正文
为什么后面几个问题一直发展很有限，背后有两个原理。一个是因为我们一直在用计算机做智能，在计算机上做神经网络、深度学习，是架构在冯诺依曼体系结构上的神经网络模型。神经网络是没有什么中心的，大量的节点进行复杂交互的网络，跟计算机体系不是一回事。二是由于没有一个针对神经网络的一种体系结构的硬件，晶体管促进了计算机的快速发展，但是没有合适的神经元器件，没有物理上做出一个硬的神经网络，又能符合我们希望的模型，没有类似于香农这样的人物出现，提供一个物理的桥梁，让你实现这些想法，数学和神经网络的想法，就不像计算机发展那么快。
但是我们还是要找这样一种路径来实现神经网络。所以神经网络发展这么多年，有高潮、有低潮，但是总有人比较坚持。1985年Hinton提出boltzman机模型。今天大家用深度学习去说boltzman机说多层网络的时候，好像是一个很新的。从1985年到2006年，没有人做的时候，我也坚持去做这个，就是报着这样一种心态，在坚持做神经网络。我是1995年读博士，1996年选题，那个时候，我们所有11个博士生，就只有一个人做神经网络，这种精神就是首先你逻辑对不对，你要认定是对的，你就坚持做下去，不管别人怎么看我这个事，为什么会有这么一种精神？因为Hinton是布尔的曾孙子，布尔逻辑那个布尔的后代，这些人是有贵族精神的，不会被流俗所影响，我认为这个方向对，我就坚持做，慢慢调吧，有人给钱，我就做，没人给钱，一个人做，有人给钱，几个人做。
2006年，Geoffrey Hinton在《Science》发表关于深度神经网络的论文，现在深度学习已经过热了。2011年，深度学习没有那么热的时候，我在斯坦福的半年访问，他们就是用layer做图象识别、语音识别、自然语言处理提升的百分点数，当然都是几个百分点，没有超过10%。后来，李飞飞组织的深度学习在比赛中，对图像识别的能力提高了11个百分点。现在已经变成用更多的数据，更深的网络，调调参数，然后一个结果，这就没有什么，从研究的角度没有什么太大意义了，但是我们都喜欢干这个事。
Alpha go的实现里面有很多它新的想法，是一个标志性的事件，但这还不是强人工智能，自主智能，但是超出了我们传统上对人工智能的一种理解——总要把很多东西进行形式化然后表达。它的突破在把围棋当成一个图像去识别，这个跟人去识别的过程是类似的。所以我们讲高手就是棋感，棋感从哪来？就是你下的棋数，下的多，看的棋谱多，阿尔法狗看完3000万盘棋，棋感已经超出人了。你说棋感这种我们通常认为只有人类有的，机器一样可以有。这种神秘性，我们认为独有性的东西，逐渐被机器替代。
所以2030年国家的重大科技项目里面，潘院士提了五大方向：大数据智能、跨媒体智能、群体智能、混合增强智能、自主无人系统。 2030年的时候，计算机达到什么样的能力？当时定了一个目标，就是要逼近人脑的信息处理能力，具有自我认知，自主的通用人工智能。
以上是一些背景，花了不少时间，后来应该是相对好讲。
二、制造强人工智能
第二个话题，是制造强人工智能。强人工智能又叫通用人工智能，到现在为止，包括阿法狗在内的，都是弱人工智能，
专用人工智能。专用人工智能是指就事论事，要解决某个智能问题。强人工智能是要达到人类水平，能够自适应的应对外界环境挑战的具有自我意识的人工智能。一旦达到人类水平，就会超过人类水平，所以强人工智能是我们要应对的一个挑战，这个挑战也许是我们人类出现以来，要应对最大的挑战。
实际上世界上存在超级人工智能，本来我们人就是，我们本来就是一个强人工智能，我们的强人工智能基于我们的大脑，神经系统。到目前现在为止，除了人脑之外，没有任何一个自然或者人工智能系统，具有对新环境、新挑战，能够自适应，人是最典型的具有强人工智能的。
既然人可以有，我们怎么让机器有？一开始我就说类脑计算这个词，很容易用不同的角度去理解，比如说Brain-inspired computing，受脑启发的计算，这个事已经从人工智能开始，大家都在做，脑给了我们一些模型原理，尽管很有限，但是我们得到了一些认知，认知科学给我们一些启发，我们可以设计新的算法，包括疑团算法，各种各样的。其实背后或多或少都有认知的应用。但是这样的一个理解是不能解决我说的强人工智能问题的，这样一个思路，把我们引入歧途。
我们刚才说人类大脑有强人工智能，人类大脑的强智能是怎么出现的？换一个说法，人的意识是怎么回事，或者人的思维是怎么回事，人的意识起源是什么，意识背后的原理是什么，就是这样一个问题。这样一个问题，是我们人类三大科学问题。人类面对三个最大的科学问题，第一个宇宙的起源，生命的起源，意识的起源，这三大科学问题，是一个很难的问题，要不然就不叫它大问题了。这么一个大的科学问题，什么时候能解决，你去问脑科学家，再保守的脑科学家，也不会跟你说在100年之内能解决，一般都会说大概几百年的时间，也有人说会在1000年的时间，也许永远解决不了。因为这种大问题，他们没有找到一个可行的方案，只能是说不断往这个方向探索而已，所以不能给你一个确定的答案，因为太难了。如果他们不能告诉我们，大脑是怎么产生我们的意识这种强人工智能的，我们怎么办？
