初创公司即融资上亿，这个“人造超级大脑”赛道为什么不是噱头？(4)

综上，我们可以看到，类脑计算并非“束之高阁”，而是已经走出实验室，开始了商业化的摸索。 据Yole Development预测， 2035年类脑计算市场将占人工智能总收入的15%-20%，市场规模将达到 200亿美元 。 虽然目前领域还处于发展的早期，面临着诸多待解难题，但已经显现出了势不可挡的趋势。我们认为理由有三。 首先，纵观人工智能发展的历史，从ANN到DNN，其实都是基于对大脑的模仿。 比如2016年击败围棋世界冠军李世石的AlphaGo，作为一个深度学习神经网络，它所利用的多层训练法就借鉴了一项认知科学的研究结果： 人们认识事物并不是通过直接分析，而是依靠一种 逐层抽象 的认知机制，即首先学习简单的概念，然后用它们去表示更抽象的。 △ 基于深度学习的图像识别过程中的逐层抽象过程

当然，诸如AlphaGo此类DNN都还是对大脑功能相对简单和抽象的模仿，存在着各种局限性。 第三代神经网络SNN由此诞生，除了神经元和突触状态之外，SNN还将时间概念纳入其中，实现了更高级的大脑生物神经模拟水平，有望打破现有的神经网络在功耗、算力、样本数量和质量等方面的限制。 因此，我们说，类脑计算不失一种顺势而为的科技发展趋势。 其次，要从当下最火热的通用人工智能（AGI）说起。 毫无疑问，现阶段的一些AI技术已经可以在某些特定任务上打败人类，但没法在所有技能上胜出。 这就像 北京师范大学认知神经科学和学习国家重点实验室研究员万小红博士 等所说， 人工智能更专业，自然智能更通用 。 更通用的强人工智能是AI发展的终极目标。就在一个多月之前，图灵奖得主LeCun公布的未来十年研究计划，就将AGI作为核心目标。 由于人类智能的核心是大脑，模拟大脑的类脑计算也就成为了实现AGI的一大重要路径。 最后，再将目光聚焦到当下，可以说，我们从未像今天这样需要新型计算机。 调查显示，全球每三四个月对于算力的需求就会翻一倍，这个增长速度已经远超摩尔定律和Dennard缩放定律。 但传统冯·诺伊曼计算架构存算分立的设计，让处理器即使再快也要等内存，算力根本无法得到提高。 作为新型计算形态的一种，类脑计算芯片有望打破这一僵局。 此外， 值得一提的是，虽说目前人类对大脑的研究还远不够透彻 ，但北京理工大学杨旭博士和北京师范大学万小红博士——两位一个来自计算机科学领域，一个来自认知神经科学，都一致认为：

这并不会真正妨碍类脑计算向前发展。 相反，他们都表示，AI技术的发展反过来还可以促进脑科学的研究，两者其实是相互成就的关系。 那么，等到真正的类脑时代来临之时，它将会和传统的人工智能技术并存，还是完全取代后者？又将会给人类社会带来怎样的变革？ 这无疑充满了想象的空间。我们拭目以待。 最后，结尾再抛给大家 两个开放问题 ： 1、你认为类脑智能是否会产生意识？ 2、类脑智能是否会像生物大脑一样也会产生遗忘？