人腦的工作方式分為兩種，主動思考決策和被動思考決策。

被動思考決策好比是身體某個部位感到疼痛，大腦會下意識的控制身體部位進行移動躲避疼痛，用人工智慧做的方式就是透過感測器傳輸感知，然後給負責移動的處理器進行處理。

主動思考決策是我們去做一個決定的思考方式，這個決策我們剖析下，當人做某些決策是和性格有關，但是性格是由過往經歷有關的，我們可以收集某些人的過往經歷和思維方式，這樣就能讓人工智慧和人的決策保持一致了。但是一定要做的是採集某些人的相關資料和決策方式，才能保證人工智慧和人的思維是一樣的。

首先，隨著科學技術的不斷進步，人類不斷加快新產品的研發，科技的發展也提高了各項技術的提高，如何更好的去實現人工智慧的更好發展，是一些科研人員的重要之中。

其次，模擬人工大腦進行人工智慧的設計，是未來需要研發注意的問題，如何保持這種科學技術，需要我們不斷學習發展，只要科技足夠強大，這種人工智慧一定可以更好的發展。

最後，人工智慧的發展就是為了減輕勞動力，加快社會的進步與發展，只要我們的技術不斷加強，我們的夢想終究會實現。

利用模仿人腦的工作原理來製造人工智慧，這是最基本的技術，但也是最繁瑣的技術。基本是說人工智慧的研究基礎就需要這個，其複雜就源於對於同一訊息在不同的時間不同的地點會得到不同的反饋結果。因此才會在人工智慧高度延伸的時候出現很多問題需要解決。

首先，人工智慧研究之處要有足夠的資訊收集進行分類加工處理。人工智慧並不是紙上談兵，而是需要切實可行的資訊資料作為支撐。否則就不能去按照既定的目標達到預期的效果。

其次，人工智慧需要把所有涉及到的相關訊息嵌入各個節點中。節點就如同我們的思維邏輯點，只有使得每個節點有序的銜接起來，才能使得人工智慧按照既定的程式完成預期的任務。如果期間的節點銜接上出現紊亂，就會使得整個人工智慧系統進入紊亂甚至徹底癱瘓。

最後，要對人工智慧植入複雜的複合場景效果。這樣才能夠使得人工智慧具備複合性的資料與資訊的處理能力。但這些也只是根據我們人類對大腦的認知層面的處理能力，而更深層次的則需要我們對自身大腦的認知進一步加深才能夠去提升。

總之，人工智慧對於我們現在來說是亟待研究開發的重要課題，但是隨著時間的流失和科技的積累，人工智慧的開發也會陷入一個禁區，而這個禁區必須我們在得到認知之後就要進行必要的控制，否則不但不能使得人工智慧造福未來，反而可能阻礙文明的程序，事物的發展的兩面性時刻存在著。只有認清和明悟之後才能更好的駕馭未來科技，這不但是科技禁區，同樣是人類的禁區。——善用科技造福未來。

什麼是人工智慧？簡單的來講就是讓我們的生活工具去做一些以往需要經過人的思考而從事的工作。它涉及領域比較廣泛，包括計算機、心理學、哲學等諸多方面。舉個簡單的例子，如果你用的是蘋果手機，那麼你現在就可以呼叫Siri 為你定一個早上7點的鬧鐘等。如果你經常逛小米之家，你可能就會發現人工智慧真的離我們的生活很近，掃地機器人、智慧窗簾、智慧電燈等等。可以說我們已經步入了人工智慧時代。

那麼人工智慧與人腦的工作模式有什麼區別呢？那麼我們先來簡單瞭解一下人腦的工作模式，人腦的工作模式主要分為兩種：一、主動思考而產生的行為；二、受到外界影響而產生的行為。而人工智慧目前來講更多的屬於第二種，目前大多數的人工智慧還停留在被動接受外界影響而進行的工作上，並不具備人腦主動思考、學習知識、機敏應對外界環境的能力。

未來人工智慧的發展方向是什麼？未來人工智慧更多的是變被動為主動的智慧，可能更多的去人工化，即你不需要作出指令它也會根據你的生活習慣作出有利於人類的工作，未來的生活可能是這樣的，當你將衣服放入洗衣機，它會自動為你洗好，掃地機器人會根據地面的情況自動清掃等等，當然人工智慧的研究也會存在一定的禁區，就像電影裡所表現的一樣，機器人不再受人類控制了怎麼辦？是否會上演機器人造反的情況？這些都是我們需要謹慎對待的。

