导读：像人一样思考，这是人们对人工智能和机器人的期待。大踏步前进的人工智能，似乎走到了十字路口。机器综合智能水平和人脑相差较大，机器学习需要较多人工干预，不同人工智能模态之间交互协同较少。在香港召开的第S43次香山科学会议上，与会科学家细数当前人工智能发展面临的瓶颈。解铃还须系铃人，人工智能的发展也不例外。科学家意识到，想要走得更远，人工智能还要回到出发的地方，那便是类脑智能。
一、神经科学提供基础
以深度学习为代表的机器学习方法在视听觉感知等具体问题上媲美甚至超越人类的水平。作为一名神经科学家，中科院神经科学所研究员蒲慕明院士为人工智能在过去几十年的发展点赞。不过，他同时看到，与人脑的学习能力相比，机器学习在可解释性、推理能力、举一反三能力等方面存在明显差距。让机器向人学习，是提升智能水平的重要方向。
香港科技大学副校长叶玉如院士指出：目标是在多个层面，理论上模拟大脑的机制和结构，开发一个更具有普遍性的AI以应对包括多任务、自学习和自适应等方面的挑战。受脑启发是人工智能最重要的发展方向。近年来，脑科学研究正在从传统的认识脑、了解脑向保护脑再向增强脑、影响脑的过程发展，即完成从读脑到脑控再到控脑的转换。学习大脑的信息处理机制，建立更强大和更通用的机器智能是非常有前景的。
通过多学科交叉和实验研究获得的人脑工作机制更具可靠性，有望为人工智能未来发展提供基础。另一方面，人工智能可以对神经学和脑科学在数据收集、标注和建模等方面提供技术支持促进脑科学的发展。
二、类脑计算：人工通用智能的基石
清华大学精密仪器系教授、类脑计算中心主任施路平表示：作为一种借鉴人脑存储处理信息方式发展起来的新技术，类脑计算将是人工通用智能的基石。面向通用的人工智能离不开类脑计算芯片。
类脑计算芯片，是借鉴人脑处理信息的基本原理，面向类脑智能而发展的新型信息处理芯片。类脑计算芯片是借鉴脑科学基本原理，面向类脑智能发展的非冯·诺依曼新型信息处理芯片。有别于提供专有算法的加速平台，类脑计算芯片旨在像大脑一样以低功耗、高并行、高效率、通用、强鲁棒和智能地处理各种复杂非结构化信息。
类脑芯片技术是一项新兴技术，目前没有明确的技术方案和研究路线图，美国、英国、德国、法国、韩国、日本、瑞士、新加坡、中国等国家的研究团队分别从架构、模型、集成电路、器件、编解码、信号处理、设计、制程、集成、测试和软件等各个层次探索类脑芯片的解决方案。类脑芯片架构是基础，由于大脑信息编码具有时空融合特性，国内外主要类脑芯片均采用时空融合架构，支持具有高度时空复杂性的脉冲神经网络算法模型。
按数据表达分类，目前类脑计算芯片架构分为数字型架构、模拟型架构和数模混合型架构。利用超大规模集成电路来实现神经网络模型，用于构建类脑的感知和计算系统，是由Carver A. Mead等人在20世纪80年代末提出的。以类脑计算方案与传统冯·诺依曼架构背离程度为标准，可将方案的层次从上到下大致分为程序级、架构级、电路级和器件级等层次。
据此，现有主流方案代表有：英国曼彻斯特大学的SpiNNaker是程序级的代表，IBM的TrueNorth、Intel的Loihi和清华大学的Tianjic是架构级的代表，德国海德堡大学的BrainScaleS是电路级的代表，美国斯坦福大学的Neurogrid是器件工作状态级的代表。
除了基于硅技术的类脑芯片外，还有基于新型纳米器件的类脑芯片，例如阻变存储器和忆阻器阵列（STT-RAM、PCM、RRAM等）。这种芯片直接利用定制的器件结构来模拟生物神经元的电特性，集成度更高，是非常有潜力的类脑芯片方案。但是目前大规模阻变存储器制造工艺相对不成熟，一致性和重现性都较差，现在还没有与基于硅技术的类脑芯片规模相当的芯片。除了计算芯片方面，类脑计算还可以和感知，如视觉结合在一起。
类脑感知芯片是借鉴生物感知基本原理实现信息感知的新型芯片，作为类脑计算芯片的信号输入器件，类脑感知芯片为类脑计算芯片提供高灵敏、精确、高速的感知信息，有效地保障类脑计算芯片正确地进行学习、记忆、识别、认知和决策等智能化处理。北京大学计算机科学技术系教授黄铁军课题组联合多家单位实现了灵长类视网膜中央凹神经细胞和神经环路的精细建模，提出了模拟视网膜机理的脉冲编码模型，研制成功仿视网膜芯片。
黄铁军介绍说，视网膜超速全时视觉芯片像生物视网膜一样采用神经脉冲表达视觉信息，脉冲发放频率超速人眼百倍，能够看清高速旋转叶片的文字，全时是指从芯片采集的神经脉冲序列中重构出任意时刻的画面。这是实现真正机器视觉的基础，有望重塑视觉信息处理体系，为无人驾驶、机器人、视频监控等领域带来变革。
类脑芯片是类脑智能发展的基石，特别适合于实时高效地解决不确定及复杂环境下的问题，可以赋能各行各业，全面带动工业、农业、医疗、金融以及国防等各行业的飞速发展。