别人没有给你模型，我们是不是等模型出来再去做？我们多少年来被这么教育，科学是基础，技术是基于科学我们才能发展新的技术。所以但是这种思维方式在有些情况是对的，但是大多数情况下是有问题的。比如说飞机和空气动力学，1903年莱特兄弟就造出了飞机，但是1939年才出现空气动力学用来解释飞机为什么能飞。但是今天的飞机，靠空气动力学的指导才能做得更好，但是那只是更好。第一架飞机是没有科学理论做基础的。回顾一下，我们人类历史上的技术进步和科学进步，技术进步几乎可以说都是领先于科学进步的，原创性、颠覆性的。中国四大发明，没有一个有科学原理的，你说中国没有科学技术，中国有技术，指南针早就用了，郑和也不知道地球是圆的，也不知道指南针真的指南，但是我们就做出来了。后来，等到科学逐渐的磁学，这些地球我们知道怎么回事的时候，我们才理解为什么指南针能指南。
所以我们做通用人工智能，强人工智能，是不是一定要回答——智能是怎么回事这个问题？大脑到底是怎么产生的智能，我们是不是一定要回答这个问题，如果回答等几百年之后，再去做了，那这件事就没有必要再去讨论了。实际上不是这样的，类脑计算不是Brain-inspired computing，类脑计算是Brain-like。什么是类脑计算？我们现在并不知道大脑为什么会产生这么高级的，创造性的知觉。但是我们知道是什么样的物理系统在产生这个功能。这个大脑在物理意义上讲是怎么回事，在物质上是怎么回事，我们不说精神不说思维智能，我们说神经系统是怎么回事，是什么样的生物系统，什么样的神经网络，在发生这样一个复杂现象。所以这是大脑的解析仿真，大脑能不能解剖开，能不能把大脑的画出来，我们要搞清楚，我们要看清楚 ，是什么样的结构在做，在发生这样一个行为。所以这件事可以做的，等会儿还会讲画到什么程度。
第二个，如果我们知道大脑的神经元，神经网络这样一个结构，产生了高级的功能，我们能不能用电子也做一个。当然我们不用再去复制一个生物的东西，我们可以用神经元、神经网络的功能，连接也一样，做一个同样的系统。因为神经元也是一个信号处理，图谱是信号的加工，这样的功能我们可以用电子器件做出来，人脑其实也是一样，你抓住一定程度上的结构相似形，就会出现类似的功能，如果结构的相似性精确到一定程度，复杂性就有可能出现。所以是照葫芦画瓢做一个东西，我们不问为什么。
这样一个系统，你可以去训练它，就像今天我们说深度学习没有一个人不信，深度学习的功能在那，多层网络在那个地方，你用大量的数据训练它，它就会出现抽象能力，分类识别各种各样的能力。如果你做了一个大脑神经网络的东西去训练它，用实时的，用各种各样的刺激去训练它，它也应该出现类似的现象。一个复杂网络，会产生更复杂的现象。像简单的神经网络会产生简单的现象，复杂网络会产生复杂现象。人类一定是先理解机器智能，最终理解我们自身的智能。因为从可实现上，也应该是这样。所以你看走了四步，最终实现了理解意识，但是如果按常规的科学为先的思路，上来就现问意识怎么回事，这四步都不用走，我们就在原地等着就好了，就不会有类脑计算，不会有真正的下一代计算机了。
因为今天大家给我三个小时来讲，所以我还可以详细的去说下。2015年的时候，为了给北京市说清楚，我总结了三句话，他们说明白了，你们做吧。
结构层次模仿脑，器件层次逼近脑，智能层次超越脑。
结构层次模仿，把大脑的神经网络结构搞清楚，仿真大脑，这就是大脑反向工程。第二个，做出神经形态器件，从尺寸、功能上，逼近生物神经元，这是神经形态工程。智能层次超越脑就像我们今天去训练一个神经网络一样，用大数据，用各种的感官，当然可以用虚拟现实和虚拟环境去刺激它，让它产生复杂的行为，就是刚才说的，类似行为主义的训练。这三个层次做完之后，这个系统就会拥有高级的复杂功能。大概是这样一个路径。
所以我们所谓的类脑计算，类脑计算机，是仿造生物神经网络，采用神经形态器件构造的，以时空信息处理为中心的智能机器。为什么要强调时空信息处理，因为我们老说复杂环境。图灵机处理的数据流，实际上是已经拆借的时空信息了，尽管可以做视频，做视觉，做现在复杂的任务。但是最终时间、空间都拆碎，变成一个一起进行的数据流。一旦时间、空间被破坏之后，很多智能的任务，就很难做了。我们生物视觉、生物听觉，从来没有把时间、空间破坏掉，我们眼睛看世界，从来没有时间、空间最后变成一个一味的流，我们在真正的实施并行在做。这种新的机器，要能直接出来，以这种方式处理信息，这就是以时空信息处理为中心，时空不能破坏，时空不破坏的情况能够满足，直接进行处理。
