一、为什么它们注定会相遇
人工智能的早期灵感直接来自神经科学：感知器模拟神经元，卷积神经网络借鉴视觉皮层的局部感受野，强化学习中的奖励机制源于行为心理学。然而，随着深度学习走向“更大、更深、更多数据”，它与生物大脑的相似性逐渐减弱。
最近，两个领域又重新靠近——不是因为AI变得像大脑，而是因为大脑处理信息的方式能为AI提供新的计算范式，同时AI也能帮助脑科学家破解神经编码。
二、类脑计算：突破冯·诺依曼瓶颈
传统计算机的CPU与内存分离，导致“存储墙”问题——大部分能耗和时间浪费在数据搬运上。人脑则完全不同：神经元既是计算单元又是存储单元，突触权重同时存储信息并参与计算。
类脑芯片（如英特尔的Loihi、IBM的TrueNorth、清华的天机芯）采用存内计算与事件驱动架构。它们只在脉冲到达时消耗能量，功耗比传统芯片低数个数量级。
更重要的是，这些芯片天然适合处理时空模式——脉冲神经网络（SNN）可以高效编码视频、声音、触觉等随时间变化的信息，而传统深度网络处理时序需要额外的循环结构或注意力机制，计算开销大。
三、脉冲神经网络：更接近大脑的第三波浪潮
SNN的核心是离散脉冲与膜电位累积。当膜电位超过阈值时，神经元发放一个脉冲，然后重置。这种通信方式极其稀疏——大多数时间网络处于静默状态，因此能耗极低。
但在深度学习时代，SNN长期被边缘化，原因是脉冲不连续，无法直接使用反向传播。近年来，研究者提出了多种替代训练方法：
- 替代梯度：用平滑函数近似脉冲的导数，使反向传播可行。
- ANN转SNN：训练传统深度网络，再将激活值转化为脉冲发放率。
- 局部学习规则：如脉冲时间依赖可塑性（STDP），一种无监督的生物学学习机制。
SNN的潜力在于：处理事件相机数据、低功耗边缘计算、类脑机器人控制。例如，苏黎世大学与英特尔合作开发的Loihi机器人，可以实时处理触觉信号并执行避障，功耗仅几毫瓦。
四、AI辅助神经解码：从脑电到意图
另一方面，AI正在帮助脑科学家解读大脑信号。
传统方法分析脑电图（EEG）、功能磁共振（fMRI）或脑皮层电图（ECoG）时，主要依赖线性模型或手工提取的特征。深度学习可以自动学习复杂的时空模式：
- 脑机接口（BCI）：用卷积神经网络识别运动想象脑电信号，帮助瘫痪患者控制机械臂或打字。
- 神经重构：生成对抗网络（GAN）可以将fMRI激活模式反推出被试看到的图像（虽然目前还很模糊）。
- 脑电去噪：自编码器可以去除眼动、肌肉活动等伪迹，提升信号质量。
最近的一项突破是语义解码器。德克萨斯大学奥斯汀分校的研究团队训练了一个大语言模型，结合fMRI信号，能够连续生成被试听到或想象的故事内容。虽然无法读取“思想”，但可以预测语义类别与句子的大致主题。
五、双向挑战：我们还不懂的东西
尽管交叉研究令人兴奋，但两个领域之间存在根本性的未解问题：
- 表征的鸿沟：深度网络的特征是分层抽象的（边缘→纹理→物体部件→类别），而大脑同时存在层级处理和平行交互，且与记忆、情绪、注意力动态耦合。
- 学习规则未知：反向传播在工程上极成功，但大脑显然不会做全局误差反向传播。STDP等局部规则能训练小规模网络，但在大规模任务上远不如反向传播。
- 数据效率：AI需要数百万张图片才能认出猫，而人类儿童见过几十只猫就能泛化。我们还不清楚大脑使用了哪些归纳先验。
六、未来：协同演化而非单向模仿
现在的主流共识是：AI不需要完全复制大脑。飞行器不是鸟类的仿生品，但它们都遵循空气动力学原理。同样，智能也可能存在一套独立于生物实现的抽象原则。
未来最有可能的方向是：
- 神经形态计算走向实用化，在边缘设备上实现超低功耗智能。
- AI帮助发现神经编码的隐藏模式，反过来提出新的计算理论。
- 脑机接口结合大语言模型，为语言障碍者提供更自然的沟通工具。
- 具身智能借鉴小脑的运动学习机制，让机器人在物理世界中更快适应。
小结
AI与脑科学的关系已从“模仿”转向“对话”。两者正在共同解决一个根本问题：有限的能量与数据，如何产生灵活、鲁棒、可泛化的智能。
这场交叉革命才刚刚开始。无论你从哪一侧进入，都将在另一侧发现意想不到的灵感。