从「指南针」到「路线图」：在交叉与融合中探寻智能之源

当前，以大模型为代表的人工智能（AI）技术正以前所未有的深度和广度渗透至社会的各个角落，引发了对各行各业的颠覆性畅想。然而，在其高歌猛进的背后，能耗巨大、适应性弱、鲁棒性不足等固有局限性也日益凸显。在此背景下，类脑研究正在焕发巨大的活力。

在中国神经科学学会第十八届全国学术会议期间，围绕类脑计算的挑战与未来，丁香园与该领域的六位顶尖学者——浙江大学潘纲教授、清华大学赵明国教授、上海交通大学刘佩林教授、中国科学院脑科学与智能技术卓越创新中心张铁林教授、广东省智能科学与技术研究院环宇翔研究员、香港理工大学吴郁杰教授，进行了深入的对话。

他们的见解与思考，共同勾勒出类脑研究这一交叉学科的宏大画卷，揭示了其在推动下一代人工智能发展中所面临的挑战、多维度的融合路径以及充满希望的未来图景。

AI 发展的指南针：扬长与补短的双重使命

当前的人工智能技术，在展现出强大智能和高效计算能力的同时，其高能耗、弱适应性与可解释性不足等局限也逐渐显现。面对这一现状，类脑计算的研究应扮演何种角色？是为了弥补AI 的短板，还是为了放大其长处？对于这个根本性问题，受访专家普遍认为，类脑研究同时肩负着「扬长」与「补短」的双重使命，它更像是发展AI 的「指南针」，为其指明方向。

在「补短」层面，解决 AI 的根本性局限是类脑研究的核心目标之一。

当前 AI 发展面临的最突出的问题是能耗。潘纲教授直言，AI 模型训练对算力的要求极高，以至于一个「万卡 GPU 集群」需要小型电站的电力来支持，而人脑的平均功耗估算仅为 20 瓦。因此，借鉴大脑高效的运算和信息处理机制，是解决 AI 能耗瓶颈的重要补充。张铁林教授也认为，五年前能耗问题或许不被重视，但现在已成为 AI 发展中日益关键的挑战，而类脑智能的一个研究重点正是解决能耗问题。

除了能耗，AI 在处理动态复杂系统、鲁棒性与安全性方面的短板也同样显著。张铁林教授指出，传统 AI 在处理语音、图像等静态问题上表现出色，但在应对运动控制、天气预报等复杂动力学系统时能力偏弱。此外，AI 模型容易受到对抗性攻击，稳定性存疑，而人脑在这些方面表现出的强大鲁棒性，正是类脑研究希望借鉴和解决的方向。

在「扬长」层面，类脑研究旨在从大脑中汲取灵感，将 AI 的智能推向新的高度。

潘纲教授认为，当前 AI 的学习方法高度依赖数据驱动，而大脑对数据的利用效率极高，具备强大的「小数据学习」能力，能够轻易地将新知识融入原有体系。充分利用这一点，将使未来的智能系统变得更加强大。吴郁杰教授也提到，类脑研究可以帮助人们更好地「定义问题」，例如持续学习、语言学习等概念，本身就是从人的学习方式中获得的启发。环宇翔研究员则将生物大脑视为进一步探索智能本质的宝库，他认为当前 AI 所借鉴的「神经网络」机理可能已遇到局限，而类脑研究的目标是在大脑中寻找挖掘更多可借鉴应用的第一性原理，以实现高能效信息处理、多模态世界感知、情感记忆等高层次认知这些当前 AI 模型所不具备的能力，为最终实现通用人工智能打下良好的基础。

总结而言，类脑研究并非要与现有 AI 割裂，而是深度融合。正如刘佩林教授所言，二者并不矛盾，而是一体的。类脑研究通过解决 AI 当前面临的功耗、适应性等问题，能够为 AI 未来的发展扫清障碍，促进其更快地成长。

漫漫融合路：交叉学科的瓶颈与破局之道

类脑研究作为一个集脑科学、计算机科学、材料学、机器人学等多学科于一体的「极度交叉」领域，其发展之路注定充满挑战。专家们普遍认为，当前的瓶颈是系统性的，涉及从底层原理认知到顶层产业生态等多个层面。

最大的障碍之一，源于跨学科之间缺乏「共同的交流语言」。

环宇翔研究员对此深有体会，他指出，在一个研究机构内，生命科学家、计算科学家、数学家、机械甚至散热系统的专家们常常无法顺畅沟通。生命科学家发现的一个分子层面的机理，对于计算机科学家来说，可能因为层级差距太大而难以理解和转化。这种「脱节状态」严重阻碍了知识的有效流动和创新协同。张铁林教授也形容其为三、四甚至五个学科的交叉，复杂性极高，这需要建立一个平台让不同背景的科研人员能够持续交流，共同寻找合作的「中间点」。

在技术层面，算法被普遍视为当前最核心的「卡点」和「堵点」。

潘纲教授认为，相较于近十年进展良好的硬件，算法的设计与实施是目前更大的瓶颈。张铁林教授对此表示赞同，他将算法定位于承上启下的关键环节——它需要将上游神经科学的理论发现，转化为下游芯片和硬件能够实际部署的计算架构。然而，目前类脑算法的一大难题在于，如何将复杂、多样的生物机制有机地融合进一个统一的计算框架中，而不是「盲人摸象」式地片段化嵌入，实现「1+1>2」的效果。目前，领域内还缺少一个像 Transformer 之于 AI 那样，具有里程碑意义的、可扩展的通用架构。

