正文
所以就有这样一个问题，为什么不聚合起来，在研究方面，无论脑科学还是人工智能方面都是进行交叉的研究，首先计算机视觉，这个神经网络的确使得计算机的视觉发生革命性的改变，相应的神经元10%到5%的变化，这样的一个神经网络，可以用来预测人脑当中的神经元的活动，包括它的视觉皮层相应的活动，这是一个深层次的神经网络。我们可以来看一些细节，单个神经网络当中的单元，通过输入输出可以看到相关的情况，它的输入可以进行研究，它到底是怎样的组合，这些单个神经元一个组成的网络，一个输出成为另外一个输入的情况，如果对这样深层次的网络进行培训，比如把输入的影像通过输出展现出这个影像到底是什么，进行相应的深度学习。
对脑神经的活动预测
推动人工智能的进步
▼
这个时候我们就可以对这个网络当中滞后的阶段进行探测，看一下成为条件的时候它是怎么编码的，对脸部的编码或者其他节点的编码。
在2014年的时候，的确做了一些实验，他们训练了不同的网络，每一个点都代表他们训练过的这些神经网络，在训练了这些神经网络之后，把同样的影像给这些神经网络看，通过FMI的扫描仪，它也是对人的大脑当中相应的部分，观测到神经活动，预测到这样一个情况就会更好，这是一个
令人
称奇的结果。也就是说我们现在可以建立一种桥梁，也就是现在人工的神经网络可以被我们用来训练，来进行相应的一些预测。
在大脑当中的这些脑神经的活动进行预测，这样打开了无限的可能，可以回答很多有趣的问题。
也就是人的视觉到底是怎么做的，可以用怎样的设备设计更好的人工神经网络帮助我们做这样的预测。这样人工的神经网络可以进一步的推动，一层一层进行输入、输出，我们知道大脑当中的确是不一样的，大脑当中它是有前输和后输的，在这个桥梁当中可以进行研究，人工的大脑和人的大脑当中到底什么区别，可以相互借鉴、促进。
这里有另外一个例子，这个也是来自于最近的一个研究，是自然语言的研究成果，也得到了很大的提升，包括自动翻译，比如谷歌翻译的一些系统，现在也是比之前要更加精确了，为什么是这样呢？主要是深层次的神经网络，更可能是由于有一些储存，通过大脑的研究，我们来研究大脑怎么样用这个神经活动来解释相应的一些词义，这些词义给到我们更好的一些来回答问题的方式。对这些细节进行研究，所以我们产生一种模型或者理论，来帮助我们对我们大脑的活动进行预测，任何词义给到人会出现怎样的一个词义，通过这样一个模型的结构，给到任何输入。比如说电话，首先这个模型产生一个代码，用它预测它的神经活动，大脑当中有两万个不同的位置被预测出来。进一步通过矢量进行预测，比如这里是芹菜，这边是飞机的两个矢量，两个矢量的特征都和相应的词对应，对这个芹菜可以看到左手边是芹菜，和芹菜相关联的字数，口味和芹菜相应的一个关联度，对飞机来说，飞机出现很多的动词，可以看到相关的一些词就出现了。
通过这样的一些模型当中的编码，可以很好的出现一些皮层当中出现的词，我们对模型进行培训。我们看到在下面对任何词的神经活动，比如芹菜，把这些语义的特征组合起来，通过模型的学习，把这些特征进行关联，吃这个词和我们的芹菜这个词是关联度最高的，通过这样的研究很有意义，给到一个新词，比如说之前没有培训过，对它的一个预测在量子的分析当中我们发现，在83%的情况下有两个新的词，两个FMI的词的出现，哪个是第一个关联，哪个是第二个关联，有50%的可能性是正确的，有的词从来没有出现也是有很高的识别率，也就是对神经的活动，词义的一个表达，是用了我们矢量表达法用在词义的解释上。
猴子给人类的启示
关于强化学习
▼
这是技术的表达，在人工智能和人脑当中一个桥梁的关系。
第三个例子是我们讲的强化学习
，这个是非常流行的，比如相关的培训当中会出现一些强化的学习，有些强化学习的算法，很多时候用人工智能的这些强化学习的算法，很多时候对动物的一些奖励学习，强化学习很好的方式。从一个猴子的单一细胞当中进行调用，在底部有一些横线，每一个点都是对应到它的一个正在放电的神经元，在下面可以看到有时间的序列，有的这个线这是给到一些糖给猴子吃，猴子认为这是奖励，所以有些放电的现象。
