作為一名AI工程師，根據我從事AI專案的經驗，你說的話，有一點我是比較贊同的，現在的很多AI專案都是資料堆出來的，但是有兩點我是不贊同的：

深度學習：能夠從大量樣本里面自動抽取特徵，正是最近幾年AI火起來的最重要的原因，它不僅僅只是機器學習，而是深度學習，它能夠自動篩選出重要維度特徵，人類只需要負責搭建思想框架即可。

傳統機器學習：其實，很早以前，演算法就已經完整了，但是特徵的提取還是要考人工手動調參，所以導致機器學習停滯不前。

總結：你可以看出來，現在的人臉識別、文字識別已經非常成熟了，比機器學習訓練的精度要高很多，當然，姿態識別等，其它演算法也是非常有意義。

你說的有一點是非常正確的，現在的機器學習和深度學習都是需要大量的樣本的，這也是現今，很多人認為AI並非是真正的AI的原因，當然我也是這樣認為的。

AI學習需要資料是無可厚非的，因為“人腦”也是資料堆出來的，但是應該不需要那麼多資料，理論上，需要少量資料就可以了，所以目前資料少量化正是比較熱門的方向。

未來的突破：當然是能夠構建出，能夠根據少量資料就能訓練出較好的模型了

現有少量化模型：其實，個人感覺Unet就是一個很好的模型，少量資料（60張左右），就能分割出不錯的效果。

如下圖所示：Unet分割路面效果

但是，主流人工智慧就是這種情況。 DL或FL正在提取ML的最後一滴。基於機率和統計的大資料學習方法，對資料質量與結論的外部有效性之間的矛盾進行了匹配。

另一個無人值守的通用人工智慧（AGI，而不是AI）現在正在風起雲湧，它有可能在未來50年內主導技術開發模型並改變人類社會。現在已經取得了很大的進步，它仍然需要改進和應用。 （不幸的是，真正瞭解的人並不多，知道商品的人也很少。找到願意合作的人更加困難。）因此，對於AGI而言，這不是not頭，而是突破。基於此，對於世界的三個基本奧秘：宇宙的起源，人類的起源和意識的起源，最後一個難題是在AGI級別上直接回答的。

--------對於主要科幻小說的問題，我直接給出--------

1.在網路上提到的人工智慧是主流人工智慧（AI），也就是說，實際問題是透過預設演算法加非預設資料（通常是影象識別和語音處理）解決的。我從事非主流研究，即通用人工智慧（AGI），該研究旨在建立一個能夠思考，具有情感和意識的軟體人。

2，AI需要掌握資料分析的基本方法，需要具有一定機率的統計依據和開發能力。深度學習和強化學習非常熱門，可以使用許多現成的框架。所謂的從零開始的AI是讓您使用這些框架執行示例。但是問題在於，其中大多數只是學習問題。如果您想了解原理，讓我們看看李航的書。

3，機器自主學習有很大的突破，這主要歸功於GPU的快速發展。實際上，深度學習卷積神經演算法是很早提出的。有趣的是，當時它由世界通用人工智慧協會主席使用，但直到最近才解決了該演算法的計算能力。但是，實際上，仍然高舉大資料旗幟並張開嘴巴和神經網路的人們可能會在未來被淘汰。因為大資料是反人類的或反生物的，甚至是反自然的，人類也擁有引以為傲的智慧，而不是因為我們掌握了大資料，相反，這是因為我們擁有小資料。情報也恰恰是使用有限的小資料來應對無限的未來。像深藍之類的系統一樣，AlphGo沒有任何智慧，就像從計算器，電話，電視，計算機，智慧電話，智慧家用電器和智慧掃地機器人獲得的路徑一樣。主流人工智慧的發展恰恰是智慧。的過程。建立後，它不再被認為是智慧的。根本原因是主流人工智慧不是真的很聰明，他們對智慧的定義也並不是真的很聰明（說話可能有點嚴肅，有些學者仍然有理想）。

近年來，隨著歐盟“人腦工程”和美國“BRAIN 計劃”的開展，腦科學的新型方法和手段得到了快速發展。美國國立衛生研究院還於 2012 年啟動了耗資 3000 萬美元的“人腦連線組計劃”（HCP）。

在中國，腦計劃則在蒲慕明等專家的推動下有望於今年啟動，這將是一個由中國科學家主導的國際大科學計劃，新的機遇之中最引人注目的就是與人工智慧的結合。

那麼，腦科學在過去幾年有哪些令人難忘的發展，未來幾年又可能有怎樣的突破，我們又該如何理解人工智慧與腦科學碰撞給社會帶來的影響，以及科技巨頭在這些突破中扮演的角色和影響？這是業內和社會都很關心的話題，也是11 月 6-7 日即將在北京懷柔科學城召開的“細胞科學北京學術會議：人工智慧和腦科學”（Cell Press Beijing Conference – AI and The Brain）討論的焦點。

