人工智能VS人类大脑大咖对谈录：谁是未来世界的主宰？

 IDG君写在前面：

1973年，英国的詹姆斯·莱特希尔爵士在调查研究了美国的AI热之后，在议会发表了著名的批评报告。他在报告中罗列了详尽的证据，认为当时流行的基于逻辑学的符号编程，根本无法解决复杂的现实问题。这份报告直接导致了历史上著名的“AI之冬”到来。

然而，一门伟大的科学终究是不可被抵挡的，在日本的“第五代计算机”刺激下，各国纷纷开始了对知识系统的研究开发计划，终于，在上世纪八十年代，出生于英国的“AI教父”杰弗里·辛顿提出了反向传播算法，力证了神经网络的价值，间接开启了人工智能的“二次复兴”。

从此，科学家们致力于将人工智能与人类大脑联系起来。关于它们之间的奇妙联系与未来展望，不禁令所有人都饶有兴致。

大脑内有几百亿个神经元，它们构成了人类的运算系统，但对大脑的研究方法却一直囿于技术限制，在绝大部分时间里，科学家都难以对大脑的活动进行精确、直观的实时观测。因为我们要明白一个问题，单纯的数学运算并不是大脑仅有的功能，人的大脑还拥有记忆、语言、思维、学习、感知、创造等功能。

人类已然制造出了战胜地球上最强围棋选手的AlphaGo，但面对自身的大脑时却依旧如雾里看花。如此看来，只有打通神经科学的最后关卡，才能让人工智能真正接近于人类大脑。而隐藏在两大学科中的谜团，却还是令人感到扑朔迷离。

近日，国际著名神经学家鲁白教授、商汤科技联合创始人兼首席执行官徐立、IDG资本合伙人牛奎光，三方围绕“人脑VS智能”展开了一场深度对话。

人类大脑VS人工智能，究竟会谁胜谁负？

牛奎光说：“人脑是一个大家很关心的话题，它其实代表着最高的一个智能，对智能本身的这样的一个理解，应该是我们一直追求的一个方面。”

的确，虽然人工智能在很多方面已经超过了人类，但在可解释性、推理能力、逆向思维等方面，与人脑相比还存在明显差距。当前，科学家们开始把更多期待转移到到类脑智能上，在他们看来，智能技术完全可以从脑科学和神经科学汲取到经验，当人脑认知神经机制的理解有了突破，人工智能算法和演化也会带来新的生机。

“深度学习算法，本质上是在向人脑的生物学的组织方式进行一些学习，虽然不是全部，它其实还是在向生物学的方式学习，其实从生物的角度上来讲，可能也可以为IT进行很多的支撑。”牛奎光也对人工智能与基础生物学的关系进行了这样的梳理。

科学界正在为这一目标而努力，最近几年相继问世的各种脑机接口技术就是最好例证。

就在不久前，来自斯坦福大学的研究人员打开了一扇新大门，他们成功开发出一套全新的皮质内脑机接口系统，该系统利用大脑运动皮层的神经活动可解码 “手写” 笔迹，并使用循环神经网络（RNN）解码方法将笔迹实时翻译成文本，快速将患者对手写的想法转换为电脑屏幕上的文本。

这恰恰如鲁白所解释的人机结合的原理，“感知、运动、记忆、情绪以及认知。其中感知与运动是相对比较成熟的两个领域。它们把脑的电信号转换成运动信号，深度学习算法也是类似的处理信号。”

今天我们可以将脑中的 “意念”转化为屏幕上的文字，那么在未来，更具幻想性操作也不会令人感到意外，人机结合的技术前景和商用潜力已经显露出冰山一角，大规模应用的时代正在向我们走来。

一场科研范式的革命，将在脑科学领域爆发

人工智能不仅帮助我们更好地了解到人类大脑机理，更大的惊喜则是它还为带来了一场科研范式的变革。

什么是范式？这是美国著名科学哲学家托马斯·库恩在《科学革命的结构》提出来的概念，范式从本质上讲是一种理论体系和框架。库恩认为科学不是通过新知识的线性积累进步，而是经历周期性的革命，也被称为“范式转移”。

