生命是智力的第一个载体，它具有数十亿年的自然历史。作为代表自然界最普遍的智力的生物学大脑，它可以通过低功耗和少量获得的数据来实现复杂环境中复杂任务的智能行为。因此，探索智能认知生物学大脑和复杂行为背后的神经科学基础的潜在机制对于探索智力的本质，揭示思想的奥秘并朝着未来的一般人工智能研究迈进。

在最近的2021年北京齐尤恩会议上，国内外的科学家分享了他们在类似脑型研究领域的经验和最新成就，以及围绕一般人工智能发展（AI）发展的人工智能发展的瓶颈可能会瓶颈发展。 。和相应的解决方案。

AI将军已成为研究热点

通用人工智能（AGI）是指具有一般人类智能的机器智能，可以执行人类可以执行的任何智力任务。通用人工智能是一些人工智能研究的主要目标，也是科幻小说和未来研究中的共同主题。一些研究人员称通用人工智能强大的AI（AI）或Full AI（Full AI）或具有执行一般智能行为的机器。

与弱AI相比，强大的AI可以尝试执行全面的人类认知能力。通用人工智能是具有通用人类智能的机器智能，可以执行人类可以执行的任何智力任务。

日本物理与化学研究所的退休教授Gan 在人工神经网络的发展方面做了很多跨时代的工作。他在1967年提出了随机梯度下降算法，并首次将其用于多层感知机训练。 1972年，Gan 提出了关联记忆模型。

“通用人工智能是未来的发展趋势，我们的工作是努力使用算法和学习机制，以更接近通用人工智能。” Gan 说，诸如深度网络学习之类的方法的发展将有助于实施通用人工智能。

目前，AI主要用于定制解决方案。大多数AI系统都可以在单一类型（例如图片或声音数据）上使用。大多数AI系统仅解决一个特定问题。此外，许多系统仅针对单个数据集进行了优化。

随着通用人工智能的发展，脑学习机制和人工智能的联系越来越深刻。盖茨比计算神经科学小组主任彼得·戴丹（ ）表示，可以从人工智能算法中获得灵感来解释脑科学机制，或者从丰富而有效的脑学习机制中获得灵感和学习，以开发更多的新人工增强。学习方法，人工智能应与大脑“已婚”。

利用脑学习机制

瑞典皇家技术学院的科塔莱斯基教授是欧盟人类脑计划的负责人，也是欧洲神经信息学领域的领导者。 说，可以在高精度模型上探索大脑的一般智能，并且可以从大脑结构和功能中探索通用人工智能的新方向。

基底核是大脑中最丰富的多巴胺分泌核，与帕金森氏病密切相关。人工智能领域中最热的强化学习理论也来自基础核的工作原理。

“从大脑的功能和无监督的学习中学习，它可以实现机器的自我感知，适应和自我驱动，同时避免障碍和向目标对象游泳。” 展示了如何从分子，细胞和神经回路中获取，脑运动和感知组合的工作原理得到了精美的修复，并且成功地模拟了鳗鱼在复杂水流中的运动。

“大脑的机制与机器的学习机制之间存在很大差异。这些差异使得人工智能难以使人类简单的事物变得简单；它也使人工智能使人工智能符合特定的任务，并且没有一般的智能。” 。

但是， 说，对脑智能的研究需要进一步了解这些基本差异并提出有效的解决方案。同时，我们可以从概念表示，情境信息处理等中的人脑的工作机制中学习，并提高机器智能的感知和认知能力。

如今，“人工智能视觉算法主要是根据有限的数据量和注释数据对培训和实施的，显然无法适应现实世界中各种视觉认知任务的复杂性。什么是什么？相关算法是严重的。约翰·霍普金斯大学认知科学与计算机科学系的杰出教授Yuer。

Yuer建议，应通过研究人类视觉感知定律并使用更严格的性能指标来解决算法弱点，例如对抗性攻击和对环境信息的过度敏感。 “尤其是从人类的视野中学习，开发可综合的模型，并开发出比人类视力系统的性能和更好或更好的算法。”

创建生物智能开源和开放平台

人工智能的发展归因于神经科学，认知科学等领域的主要发现，并且当前的人工智能与脑科学之间仍然存在一些错误对准。打破这些差距可能是解决当前人工智能的某些缺点的关键。

北京大学人工智能研究所的助理研究员杜凯（Du Kai）认为，当前的AI与大脑的神经计算仍然非常不同。例如，在处理基本的视觉信息输入时，人工神经网络也依赖于学习静态图像，而人类视觉系统的神经网络将信息作为动态过程。

“我们应该从生物智能的研究中学习，以开辟一般智力研究的新途径。” 大学基础科学教授Liu Jia说，通过对认知科学，神经科学和计算科学的跨学科研究，将通过跨学科研究（例如认知科学，神经科学和计算科学）实现现有的认可。神经科学领域的最新成就，技术，研究工具和理论方法应用于人工智能，模拟生物学大脑，使用人工网络研究生物学大脑的特征等，这些特征可以促进脑启发的人工人工的发展。智力。

目前，北京人工智能研究所正在通过高精度生物学脑模拟和模拟建立生命智能模型，并探索可行的途径，以开发新一代的人工智能。

研究所生命模拟研究中心负责人Ma Lei介绍了的三个主要模型之一“ ”生命模型。 的“ ”生活模型结合了与神经科学和信息科学等相交科学的尖端技术，旨在模拟经历数十亿年进化的生物神经系统和身体。通过构建高精度模拟软件和硬件系统，建立生活智能模型并探索生物智能的机制，我们将逐渐激发和探索新一代的人工智能。

“大脑模型的尺度越大，越细，它的表征越多。当今的大规模高精度模拟中，仍然有很多瓶颈，最关键的挑战是计算的复杂性。现有的超级计算系统IT IT在大脑的突触水平上很难进行超微小计算。

Liu Jia说，人工智能研究人员应积极探索生物学大脑的内部认知过程，以比较生物智能和神经网络之间的相似性和差异，帮助我们了解大脑的神经机制和认知能力，以实现特定的认知功能，改善和改善和改善特定的认知功能创新现有的人工神经网络模型和算法，探索智力和新路径的界限脑启发/类似脑的通用智力研究。