人工智能（AI）在专用领域取得了举世瞩目的成就，但在通用智能方面仍远不及人类。为实现从“弱人工智能”向“强人工智能”乃至“通用人工智能”的跨越，类脑研究——即以大脑为原型的智能理论研究——正成为下一代AI的核心驱动力。本文将探讨为何需要类脑研究、它需要哪些关键理论，以及如何构建下一代AI的理论体系。\n\n## 一、为什么下一代AI需要类脑研究？\n\n当前主流AI基于深度学习和统计学习，依赖海量数据和算力，存在几大根本局限：\n\n1. 样本效率低下：人类儿童几学几次即可识别“猫”，而深度网络需要成千上万张标注图像。\n2. 缺乏常识与推理：大模型可生成流畅文本，却难以进行因果推理和物理常识判断，容易犯低级错误。\n3. 能耗巨大：训练大模型的碳排放惊人，而人脑仅约20瓦，即可实时处理多模态任务。\n4. 鲁棒性差：对抗样本可轻易欺骗深度网络，人脑则不易受此类干扰。\n5. 在线学习与记忆：当前的模型难以在不遗忘旧知识的情况下持续学习新任务，而人脑可终身学习。\n\n这些差距表明，仅靠扩大模型和数据难以实现根本突破。我们需要回到智能的本源——大脑，研究其工作机理，从中提炼新的计算范式和理论框架。\n\n## 二、类脑研究需要什么人工智能理论？\n\n下一代AI理论应从神经科学中汲取灵感，在研究方向孕育以下核心理论：\n\n1. 脉冲神经网络与神经动力学理论：脉冲神经网络（SNN）模拟神经元发放时离散脉冲的时空动态，比传统人工神经网络更接近生物机制。需要发展新的时空编码、脉冲反向传播、事件驱动学习等理论。\n2. 预测编码与自由能原理：大脑可视为预测机器，不断生成自上而下的预测，并以预测误差更新内部模型。这一理论可用于构建具备自监督学习和主动推理能力的AI。\n3. 因果推断与世界模型：类脑智能体应能发现因果结构，而不仅仅囿于相关关系。Jrgen Schmidhuber等提出的世界模型理论可用以知晓环境动态并在内部进行模拟规划。 4. 神经符号融合理论：大脑既处理神经信号，也执行符号操作。将符号逻辑的严谨性与神经网络的感知能力结合，是实现可解释、可推理AI的重要路径。推导和感知相结合（知觉符号系统）是仿脑的一个方面 5. 多尺度记忆与持续学习机制理论：人脑依靠海马体-新皮层环路实现快速记忆与长期知识的整合而不会严重遗忘（如通过互补学习系统）这对打造终身学习AI至关重要。\n6….