脑启发的人工智能：全面综述

当前的人工智能（AI）模型通常通过精细的参数调整和优化技术来提升性能。然而，模型背后的基本设计原则相对较少受到关注，这可能限制我们对其潜力和局限性的理解。本综述探讨了塑造现代AI模型的多样化设计灵感，即脑启发的人工智能（BIAI）。我们提出了一个分类框架，将BIAI方法分为物理结构启发型和人类行为启发型模型。我们还审视了不同BIAI模型在实际应用中的表现，突出其实际优势和部署挑战。通过深入探讨这些领域，我们提供了新的见解，并提出了推动创新和解决当前领域内空白的未来研究方向。本综述为研究人员和从业者提供了BIAI领域的全面概览，帮助他们利用其潜力，加速AI开发的进步。

1 引言

人工智能（AI）的一个基本目标是创造能够像人类一样学习和思考的机器。为了实现这一目标，人工学习器在多个领域中取得了显著的里程碑，包括目标和语音识别【131, 151】、图像处理【115】、机器人技术【50】、医学数据分析【161】、自然语言处理（NLP）【114】等。这些成功加速了AI的发展，使其在某些领域能够与人类匹敌甚至超越。例如，AI模型现在在某些特定任务中表现优于人类，如语言翻译【134】、图像识别【63】甚至战略游戏如国际象棋和围棋【155】。最近，许多公司提出了一系列能够理解图像、音频、视频和文本的多模态模型，其能力类似于人类【3, 7, 169】。这种快速的进步彰显了AI在各个领域中的变革潜力，推动了技术能实现的边界。然而，旨在创造具有类似人类思维和推理能力的机器的一般AI方法在可扩展性、鲁棒性、能效、可解释性、学习效率和适应性方面仍然存在局限性【98】。 人类大脑被认为是最复杂的信息处理系统，能够解决诸如学习、推理和感知等复杂任务。基于对人脑研究的最新进展，研究人员正在将神经科学的见解整合到AI系统中，旨在开发能够更接近人类行为的感知、推理和行动的脑启发人工智能（BIAI）系统【128, 163】。这一努力源于对生物智能的基本原理的理解，并希望利用这些原理来构建更智能、适应性更强和更鲁棒的AI系统。什么是脑启发人工智能（BIAI）？BIAI指的是从人类大脑和神经系统的生物结构、功能和原理中获得灵感的AI系统和算法。它专注于复制或模仿生物体中观察到的复杂过程和功能，以在人工系统中实现更类似于人类或大脑的行为【197】。与一般AI算法相比，BIAI通常集中于人类行为的特定方面，如从经验中学习、适应新环境以及关注重要信息。在这篇全面综述中，BIAI文献大致分为物理结构（PS）启发型模型和人类行为（HB）启发型模型。PS启发型模型是指模仿生物神经元、突触和神经回路结构的模型，用于执行诸如学习、推理和决策等任务。代表性模型包括多层感知器（MLP）、人工神经网络（ANNs）以及最近的脉冲神经网络（SNNs）。HB启发型模型被定义为复制人类行为中观察到的生物机制和过程的模型。这些模型旨在捕捉生物系统的动态，同时提供对人类如何感知、学习、适应和与环境互动的见解。注意力机制、迁移学习和强化学习是常见的人类行为启发的深度学习方法。BIAI与一般AI的区别在于它们在AI领域中的不同方法和目标【31, 77】。具体而言，一般AI并不一定受到人类大脑具体工作方式的启发，而是旨在更广泛的意义上达到或甚至超越人类水平的智能。相反，设计BIAI系统的目的是复制或模仿人类认知背后的生物机制和过程。这些系统通常在图像识别和机器人控制等任务中表现出色，但它们可能不具备人类智能的全方位能力。BIAI与传统AI的更全面比较见表1。为什么BIAI重要？BIAI的重要性主要体现在两个方面。一方面，BIAI在适应性、泛化能力和可解释性等许多方面有潜力超越传统的AI方法。另一方面，BIAI模型旨在模仿大脑的结构和功能，从而增加其生物学的合理性。这种与生物学原理的契合不仅加深了我们对智能的科学理解，也为神经科学和AI研究之间的合作创造了新的机会。本质上，通过从人类大脑——最先进的信息处理系统——中汲取灵感，研究人员正在为开发可能达到甚至超越人类能力的智能系统奠定基础【47, 103, 125】。