更为根本的制约，来自于世人对大脑本身认知的局限。

吴郁杰教授坦言，我们对大脑的了解尚浅，可以说知之甚少，在这种情况下如何发展类脑计算，是一个框架性的难题。潘纲教授虽然也承认脑机制是限制，但他提出了一个更为务实的观点：我们不必等到对大脑有了百分之七八十的了解再行动，实际上，哪怕只有百分之一二十的认知，只要其中有用的部分，就可以动手「边学习、边应用」，在实践中推动学科发展。

最后，从产业应用的角度，赵明国教授提出了一个独特的「生态位」视角。

他认为，类脑研究短期内难以切入产业，其根本原因并非技术优劣，而是现有 AI 技术的生态已经迅速强大和成熟。对于产业而言，只要现有方案能解决问题，哪怕它能耗高、机理不合理，也没有足够的动力去切换到一个尚不成熟、缺乏生态支持的新技术路径。他强调，类脑技术的切入时机，必须等到现有 AI 范式发展到一定的成熟度，遇到无法绕过的巨大困难时，企业才会真正考虑转向，现在强行切入反而有很大可能因效果不佳而阻碍其长远发展。

智能的终极形态：殊途同归抑或另辟蹊径？

展望未来，类脑研究所引领的智能形态，会无限趋近于人类大脑，还是发展出全新的「样貌」？受访专家对此进行了深刻的思辨。多数专家认为，类脑研究并非简单复刻人脑，而是在借鉴其核心原理的基础上，与现有 AI 技术融合。

刘佩林教授认为，两者最终可能是「殊途同归」的。他将基于大模型、大算力的 AI 比作「飞机」，虽然能飞得比鸟更远，但也消耗巨大。而人类的学习方式更适合在线的、与环境交互的智能体。他设想了一种云端与终端结合的模式：部署在端侧的智能体通过与不同环境和场景的交互来学习，再将学到的知识返回给云端的「云脑」，使其知识更加丰富，最终实现高度的自主智能。

赵明国教授再次用到「盲人摸象」的比喻，他认为当前的 AI 和类脑研究，只是从不同角度对「大脑」这个复杂系统的理解，两者并非互斥，最终可能走向相同的终点。但他同时强调，「硅基」的 AI 与「碳基」的人脑不必完全一致。吴郁杰教授也持相似观点，他认为类脑计算是「数据驱动」与生物进化沉淀下的「先验知识驱动」的结合。AI的终极形态与人脑智慧会有大量重叠，但可能并不完全相同，因为 AI 没有人类「生存第一」这一核心约束。

为了实现这一宏大目标，学界正通过多种路径进行探索，其中「标准问题」的确立和「大科学装置」的建设是两条关键路径。

赵明国教授以他的「机器人足球」研究为例，阐释了「标准问题」的重要性。他指出，踢足球本身不是目的，而是作为一个标准化平台，用来测试和迭代从感知到行为控制等一系列底层技术。只有在这样的标准问题上证明技术可行，才能将其提炼出来，应用于解决老龄化社会服务等更复杂的现实问题。

环宇翔研究员团队则致力于一项颇具「野心」的工程——构建百亿乃至千亿神经元规模的脑模拟系统。他引用诺贝尔物理学奖理查德・费曼的名言——「我无法创造的东西，我也无法理解」——来解释这项工程背后的哲学思想。环宇翔研究员表示，这样的大装置不仅是为了突破芯片、系统集成等工程挑战，更是为了给算法研究者提供一个摆脱 GPU 框架束缚的全新计算平台，并最终为脑科学研究打造一个「虚拟仿真环境」，通过计算仿真的方式加速对大脑环路、疾病机理的探索，这可能引发生命科学实验范式的革命。

在类脑智能这一宏大主题的探索征程中，一份清晰的「路线图」显得至关重要。

多位专家都提到了由中国神经科学学会牵头制定的「类脑智能路线图」，并给予了高度评价。他们认为，这份路线图的核心价值在于「统一思想和认识」。在一个背景极其多元的交叉领域，路线图首先可以统一定义、建立共识，让大家「不要各说各的」；其次，它能明确产业链的上下游关系，让每个研究者都能找到自己的「战斗位置」，实现「术业有专攻」的有机结合；最后，它为整个领域树立了一个共同的蓝图和愿景，凝聚力量，协同攻关。同时，大家也强调，这份路线图需要建立动态修正机制，以适应飞速发展的技术前沿。

  结语  

通过与六位教授的深入交流，我们看到，类脑研究并非是对 AI 的简单模仿或替代，而是一场深刻的、多维度的智慧探索。它植根于对生命最复杂器官——大脑的敬畏与好奇，致力于从中发掘普适性的计算原理，以解决当前AI 面临的现实瓶颈，并为其指明通往更高阶智能的可能路径。这条道路充满了跨学科沟通的壁垒、核心算法的挑战以及对大脑认知不足的根本性制约。

无论是通过「标准问题」进行技术迭代，还是通过构建大规模仿真平台来推动范式革命，中国的科学家们正以务实而又极富远见的方式，在这条漫漫征途上砥砺前行。未来，在共同路线图的指引下，一个更加高效、鲁棒、并与人类智慧和谐共生的智能时代，或许正悄然拉开序幕。