這場由北京市科學技術委員會指導，全球領先學術出版機構細胞出版社（Cell Press）主辦的會議，將邀請 20 餘位國內外人工智慧和腦科學領域的頂尖科學家分享他們正在進行的前沿科學研究，並圍繞計算機和認知領域的最新科研進展，以及兩個領域交叉所碰撞出的火花進行深入討論。這是近年來該領域少有的國際化高階論壇，演講嘉賓包括麥戈文腦研究所神經科學教授 James DiCarlo，中國科學院神經科學研究所所長、中科院腦科學與智慧技術卓越創新中心主任蒲慕明，加州大學舊金山分校神經外科學教授 Edward Chang，以色列魏茲曼科學研究所 Samy 和 Ruth Cohn 計算機科學教授、魏茨曼 AI 中心主任 Shimon Ullman，約翰·霍普金斯大學神經科學彭博傑出教授 Daeyeol Lee 等。

DeepTech 在會前採訪到了蒲慕明教授、Daeyeol Lee 及Shimon Ullman 三位講者，他們都是人工智慧與腦科學領域的頂尖科學家，讓我們看看他們針對以上業界和大眾關注的問題將給出怎樣的答案。

圖 | 自左到右為蒲慕明、Daeyeol Lee 及 Shimon Ullman

腦科學突破何在？

蒲慕明曾經對腦科學的過去 100 年的進展作過總結：在過去的一個世紀裡，諾貝爾獎涉及的神經科學中的重要發現都跟大腦的資訊編碼、儲存相關。但是，我們只對神經細胞如何處理資訊瞭解得很清楚，對整個大腦複雜的網路結構瞭解不多。

腦科學研究的關鍵是要實現對神經元叢集活動的實時觀察，進而在全腦尺度上解析神經環路的功能和結構，那麼高時空解析度、大範圍神經元叢集電活動的同時檢測就是一個目標。Shimon Ullman 認為，在腦科學研究手段上，這幾年來一個激動人心的突破是高時空解析度下大量腦神經元活動的視覺化。

藉助包括共聚焦、雙光子成像等技術，“人腦連線組計劃”關注的是大量神經元如何相互連線形成神經環路。對於“人腦連線組計劃”的實施，Shimon Ullman 說，透過繪製大腦連線組，科學家得到了詳細的皮質環路接線圖，這可能促成人們對皮層計算理解的飛躍，進而開發出新一代的人工智慧網路模型。這個研究還能夠幫助理解大腦對自上而下計算和自下而上計算的整合，而這類整合應用範圍較小，目前僅應用於部分現有的網路模型中，例如用於計算機視覺方面的網路模型。

在 Shimon Ullman 眼中，對新生嬰兒的大腦連線與特定腦區的研究，可以讓我們瞭解人腦的先天能力並將之用於通用人工智慧。

Daeyeol Lee 則關注大腦的決策機制，他認為近期這個領域最主要的突破是原本在機器學習（如強化學習）或數學心理學（如漂移擴散模型）中假設的動態變化與大腦中單個神經元（通常位於皮層）活動之間的產生了強相關。其意義在於，我們已經在開始瞭解大腦中抽象認知過程了。Daeyeol Lee 說，“只有用數學語言來描述人類大腦時，我們才有可能理解這個複雜器官。”

對於近幾年的研究進展，蒲慕明關注啟用和抑制大群神經細胞電活動技術的進展。他認為這些新技術可以讓科學家開始研究腦電活動與腦功能的因果關係：大腦是如何認知外界環境，並能對環境的變化作出適當的反應。這些技術也為腦疾病的治療帶來新契機。

強人工智慧可能嗎？

Shimon Ullman 專注於人類視覺系統對視覺資訊的處理以及計算機視覺。他說，深度網路模型目前在兩個方面還不具備模仿人類視覺的基本能力。其一，人類具備利用視覺從零開始學習的能力，無需管理即可理解和認識世界。其二是將視覺與認知結合起來的能力。這些能力上的欠缺部分反映了真實的大腦網路和當前模型中使用的網路結構之間的差異。

Shimon Ullman 預測說，未來可能是兩個方向的結合。那麼原則上有兩條途徑可以將兩者整合：一是利用對人腦和認知的研究結果，將相似的結構和功能整合到人工智慧中；二是以計算方法替代進化過程，透過計算機模擬來發現獨立於人腦的有用結構和連線模式。