**1.1 动机

人类大脑是生物复杂性的顶峰。它不仅调节所有身体功能和过程，还使高级认知能力得以实现，如思维、记忆和情感【16】。将神经科学与AI系统相结合有助于解决许多现实应用中的紧迫问题和某些瓶颈【204】。一方面，人类大脑在处理大量信息时效率极高，同时消耗的能量相对较少。模仿其架构和过程可以使AI系统在操作上同样高效和优雅。例如，传统机器人无法在复杂环境中及时获取环境知识，这限制了其做出准确快速决策的能力。此外，在该领域中，低学习效率、泛化能力差、难以制定目标导向的策略以及对动态环境的慢适应性等问题仍然存在。将BIAI整合到机器人系统中可以显著提高机器人的运动和操控能力【132】。此外，BIAI还可以应用于解决许多其他现实问题，如医学诊断、自动驾驶汽车、聊天机器人和虚拟助手、网络威胁检测、辅导系统、供应链优化、内容创作和个性化推荐。这些应用突显了BIAI在不同方面的广泛影响和相关性。另一方面，理解大脑的机制不仅为我们提供了有关智能如何产生的见解，还为解决AI中的复杂问题提供了线索。通过研究生物神经网络，研究人员可以开发更好地捕捉认知和感知复杂性的算法和架构。例如，神经网络作为AI的基础和基本模型之一，汲取了大脑结构和计算过程的灵感。作为现代AI的基石，神经网络推动了医疗、金融、交通和娱乐等领域的进步。它们从数据中学习并揭示有价值的见解的能力使其成为解决复杂挑战和推动AI创新的关键。此外，人类大脑具有显著的鲁棒性和适应性，能够从经验中学习，处理噪声和不确定数据，并将知识泛化到新情境【41】。通过模仿大脑的弹性和适应性，BIAI旨在创造更为鲁棒和多功能的AI系统。这种方法还强调了透明性、可解释性和责任感，从而优先考虑伦理AI的发展。以生物系统为模型的智能化推动了可信赖且符合人类价值观的AI的创建。尽管BIAI在推动AI和机器人技术方面具有巨大的潜力【102】，但它也面临着一些挑战和局限性。人类大脑是一个极其复杂的器官，拥有数十亿的神经元和数万亿的突触，这些神经元和突触组织成复杂的网络，控制着认知、感知和行为。在人工神经网络（ANNs）中复制这种复杂性带来了巨大的计算和工程挑战【160】。由于人脑的复杂性，尽管经过了数十年的研究，我们对大脑的理解仍然不完整。许多大脑功能方面，如学习、记忆和意识，仍然理解不充分【152】。这种理解的缺乏使得将神经科学的见解转化为BIAI的实际算法和架构的努力变得更加复杂。此外，BIAI模型的复杂性和不透明性妨碍了我们理解其决策过程的能力。这种明显缺乏可解释性和透明性的情况在安全关键型应用（如医疗保健和自动驾驶车辆）中引发了对责任感、偏见和可信赖性方面的重大担忧【78, 91】。这些不足促使我们对BIAI进行全面研究。在文献中，已有几篇综述论文从不同的应用场景和不同的视角调查了BIAI的算法。然而，大多数研究仅关注某一特定方面，如算法、应用场景或代价函数，缺乏对当前BIAI研究进展的详细介绍和讨论的全面综述。在这篇综述文章中，我们基于算法的灵感来源和学习机制对当前BIAI研究进行了分类和审视。对于每个BIAI算法，在介绍其特点和适用场景后，我们讨论了其优缺点。然后，我们讨论了当前BIAI模型的开放问题，并列出了几个未来的研究方向。我们希望这篇全面综述能为相关领域的研究人员提供有用的见解。

**1.2 相关综述与新颖性

之前的研究涵盖了脑启发/类脑学习或计算范围内的类似主题【62, 74, 132, 149】，但没有一篇集中探讨神经科学为AI模型带来的具体知识，也没有全面详细地介绍BIAI系统。在【132】中，作者试图总结脑启发算法在智能机器人中的进展，深入探讨了视觉认知、情感调节决策、肌肉骨骼机器人技术和运动控制等关键领域。Ou等人【122】介绍了类脑计算模型和芯片、它们的演变历史、常见应用场景和未来前景。Hassabis等人【62】探讨了AI与神经科学之间的历史联系，并研究了受人类和其他动物神经计算研究启发的AI的最新进展。在【106】中，作者展示了机器学习和神经网络如何改变动物行为和神经成像研究领域。关于人工神经网络中的脑启发学习，可以在【149】中找到生物学基础和算法介绍。这篇综述主要集中在如何从人类大脑的物理结构中学习。然而，没有一篇综述注意到并审视了受人类行为和学习机制启发的AI模型。此外，他们也未全面讨论AI可以从人类大脑和神经系统中学习哪些部分来设计模型。在本综述中，我们主要回答以下问题：什么是BIAI？BIAI与一般AI有什么区别？BIAI能为我们带来哪些优势？我们可以从人类大脑的哪些角度来设计AI模型？哪些BIAI模型已经在现实世界中使用？引入BIAI可以进一步推动哪些研究领域？当将神经科学与AI模型相结合时，研究人员面临哪些挑战？当前BIAI技术中存在哪些差距，未来可以在哪些方面开展工作？通过回答这些问题，我们希望研究人员能够加深对BIAI系统的理解，并提高他们为不同应用设计更合适的BIAI算法的能力。

**1.3 贡献

本文的覆盖范围如图1所示。我们的主要贡献总结如下：

• 我们引入了神经科学和人类行为研究中的知识和见解，强调了AI如何从神经结构、学习机制、注意力和焦点、记忆与回忆、认知过程以及人类大脑中观察到的创造力和想象力中学习。
• 我们将BIAI研究分为两大类：物理结构启发型模型和人类行为启发型模型，为理解该领域的不同方法提供了框架。
• 我们探讨了BIAI模型的多种应用，包括它们在机器人技术、医疗保健、情感感知和创意内容生成中的应用，展示了这些模型在各个领域中的广泛潜力。
• 我们讨论了BIAI开发和实施过程中面临的挑战，例如理解大脑功能、与神经科学的整合以及构建高效、鲁棒、伦理、具有意识且可解释的模型。我们还概述了应对这些挑战的未来研究方向。 本文的其余部分组织如下。第2节总结了可以为AI系统提供信息的神经科学和人类大脑功能知识。接下来，综述按照图1所示的分类结构展开。第3节讨论了BIAI的主要类别，即物理结构启发型模型和人类行为启发型模型。第4节探讨了BIAI在各个领域的实际应用。在第5节中，我们概述了当前BIAI方法面临的一般挑战。第6节重点介绍了未来研究的几个有前途的方向。最后，在第7节中总结了本次综述。