神经科学家Dileep George探讨了理解大脑对构建真正智能AI的重要性。他批评了‘蓝脑计划’等纯模拟方法，主张必须从计算和信息处理角度理解大脑。其团队开发的递归皮层网络(RCN)受视觉皮层启发，具备反馈连接和动态推理能力，能以极少样本学习，并在验证码破解等任务上展现出强大的泛化能力。
在人工智能追求通用智能的道路上，“脑启发”是一个既充满希望又备受争议的方向。神经科学家兼人工智能研究员Dileep George在本期访谈中，深入阐述了为何理解大脑的工作原理是构建真正智能AI的必经之路。他批判了仅靠堆砌神经元细节的模拟项目（如“蓝脑计划”），认为必须从计算和信息处理的视角去理解大脑。他分享了其团队受大脑视觉皮层启发而开发的“递归皮层网络”（RCN）模型，该模型不仅在验证码破解等任务上表现出色，更重要的是，它体现了大脑处理信息的关键原则：反馈连接、动态推理以及感知与认知的不可分割性。
展开「深读」看每一段讨论的问题与论据。
讨论的问题：我们需要理解大脑才能构建它吗？
论据 / 案例：蓝脑计划试图通过详细生物物理模型和连接统计数据模拟大脑，但缺乏功能性理论指导。类比微处理器：理解晶体管模型不足以构建微处理器，需理解布尔逻辑等更高层次原理。
讨论的问题：当前神经科学方法在理解大脑功能方面的局限是什么？
论据 / 案例：论文《神经科学家能理解微处理器吗？》表明，神经科学工具难以揭示微处理器的布尔逻辑、时钟等架构功能。理解需结合神经科学观察与计算建模的迭代循环。
讨论的问题：大脑视觉皮层中反馈连接的作用和动态是什么？
论据 / 案例：视觉皮层处理中反馈连接多于前馈连接。实验显示，在感知纹理三角形时，大脑先确定边缘再填充表面。Kanizsa三角错觉表明，反馈连接驱动了对幻觉边缘的延迟响应。大脑采用概率图模型式的推断来解释感觉证据。
讨论的问题：皮层微环路如何编码知识和进行推断计算？
论据 / 案例：假设：皮层柱编码二元概念变量，其连接编码概念关系。柱内神经元和丘脑实现推断计算。实验表明，刺激高层神经元可通过丘脑回路抑制其他皮层柱。
讨论的问题：递归皮层网络的核心设计思想和架构特点是什么？
论据 / 案例：递归皮层网络是受视觉皮层启发的计算机视觉模型，能同时处理分类、分割等任务。模型强调自上而下的可控性，支持想象。其结构因子化表征世界（如前景/背景、形状/纹理），这些因子化源于自然信号的基本属性。
讨论的问题：递归皮层网络如何解决验证码这类需要强泛化的视觉问题？
论据 / 案例：模型在2014-15年破解文本验证码。验证码字符重叠会造成局部混淆（如‘r’和‘n’看起来像‘m’）。模型通过动态推断，整合全局上下文解决局部矛盾。其错误模式与人类相似，且能提供可解释的场景解释。
讨论的问题：模型的性能表现如何，以及如何看待对脑启发AI的批评？
论据 / 案例：模型在MNIST上仅需几十到几百个样本即可达到95%准确率。选择验证码问题是为了研究强泛化能力（训练集远小于测试集）。嘉宾承认脑启发AI存在炒作，但认为其方法基于扎实原理，成果有待验证。