鲁白表示，从亚里士多德的逻辑，到培根的归纳与演绎，再到后来的实验验证学派，这个实验验证后来就变成了我们科学界的一个金标准，就是你必须要有一个假说，通过这个假说来设计实验，证明是对还是错。

他总结，这是一种过去的科研范式，而今天的科研范式正在发生巨大改变，这可能是大量的数据弄出来的，不需要技术，也不需要经验，更不需要假说。看看你为什么喜欢吃红烧肉，为什么喜欢吃素食，跟你的基因有没有关系，跟你的成长行为有没有关系，这是一种完全不一样的做科学的方式。

鲁白举了一个例子，AlphaFold2有了大量的数据积累，只需要知道序列就可以对蛋白结构进行解析，这在科研范式上形成了一个重大的改变。对此，牛奎光也感到很震撼，他说人工智能居然能够帮助去做蛋白质展开，这个是非常震惊的一个事情，以前以为是单方向的引领，后来发现可以双向辅助。

随着数据的爆炸性增长，计算机将不仅仅能做模拟仿真，还可以进行分析总结和得到理论。不过，算力的稀缺性问题却还没被完全解决，AlphaFold2、Bert、BigGAN等人工智能对算力需求更大，我们的算力仍处于不充沛、不经济的状态。

目前的计算机是基于图灵（冯·诺依曼）架构的，也就是读取指令和执行计算这一流程，这就代表了目前的人工智能只能是通过算法模拟，可是人设计的算法根本不可能达到我们的需求，徐立说道。

在徐立看来，人工智能的算力和传统算力的区别在于，人工智能算力的密集度巨高，并且能够协同更大的池化、超大规模的网络，因为显卡已经解决不了如此大规模的网络并处理那么多东西。以人工智能为代表的算力，在未来几年的发展，一定是推动这些技术演进的核心动力。

这与牛奎光的想法不谋而合，他讲述了自己当年如何被商汤科技技术打动的故事，其中一点就是商汤在用神经科学的机理来做人工智能，这也让商汤的技术水平领先于同行。

只有让人工智能拥有像人类神经网络一样的系统，算力才不会走向枯竭。半个世纪以前，研究人员曾试图将神经科学和人工智能联系起来，可惜两个学科一直在相互独立并行发展。而今科研范式的变化，让这座中断的桥梁被重新架起，它们之间将碰撞出更多可能性。

让少数人先打破，塑造反共识与新共识

科研范式的突破是多个学科融合创新的结果，关于如何才能进行创新的话题，三人也交流了彼此的观点。

牛奎光提供了一种认知，那就是创新基本都是反共识的，对早期的创业者而言，开始时只有少数人意识到这个问题，所谓创业创新的过程，就是打破老共识形成新共识的过程，新共识越大企业的价值就会越大，当然也就会越难。

以这样的角度看，20世纪的科学史，就是一部“反共识”的科学史。

20世纪之前，牛顿力学、麦克斯韦方程和经典统计力学几乎拥有上帝般的威力。尤其是牛顿力学，几乎可以解释肉眼可见的绝大多数物理学现象，人们坚信这就是金科玉律。但随着普朗克、海森堡和爱因斯坦等科学巨擘的新发现，物理学的研究从此转向，开始进入以量子理论为代表的微观世界。

反共识的重要性显而易见，究竟怎样行动才能带来这一点呢？徐立说，要允许我们的基础研究做无用的研究，做无用之学，因为只有不停的做那些可能在现在看上去未必能够有那么强大的转化可能性的，但是那才是在探索我们认知的边界，才有可能在真正意义上带来反共识的突破。

钱钟书先生曾说，世上所有有趣的事实往往是无用的，过去也有人讲，无用之学的厚度，决定有用之学的高度。这对于投资者的启发同样不言而喻，只有摒弃短视的功利心、不计较一时得失、坚持长期主义，才能在不确定的世界里，找到确定的答案。

IDG资本同样坚信这种理念，不管是人类大脑与人工智能的相互融合，还是科研范式的继续革命，变化已然是当今世界的主题，但事物的价值永远停留在时间的恒河上，需要做的无非是耐心和甄别。只有坚定不移地笃信科学的力量，并与时间长期陪跑，才能在无数的波动中不改初心，看到那些慢慢隐现的价值，这事关集体的命运，也事关每个人的幸福。

END

你还不能错过：