Wang G Y, Bao H N, Liu Q, et al. Brain-inspired artificial intelligence research: A review. Sci China Tech Sci, 2024, 67: 2282–2296, https://doi.org/10.1007/s11431-024-2732-9
评述简介
在大数据、大算力和大模型的协同作用下，人工智能（AI）在一些关键智能能力，如视觉智能、听觉智能、决策智能和语言智能等方面取得了突破性进展。本文通过分析发现，当前的人工智能系统仅仅在统计意义上超越了人类的某些智能能力，但并没有真正实现这些人类智能能力，这意味着人工智能系统与人类的认知和行为存在差异甚至矛盾。
本文以实现通用人工智能为目标，基于戴维-马尔（David Marr）提出的三层框架，回顾了认知科学对人工智能三大主流学派发展的启发作用，探讨并分析了当前人工智能发展的局限性。在硬件实现层，人脑神经元及其神经系统连接机制与人工神经网络（ANN）中神经元及其连接机制的差异和不一致导致了两个问题。首先，这种差异和不一致导致深度神经网络的工作机制不同于人类的认知机制，表现为深度神经网络的识别结果与人类的认知理解发生矛盾的现象。其次，尽管一些人工神经网络，如脉冲神经网络（SNN）真实地模拟了中枢神经系统的物理机制，但受限于其难以堆叠的问题，在学习性能上表现欠佳。在表达层和算法层，人工智能系统的信息识别机制与人脑认知机理存在差异和不一致。例如，人类视觉系统从粗粒度到细粒度的"大范围首先 "认知处理机制，与人工智能系统从细粒度到粗粒度的信息处理机制，在数据处理方向上甚至是相反的。此外，不同人类语言之间存在着共同的“心理语言”，使得人类不同语言之间的相互翻译和理解成为可能，而大语言模型（LLMs）依赖于词和句之间统计关系的计算，不具备心理语言的特征，以至于出现“幻觉”等现象。在计算理论层，人工智能系统的计算和处理机制与人类大脑的计算和处理机制之间存在不一致。例如，人类视觉系统的感知和识别结果不由视觉皮层脑区解释，而由逻辑思维脑区解释。此外，逻辑思维脑区还能反馈影响视觉皮层脑区的感知识别过程，例如视觉的“选择性注意”机制。这与许多可解释人工智能系统采用的自我解释机制不一致。在生物大脑中，有一个特定的脑区可以感知不确定的信号，并有特殊的抑制机制来处理感知到的不确定外部信号。相比之下，人工智能系统将不确定性作为一个特征附加到感知对象上，融合进输入数据一并处理。
鉴于上述局限性，本文提出了脑启发人工智能研究中需要重点关注的八个未来研究方向并指出了相关的科学问题：1）高逼真仿生信息处理模型，2）平衡结构与功能的大规模深度学习模型，3）数据和知识双向驱动的多粒度联合求解机制，4）模仿大脑具体结构的人工智能模型，5）感知处理和解释分析物理分离的协作处理机制，6）融合脑认知机制和AI计算机制的具身智能，7）从个体到群体(社会)的智能仿真模拟，8）人工智能启发的脑认知智能研究。