蒲慕明對強人工智慧持保守看法。他說，要發展出完全像人一樣的智慧機器人，即能像人一樣可以很快學會做各種任務、能自我成長、能具有人一樣的共情心和社會行為、能像最好的朋友一樣理解你的機器人，這還是極其遙遠的事。“我認為這個世紀還做不到，有些神經科學家則認為這是根本不可能做到的。”

腦科學與 AI 結合的影響

如今腦科學與人工智慧相結合的應用已經遍及醫療保健、工程、科學、運輸、製造業等領域，經濟發展將越來越依賴智慧機器，一些國家將此類技術視作核心競爭力。Shimon Ullman 說，在社會上，這些領域會引發隱私、安全、教育和收入差距等問題。在心理學層面，涉及到生活所有層面的高階智慧人工系統的存在可能會改變人們的決策方式，甚至會改變人們對“人何以為人”的認識。

Daeyeol Lee 看好人工智慧行為互動的發展空間，尤其是能夠與人類群體進行有效互動的人工智慧。他認為這需要我們對人類決策和認知的社會本質有更深入認識。

蒲慕明主要從事神經元發育、突觸可塑性和認知功能的神經環路機制研究，他表示，未來 10 年內，腦機介面和腦訊號解碼技術的發展將可以利用腦顱外（無創性）或顱內皮層上（微創性）電極晶片檢測到的腦電訊號來控制（甚至遙控）體外器件，也可以有器件能調控大腦的電活動，改變人的行為。但他也表示擔心這些新技術肯定會帶來倫理問題，比如誰可以用這些技術？用它們做什麼事？如何管控它們的使用？

巨頭參與的憂慮

Shimon Ullman 肯定說，商業巨頭過去一直在參與技術和科學的發展，比如貝爾實驗室和 IBM 貢獻了不少於 14 個諾獎成就。如今的時代特點是，商業巨頭和科技巨頭建立、採用和控制了主要的新技術，並使用了大資料來為私人服務，過去並沒有這樣的角色。

Shimon Ullman 分析說，從積極方面看，大公司和學術界在相互成就。大公司有更多資源和工程實力，可以解決各種實際問題。學術界則擅長以好奇心驅動來研究基本問題，這也是過去諸多最重要科學發現和技術發明的推動力。正確將兩者結合則可能加速解決人類面對的一系列根本問題。

人們必須看到巨頭參與的消極方面。蒲慕明說，商業是利益驅動的，只有在社會強制管控下他們才會考慮倫理問題。

Shimon Ullman 則表示，公司是自身利益驅動的，其利益不一定總與人類整體利益相一致。對於那些巨頭，其技術和資料總有被公司濫用或他人獲得其資源訪問許可權的風險。潛在風險正在日益嚴峻，如何對這些商業和科技巨頭進行監管是一個迫在眉睫的重大問題。

三位科學家都將在11 月 6-7 日北京懷柔科學城召開的“細胞科學北京學術會議：人工智慧和腦科學”（Cell Press Beijing Conference – AI and The Brain）上做學術報告。James DiCarlo 將分享“透過腦科學與人工智慧的協作，逆轉工程人類視覺智慧”的研究，蒲慕明教授將做題為《從自然到人工神經網路的突觸可塑性》的學術報告，Daeyeol Lee 則將介紹“人工智慧的革命“。另外，還有 17 位世界頂尖科學家將圍繞認知加工及分層計算、運動與實體、神經迴路構建、影象處理與生物視覺、健康和疾病中的腦連線網路及神經網路中的學習、發展的自我組織等話題展開討論。

1.統計學習發展已經有相當長曆史，但需要大量的手動特徵工程，資料科學家們需要對資料本身有很深的理解。

2.深度學習相比統計學習的主要優點是可以自動抽取特徵，主要得益於海量資料和計算力。在非結構化資料（影象，文字，音訊，影片等）上的表現遠超統計學習。

3.強化學習+深度學習一度被認為是實現通用人工智慧的方法，由深度學習負責看和聽，強化學習負責決策，但近兩年深度強化學習研究進展緩慢，只在棋類，撲克和遊戲上表現較好，如alphago等。

4.從仿生學的角度去做通用人工智慧是另外一個比較熱的研究方向，突破依賴神經科學的發展。

5.一些物理學家從耗散理論和自組織的角度研究智慧的起源和本質，也被認為是實現通用人工智慧的可能方向。

我個人覺得ai的突破點還是在演算法上，現有的演算法是採集足夠的樣本，那麼未來的ai可能有更好的演算法促進ai進化，實現更智慧。