本报记者 孙奇茹

当人工智能（AI）不断突破能力边界，我们是否需要回到大脑寻找智能的答案？8月25日，“智源学者说”活动上，一场关于“AI×脑科学”的科技前沿对谈在古香古色的隆福文化中心展开。

AI是否需要脑科学？这个争论伴随着人工智能能力的每一次跃升被反复提及。智源研究院理事长黄铁军直言：“在人们搞清智能的原理之前，可走的路线就是模仿生物智能。”他举了一个颇为生动的例子：1903年莱特兄弟发明飞机时，低速空气动力学理论尚在形成中，而高速空气动力学则要在二三十年之后才逐步成形。“飞机不如鸟灵活，但靠固定翼滑翔这一招就飞了起来。”黄铁军说，人工智能也是如此——在围绕智能的科学理论建立之前，人们参考对人脑和生物智能已知的有限知识来构造人工智能系统，是人工智能取得成功的一条重要技术路线。

“每当AI卡住的时候，大家就会想一想大脑可能是怎么工作的，把一些有用的结构拿出来，往往就实现了突破。”智源青年学者、北京大学计算机学院研究员陈国璋给出了一个比喻：动物脑有很强的先天“归纳偏置”，也就是大脑自带先天假设或偏好，例如蜘蛛生下来就会结网、蜜蜂一出生就会采蜜。而大模型和人脑的路径更为相似：新生儿要成长一到两年才会走路、跑跳，大模型也需要在大量数据中进行“后天”学习。

“脑科学的进步和人工智能的进步是交错式的，有时要等几十年才能用上。”北京师范大学心理学部教授、北京脑科学与类脑研究所研究员柳昀哲从认知科学角度谈道，脑科学对AI的帮助更多在启发层面，而非实现层面。“在近乎无限的假设空间里，帮我们找到几条可能值得尝试的路。”柳昀哲提到睡眠研究中的例子：白天和晚上大脑活动的差异很大，他们借鉴AI的对比学习方法解决了解码器迁移问题；而AI中的“唤醒睡眠算法”反过来又受睡眠认知的启发。

“人脑是亿万年间进化的产物，有很多值得学习的精妙设计。”智源学者、清华大学长聘教授于国强说。例如，人脑中的胶质细胞数目与神经元相似，并且执行了一种与神经元非常互补的计算能力。因此，也有研究者正尝试借鉴神经元之外的一些机制，探索如何让人工智能学习效率更高、能耗更小。“当AI再次遇到难关，需要解决与人类智能差距明显的难题时，大家会再一次对脑科学、神经科学投以更高的关注。”于国强表示。

人的大脑虽然效率极高，但毕竟受身体状态、感知速度等各种限制，因此，一个能辅助决策的“超级大脑”成为医学层面的刚需。谈及人工智能值得被人脑学习的地方，首都医科大学宣武医院常务副院长唐毅提到了高效学习、持续学习和举一反三这三方面的能力。以持续学习能力为例，从小到大，人们学过的知识不会真的消失——有些知识一时想不起来，但到了某个场合，它又能被提取出来。“大脑一直在修剪突触、更新信息，但不会把旧知识全部抹掉，这种不停学习、持续迭代与进化的能力，是人脑十分神奇的地方。”唐毅说。此外，“掌握了一个规律，就可以用到其他事情上”的这种“迁移”效应，也是当前AI大模型所欠缺的。

2024年，因在蛋白质结构预测领域的突破性贡献，谷歌DeepMind团队旗下人工智能系统AlphaFold的核心成员德米斯·哈萨比斯和约翰·江珀，与美国科学家大卫·贝克共同获得诺贝尔化学奖。为什么人工智能在蛋白质预测方面能获得如此突出的成就，在脑疾病领域却迟迟没有突破？唐毅给出了自己的判断：大脑本身太复杂了。从基因、蛋白表达，到神经元、胶质细胞，再到突触、神经环路、脑网络，最终到认知和行为，是一个层层递进的层级结构，而脑科学本身尚未彻底解析清楚这些奥秘。

于国强则从另一个角度梳理了AI反哺脑科学的四个层次：最浅层是帮助科学家写文章、查文献；第二层是分析脑科学产生的海量复杂数据；第三层是参与科学假说的生成；最深的一层，是将人工智能作为一种“实现了的智能”与生物智能进行对照，去研究这些异同本身。