但是，一门伟大的科学毕竟是不可阻挡的，在日本“第五代计算机”的刺激下，各国纷纷着手进行知识系统的研究与开发，终于，在80年代，出生于英国的“AI教父”JeffreySinton提出了反传算法，力证了神经网络的价值，间接开启了人工智能的“二次复兴”。
英国詹姆斯·莱特希尔爵士在1973年对美国的AI热进行调查后，在国会发表了著名的批评报告。报告中列举了详尽的证据，指出当时流行的逻辑基础符号规划，根本无法解决复杂的实际问题。该报道直接导致了历史上著名的“AI冬天”的来临。
但是，一门伟大的科学毕竟是不可阻挡的，在日本“第五代计算机”的刺激下，各国纷纷着手进行知识系统的研究与开发，终于，在80年代，出生于英国的“AI教父”JeffreySinton提出了反传算法，力证了神经网络的价值，间接开启了人工智能的“二次复兴”。
从那时起，科学家致力于将人工智能和人脑连接起来。对于他们之间奇妙的联系和对未来的展望，不能不令人感到兴奋。
人脑中有上百亿个神经元，BQ4010YMA-70它们组成了人类的操作系统，但是人脑研究的方法受到技术的限制，在大多数时间里，科学家们都很难准确、直观地观察人脑活动。由于理解问题的复杂性，简单的数学运算不仅仅是大脑的一种功能，人类的大脑也具有记忆、语言、思考、学习、感知、创造等功能。
人已经创造出了战胜地球上最强大的围棋选手AlphaGo，但是面对自己的大脑却依然如雾中雾。因此，似乎只有打通神经科学的最后一关，人工智能才能真正接近人脑。但隐藏在两大主题背后的奥秘，仍然让人感到扑朔迷离。
最近，国际知名神经科学家鲁白教授、商汤科技联合创始人兼CEO徐立、IDG资本合伙人牛奎光三方围绕“人脑VS智能”展开了深度对话。
人脑VS人工智能，到底谁将战胜谁？
牛奎光说：“人脑是一个大家非常关注的话题，它实际上代表了最高的智力，对于智力本身的这种理解，应该是我们一直在追求的一个方面。
诚然，尽管人工智能在许多方面已经超越了人类，但与人脑相比，它在可解释性、推理能力、逆向思维能力等方面仍有明显差距。目前，科学家们已经开始将更多的期望转向类脑智能，在他们看来，智能技术完全可以从脑科学和神经科学中获得经验，而人脑对认知神经机制的认识取得突破后，人工智能算法和进化也将带来新的活力。
"深度学习算法，本质上是在向人脑的生物学组织方式学习，虽然并非全部，但它实际上还是向生物学组织方式学习，其实从生物学的角度来看，或许也可以为IT做很多的支撑。"牛奎光也对人工智能与基础生物学的关系做了这样一个梳理。
科学家们正为此目标而努力，近年来出现的各种脑机接口技术就是最好的例子。
最近，来自斯坦福大学的研究人员开启了一扇新的大门，他们成功地开发了一个全新的皮质内脑机接口系统，该系统利用了大脑运动皮层的神经活动来解码“手写”字迹，并利用循环神经网络(RNN)解码方法实时将字迹翻译成文本，快速地将病人的手写想法转化为计算机屏幕上的文字。
鲁白正是这样解释了人-机结合的原则，“知觉、运动、记忆、情绪、认知”。在这些领域中，知觉和运动是相对成熟的。他们将大脑中的电磁波转化为运动信号，深度学习算法也对这些信号进行了处理。
现在，我们可以把大脑里的“想法”转化为屏幕上的文字，那么，在未来，更多奇幻的操作也就不足为奇了，人机结合的技术前景和商业潜力已经显露无遗，大规模应用的时代即将来临。
一个科研革命范式，将会在脑科学领域爆发
AI不仅仅能帮助我们更好地理解人脑机制，更大的惊喜在于它能带来一种科学研究范式的改变。
范式是什么？美国著名科学哲学家托马斯·库恩在《科学革命的结构》中提出了“范式”的概念，范式实质上就是一个理论体系和理论框架。Kuhn认为，科学并非通过新知识的线性积累而发展，而是经历了一次又一次的周期性变革。
