重新訓練或顯著調(diào)整模型參數(shù)，與人腦的持續(xù)和無監(jiān)督學習方式相比存在差距。人腦的學習依賴于突觸可塑性，即神經(jīng)連接的強度根據(jù)經(jīng)驗和活動而改變，這種可塑性支持持續(xù)的學習和記憶形成。

4. 模擬人類智能的長期目標——通用人工智能的背景和定義