生物神经网络 原理分析研读02

可能有用基础介绍

人类交互1 大脑视觉的处理过程
人类交互2 听觉处理和语言中枢
人类交互3 皮肤感觉与运动系统
人类交互4 感觉输入和运动输出
人类交互5 大脑信号编码与解码

相关材料分析研读

当前为了实现人工智能的两个主流技术是深度学习和类脑计算，深度学习虽然仍存在诸多缺陷，但是在表现上进步巨大；反观类脑计算，却因为自身诸多不合理的设计，陷入了各种困难的泥潭。

深度学习的进步不必多言，算是比较成功的。我们现在重点关注一下类脑计算，了解其背后颓败的根源和困境，作为将来智能发展上的教训。在此，介绍一位类脑计算的博士毕业生写出来的亲身感悟文章。

类脑计算的困境和出路（1）

类脑计算的困境和出路（1）

类脑计算的困境和出路（2）

类脑计算的困境和出路（2）

类脑计算的困境与出路（3）

类脑计算的困境与出路（3）

类脑计算的困境与出路（4）

类脑计算的困境与出路（4）

智能发展道路总结：困难重重

上述四篇文章，已经足够指出类脑计算的窘境，但值得注意的是造成其困境的根源本质还是来自于实现智能的复杂性。虽然当前深度学习发展感觉距离智能触手可及，但实际上却并没有这么乐观，更不用说AGI了。总的来说，深度学习也至少面临着下面的几个问题：

1. 相对生物神经网络，深度学习实现智能的效率很低！
   一个典型的例子就是秀丽隐杆线虫，仅300个神经元便可完成一系列复杂的生物行为，其效率令人吃惊，更不必说人脑这种更高级的网络。
2. 相对生物神经网络，深度学习能量利用有效率很低！
   人脑的功率大概20W左右，一张显卡的功率大概200W左右，当前深度学习框架用10张显卡实现出来的功能都赶不上人脑这么智能。
3. 相对生物神经网络，深度学习的世界模型仍然欠缺！
   对智能体来说，世界模型就是该系统的世界观，高级哺乳动物存在自己合理的世界观，可以根据脑中世界模型与世界交互，尤其人类。

总的来说，深度学习这些方面的失败根源大致为：网络结构相对单一，客观世界难以用一套简单结构去理解和表达规律。正如，生活中的问题，很难用单一算法去统一解决，并且还保证效率。

可以说，正是这份简单，造就了当前深度学习的成功（相对类脑计算），或许也可能正是这份简单，会限制住其未来智能道路的上限。