在近期举行的2021北京智源大会上，来自国内外的科学家围绕通用人工智能（AGI）的发展，分享了他们在类脑研究领域的经验和最新成果，以及人工智能未来发展可能存在的瓶颈及相应的解决思路。

　　助力通用人工智能实现

　　通用人工智能（AGI）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。一些研究人员将通用人工智能称为强AI（strong AI）或者完全AI（full AI），或称机器具有执行通用智能行为的能力。

　　与弱AI相比，强AI具有一般人类智慧，可以尝试执行全方位的人类认知能力，可以执行人类能够执行的任何智力任务。

　　日本理化学研究所荣休教授甘利俊一在人工神经网络的发展过程中做出了大量跨时代的工作。他在1967年就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，甘利俊一提出了联想式记忆模型。

　　“通用人工智能是未来发展趋势，而我们的工作是努力用算法、学习机制来贴近通用人工智能。”甘利俊一表示，例如深度网络学习等方法的发展，将有助于通用人工智能的实现。

　　盖茨比计算神经科学组主任彼得·达扬表示，可以从人工智能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，人工智能应与大脑“联姻”。

　　借鉴人类大脑学习机制

　　欧盟人类脑计划负责人、瑞典皇家理工学院教授科塔莱斯基表示，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人工智能的新方向。

　　“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。

　　法兰克福高等研究院的丹科·尼科利奇博士表示，类脑智能的研究还需要进一步深入理解本质差异，并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。

　　“如今的人工智能视觉算法显然无法适应现实世界各种视觉认知任务的复杂性。”约翰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，可以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。”

　　借鉴生物智能开辟新路径

　　现今，人工智能与大脑的神经计算之间的差距非常大，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人工智能中，模拟生物大脑，利用人工网络研究生物大脑的特性等，可以推动脑启发的人工智能的发展。

　　目前，北京智源人工智能研究院（下称智源研究院）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。

　　智源研究院生命模拟研究中心负责人马雷介绍了智源三大模型之一的“天演”生命模型。其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。