能不能模仿人腦的工作模式製造人工智慧？答案是可以的，我們目前研發的靈感大多也來自於人腦的工作模式，未來會更加接近人腦，但是也存在一定禁區。相信隨著人工智慧的不斷推進會有相關法律法規進行約束。

可以，但這也是最難的一種方式。

在人工智慧這個概念剛剛誕生的時候，人們就試圖透過模仿人腦的工作模式進行研發。但問題是：直到現在人類也沒有完全搞清楚人腦是如何執行的，更不用說以此去開發AI程式；就像無源之水，無本之木，最終是無法獲得預期的結果的。

在最初的嘗試失敗了以後，人工智慧的先驅們還探索了包括“專家系統”在內的等不同技術方向，可惜均以失敗告終。直到2006年，憑藉著被稱為“神經網路之父”的Geoffrey Hinton在深度學習領域的突破，人工智慧可以透過對大資料進行分析開始產生在某些領域超過人類（例如：AlphaGo），而人工智慧也再一次成為人們的焦點。

但是從去年開始，人工智慧界中越來越多的人開始意識這一次的AI技術革命對於大資料有著過度依賴。相比之下，目前階段的AI並沒有像人類一樣對於“常識”的理解能力，並且人類在進行學習的時候只需要“小資料”就可以解決問題。所以，現在有越來越多的人工智慧專家開始提倡重新走上模擬人腦思考的方式去開發AI程式。

雖然現在科學家們依然搞不清楚人腦的運作模式，但是未來幾年的AI可能會從模擬動物智慧以及其它生物智慧的方式進行切入，一步步地向真正的人工智慧推薦。直到有一天人腦的秘密全部被發現以後，人工智慧技術將會迎來它的下一次飛躍。

感謝邀請，原來確實有一種思潮，要求利用超級計算機逆推人類腦神經元的活動規律，從而為模擬人腦，誕生類人的人工智慧做準備。不過這類方案現在幾近擱淺，一個是操作難度實在太大，模擬人腦1000億左右神經元的運動規律需要難以想象的巨大資料運算量和超精準的建模，這個在時間上也是無底洞。另一方面，在master等人工智慧和人在某一領域對弈的時候，人們發現了他們的深度學習模式迥異於人類並且比人類的天然學習模式效率高得多。扎克伯格的實驗室裡誕生的兩個AI簡化交流語言，提高交流效率的事情更說明了這一點。所以人們的思想豁然開朗，人工智慧生命本來就是和地球上的碳基生物完全不同的生命體，其構造和基礎材料決定了它們可能達到的思維速度和運算，認知，學習速度遠大於碳基生命。所以沒必要以我們的思維模式強行推導並規定AI的工作模式。它如果能自組織進化，最終肯定是一種和人類完全異質的文明。當然，強人工智慧很可能比人類走得更加長遠，也更加輝煌。

2，晶片：DARPA與IBM合作建立了一個專案，名為“神經形態自適應伸縮可塑電子系統計劃（SyNAPSE）”。其類腦晶片叫TureNorth。2011年，IBM釋出第一代TrueNorth晶片，它可以像大腦一樣具有學習和資訊處理能力，具有大規模平行計算能力。2014年，IBM釋出第二代TrueNorth晶片，效能大幅提升，功耗卻只有70毫瓦，神經元數量由256個增加到100萬個，可程式設計突觸由262144個增加到2.56億個。

3，模仿不是出路，就像飛機不像鳥！

原創思想，擬腦AI，當然可以!不僅可以，而且是AI的必由之路，大腦極其高效，極其節能，瞬間就可以將極其巨大的資料濃縮，抽象並歸類。比如人耳，可以把數億的不同語音瞬間歸類成極其簡單的若干種patterns，令現在的所謂深度學習望塵莫及。然而，現在的所謂AI，連大腦處理資訊方式的皮毛都沾不上邊，可謂是路漫漫其修遠兮，吾將上下而求索。本民科一直在擬腦AI上單獨前行，孤軍奮戰，突破指日可待，敬請期待。