为了进一步加强脑科学和人工智能的合作，架起连接脑科学与人工智能的实际桥梁，我专门造了一个新词： “智元（Wiston）”，意思是具有独立智能功能的基本神经回路。以“智元”作为基本单元构造的人工智能系统，将是可解释、可预期和可信任的。以“智元”为基础，我们通过加强脑科学和人工智能的合作，有望更快破解“一群神经元是如何形成概念的？”这个最重要的问题。
智元：脑科学与人工智能的桥梁
《人工智能的认知神经基础白皮书》序言
01
脑科学对AI的必要性
把人工智能这个概念送上历史舞台的1956年达特茅斯夏季研讨会共讨论了七大问题，问题3就是“神经网络：一群神经元是如何形成概念的？”，我认为这是人工智能需要回答的最重要的问题，也是脑科学需要回答的最重要的问题。
“一群神经元”，这是神经科学的研究对象，“形成概念”，这是认知科学的研究对象，这个最重要的问题，正是认知科学和神经科学的连接点。认知科学研究智能现象，主要采用自顶向下的方法，神经科学研究脑的结构，主要采用自底向上方法。
认知科学和神经科学都属于脑科学，它的研究对象是脑及其智能现象，被称为“自然科学的最后疆域”，进展速度不如人工智能那么让人眼花缭乱。这是因为，人工智能是一门技术，目的是构造越来越智能，因而越来越复杂的系统，它的进步比较容易看得到。相比之下，生物神经系统是个盘根错节的黑暗丛林，生物智能是复杂的动力学现象，还缺乏有效的数学工具，因此任何一点儿进步都十分艰难。
人工智能并不能因进步快而沾沾自喜。当前人工智能系统和生物神经系统相比，还是小巫见大巫。例如智源研究院去年发布的人工智能大模型“悟道2.0”，参数规模达到1.75万亿，但还不到人类大脑连接数量的2%，而且其基本单元和连接方式都比生物系统简单得多。视觉是研究人员最多、应用最广的方向，但是已有视觉模型都难望生物视觉之项背，今年热点是视觉大模型，如果要在像素级进行视觉空间关系训练，集合全球算力都不够，更逞论时空关系联合训练。
说到算力，人们往往会说强大的人脑是个低功耗系统，这是认识错位。用人工智能的术语来说，人脑的低功耗是“推理”过程低功耗，而不是“训练”过程低功耗。人脑是亿万年进化的产物，进化就是一种训练过程，大自然训练出人脑这个复杂网络，消耗了巨量太阳能，相比之下，全球算力功耗算得了什么呢？
02
脑科学有大量AI尚未借鉴的宝藏
以“机器学习+大数据/复杂环境+大算力”模式训练大规模智能模型，确实可以解决不少问题，但 天下没有免费的午餐，强大智能是以巨大训练成本为前提的，训练人脑花费的“天价”，人类付得起吗？因此， 借鉴生物大脑这个已经训练成功的“蓝本”，模拟生物大脑的精细神经结构和信息加工机理，却可能是实现更强大、更通用人工智能的最短路径。
借鉴脑科学研究成果，并不是说默默等待脑科学最新进展，事实上，脑科学大量已有进展尚未在人工智能领域得到有效利用。例如，目前人工神经网络所用的神经元模型，还是1943年的麦卡洛克-皮茨（M-P）模型，训练的理论依据，还是1949年提出的赫布学习规则（Hebb Learning Rule）。在脑科学领域，有许多与智能行为密切相关的认知范式、神经活动机理等“宝藏”等待人工智能领域研究者开发和利用，并以此推动生物智能启发的人工智能模型算法研究新范式。
因此，智源研究院与2020年8月，设立“人工智能的认知神经基础重大研究方向”，就是要促进脑科学和人工智能的交叉，促进两个领域学者的交流和合作。作为认知神经基础重大研究方向的重要成果，智源生物智能开源开放平台已经在去年正式上线。同时智源研究院还在去年设立了生命模型研究中心，从模拟高精度生命系统的角度开展交叉领域前沿探索。
03
智元：有脑科学依据的智能单元，构建新一代AI
为了进一步加强脑科学和人工智能的合作，架起连接脑科学与人工智能的实际桥梁，我专门造了一个新词： “智元（Wiston）”，意思是具有独立智能功能的基本神经回路。
事实上，脑科学已经发现了很多“智元”，例如这份报告第2章提到的位置细胞和网格细胞、第3章提到的吸引子网络、赢者通吃网络，众所周知的视皮层简单细胞和复杂细胞，以及近期热门的记忆痕迹细胞等，已经遍及感知、定位、学习、决策、记忆等多种智能。
可惜的是， 这些进展都没跳出“细胞/神经元”这个神经科学术语，因此我提出“智元”概念，就是要把相对独立的智能和实现这种智能的一群神经元（及其网络连接）作为一个整体单元。以“智元”作为基本单元构造的人工智能系统，将是可解释、可预期和可信任的。
当然更重要的是，从“智元”开始，我们就已经开始回答“一群神经元是如何形成概念的？”这个最重要的问题了。