从亚里士多德的逻辑，到培根的归纳和演绎，再到后来的实验验证学派，鲁白指出，这一实验验证后来成为我们科学界的“金标准”，即必须要有一个假设，通过假设来设计实验，以证明其是否正确。
这是过去的科学研究范式，他总结道，现在的科学研究范式正在发生巨大的变化，可能是由大量的数据所产生，不需要任何技术、经验或假设。想想看，你为什么喜欢吃红烧肉，为什么喜欢吃素食，与你的基因有关吗，与你的成长行为有关吗，这是一个完全不同的科学方法。
RuzaFold2有个例子，它拥有大量的数据积累，只需要知道蛋白质的序列就能对其结构进行分析，这在科学研究领域形成了一个显著的变化。对于这一点，牛奎光也感到很震惊，他说人工智能竟然能帮助实现蛋白质扩张，这是一件令人震惊的事，以前以为是单方向引导，后来发现可以双向辅助。
当数据爆炸时，计算机不仅能进行模拟仿真，还能进行分析总结并得出理论。然而，算力的稀缺问题尚未完全解决，AlphaFold2,Bert,BigGAN等人工智能算法对算力的需求更大，我们的算力仍然处于一种不充足、不经济的状态。
当前的计算机是以图灵(冯·诺依曼)的结构为基础的，也就是说，读取指令并执行计算这个过程，这就意味着，当前的人工智能只能通过算法来模拟，但是人类设计的算法根本无法满足我们的需要，徐立说。
从徐立的观点来看，人工智能算力与传统算力的不同之处在于，人工智能算力的致密度非常高，能够协同工作更大池状、超大规模的网络，因为显卡解决不了如此庞大的网络并能处理这么多事情。未来几年中，以人工智能为代表的算力的发展，必将成为推动这些技术演进的核心力量。
它和牛奎光的想法不谋而合，牛奎光讲了自己被商汤科技感动的那一年，其中之一就是商汤正在利用神经科学的机制来实现人工智能，这也使其技术水平领先于同行。
唯有让人工智能像神经网络那样有系统存在，算力才不会耗尽。半百年前，研究者们试图将神经科学和人工智能结合起来，但遗憾的是，这两个学科一直独立地并行发展。如今科学研究范式的改变，让这座断桥重新搭起，它们之间将有更多的可能相互碰撞。
允许少数先破，形成新的反共识。
科学研究范式的突破是多学科融合创新的结果，在如何进行科学研究方面，三人还交换了意见。
在这种情况下，牛奎光认为，创新基本上都是反共识的，而对于早期创业者来说，只有很少的人在创业之初意识到这个问题，所谓创业创新的过程，就是打破旧共识，形成新共识的过程，新共识越大，企业的价值就越大，当然也越难实现。
从这个意义上说，20世纪的科学史，就是“反共识”的科学史。
在20世纪以前，牛顿力学、麦克斯韦方程和经典统计力学都具有令人难以置信的威力。特别是牛顿力学，它几乎可以解释绝大多数物理现象，肉眼可见，它被认为是黄金定律。但是，随着普朗克、海森堡和爱因斯坦等科学巨擘的发现，物理学研究从此转向，并开始走向以量子理论为代表的微观世界。
反对意见的重要性是显而易见的，到底如何行动才能使之成为现实？徐立说，让我们的基础研究做无用的研究，做无用的研究，因为只有不断地做那些目前看来并不能产生很大影响的转化可能性，但那就是在探索我们认知的边界，才有可能实现真正意义上的反共识突破。
钱先生曾经说过，世界上所有有趣的事实都常常是无用的，而过去也有人说，无用的知识的深度，决定了有用知识的高度。对投资者来说，这同样是不言自明的，只有摒弃短视的功利心态，不计较一时得失，坚持长远主义，才能在不确定的世界中找到确定的答案。
IDG资本同样坚信这一理念，无论是人脑与人工智能的融合，还是科学范式不断变革，变革早已成为当今世界的主题，但事物的价值永远停留在时间的恒河中，所需做的不过是耐心和辨别而已。唯有坚定地相信科学的力量，并与之长期相处，才能在无数的波折中不改变初心，看到那些慢慢显现的价值，这是一个集体的命运，也是每个人的幸福。
