作为代表自然界拥有最通用智能的生物大脑，可以借助低功耗和少量后天数据，实现在复杂环境下执行复杂任务的智能行为。因此，探索生物大脑智能认知的底层机理和复杂行为背后的神经科学基础，对于探索智能的本质，以及推动通用人工智能（AI）研究发展具有重要意义。
在近期举办的2021北京智源大会上，国内外科学家围绕通用AI的发展，分享了类脑研究领域最新成果，以及AI未来发展可能存在的瓶颈及相应的解决思路。通用AI是指具有一般人类智慧，可以执行人类能够执行的任何智力任务的机器智能。一些研究人员也将通用AI称为强AI或者完全AI。
日本理化学研究所荣休教授甘利俊一曾在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。在1972年，甘利俊一提出了联想式记忆模型。“通用AI是未来发展趋势，而我们的工作是努力用算法、学习机制来贴近通用AI。”甘利俊一表示，例如深度网络学习等方法的发展，将有助于通用AI的实现。
目前，AI主要用于定制解决方案。大多数AI系统是建立在单一类型上的，例如在图片或声音数据上工作。
大部分AI系统都只为解决一个特定的问题，且很多系统都只针对单个数据集进行优化。随着通用AI的发展，大脑学习机制和AI的联系越来越深刻。英国伦敦大学学院盖茨比计算神经科学中心主任彼得·达扬表示，可以从AI的算法获得启发解释脑科学机制，也可以从丰富而有效的大脑学习机制中获得启发和学习，发展更多新的人工强化学习方法，AI应与大脑“联姻”。
瑞典皇家理工学院教授科塔莱斯基是欧盟人类脑计划的负责人。科塔莱斯基表示，可以在高精度模型上探索大脑的通用智能，从大脑结构和功能入手探索通用AI的新方向。基底核是大脑中多巴胺分泌最丰富的核团，在医学上和帕金森氏症密切相关，而AI领域目前最热的强化学习理论也源自基底核工作原理。
“借鉴大脑的功能，以无监督学习的方式，可以实现机器的自感知、自适应、自驱动，同时进行躲避障碍与向目标物体游动的行为。”科塔莱斯基展现了如何从分子、细胞和神经回路的尺度上，精巧地还原大脑运动和感知相结合的工作原理，并成功模拟了鳗鱼在复杂水流中的运动情况。
“大脑的机制与机器的学习机制有很大差别，这些差异使一些对人来说很简单的事情，对AI却很困难，也使得AI只能胜任特定任务，而不具备通用智能。”德国法兰克福高等研究院的丹科·尼科利奇通过多个方面的对比研究阐述了大脑的工作机理和与深度学习的差异。
不过，尼科利奇表示，类脑智能的研究需要进一步深入理解这些本质差异，并提出有效的解决方案；同时，可以借鉴人类大脑在概念表征、情境信息处理等方面的工作机理，提高机器智能的感知和认知能力。美国约翰斯·霍普金斯大学认知科学系和计算机科学系特聘教授艾伦·尤尔建议，应该通过研究人类视觉感知的规律，并使用更严格的性能指标来挑战和评估算法，解决对抗性攻击、对环境信息过于敏感等算法弱点。
“尤其是向人类视觉学习，开发具有组合性的模型，并开发出性能与人类视觉系统一样好或更好的算法。”AI的发展得益于神经科学、认知科学等领域的重大发现，而目前的AI与脑科学之间还存在一些错位，弥合这些缺口可能是解决当前AI某些不足的关键。
北京大学人工智能研究院助理研究员杜凯认为，当前的AI与大脑的神经计算差距还非常大，例如在处理基本的视觉信息输入时，人工神经网络还依赖于对静态图像的学习，而人类视觉系统的神经网络处理信息是一个动态的过程。“应该借鉴生物智能的研究，开辟通用智能研究的新路径。
”清华大学基础科学讲席教授刘嘉表示，通过对认知科学、神经科学与计算科学等多学科的交叉研究，将现有认知神经科学等领域的最新成果、技术、研究工具和理论方法应用到AI中，模拟生物大脑，利用人工网络研究生物大脑的特性等，可以推动AI的发展。
目前，北京智源人工智能研究院正在通过高精度生物大脑模拟仿真，构建生命智能模型，探索新一代人工智能发展的可行路径。该研究院生命模拟研究中心负责人马雷表示，结合来自神经科学、信息科学等交叉科学的前沿技术，该机构的“天演”生命模型旨在模拟仿真经历亿万年进化演进的生物神经系统和身体，通过搭建高精度模拟仿真软硬件系统，构建生命智能模型并挖掘生物智能机制机理，逐步启发和探索新一代人工智能。
“大脑模型的规模越大、精细程度越高，越能表征生物智能性，而当今大规模高精度仿真依然存在诸多瓶颈，其中最关键的挑战要数计算的复杂性，现有的超级计算系统难以承担大脑突触级别的超微精细计算。”马雷表示。
刘嘉表示，人工智能研究者应积极通过对生物脑内部认知过程的探索，比较生物智能与神经网络的异同，从而了解大脑在实现特定认知功能方面的神经机理和认知范式，完善和革新现有的人工神经网络模型与算法，探索智能的边界和脑启发/类脑的通用智能研究新路径。