现在，我们重提类脑计算，与30年前比，有什么不一样的背景呢？
“神经科学、计算机科学、神经网络理论近20年来的长足进步，以及大数据时代对智能计算的需求，使我们今天再次聚焦类脑计算。”郑南宁分析说，随着脑与认知科学的研究发展和观测大脑微观结构技术手段日益丰富，人们已经可以在微观水平观测到神经元的结构、不同脑区的形态，以及神经元放电、不同神经元如何构成神经网络等信息处理过程。结合这些实验观察，智能科学及计算模拟已可以在计算机上部分模拟脑信息处理过程。
谭铁牛也认为，对人脑层次化信息处理机制的初步借鉴、基于大样本数据的训练、实现端对端的映射深度学习算法，这些进步促进了人工神经网络的复苏，并已在语音识别、大规模图像分类、人脸识别中大幅提高了现有的人工智能识别精度。
但这些进步只是提供了突破的可能，我们现有的技术基础距类脑智能的实现还有很长距离。
我们尚未搞清楚大脑的工作机理：睡眠状态下，大脑记忆得到了强化，它的内在机理是什么？大脑用来处理外界激励的能量消耗只占很小比例，那些与刺激无关的能量消耗到底做了什么？
我们也很难用现有的冯诺依曼结构电脑来构建大尺度的神经形态计算系统。类脑计算本身需要打破冯诺依曼结构、把类似大脑的突触做到芯片上，但目前的神经突触芯片还在实验室阶段，不能走向实用。而如果用超级计算机平台来模拟整个大脑的计算能力，需要10的18次方浮点运算能力，这样的超级计算机，预计到2019年至2023年才能出现。
“类脑计算是一场令人兴奋又望而生畏的艰难挑战，需要组织多学科交叉的大团队研究。”郑南宁建议大家保持冷静思考，避免期望值过高带来的失望。“期望值过高，又没有达到预期，随之带来的可能是学科发展的低落甚至灾难，使最初的目标成为皇帝的新衣。”
模拟神秘大脑从哪里“入手”
那么，要完成当前类脑智能的艰难挑战，我们需要冲破哪些关口呢？
郑南宁认为，与现有的冯诺依曼结构计算机相比，类脑计算的技术路线，需要从组件到系统的网络规模、计算能力上渐次逼近大脑。冯诺依曼结构采用系统同步时钟，类脑计算需要采用事件驱动模式；冯诺依曼结构运算和存储分离，类脑计算运算和存储要达到深度耦合；冯诺依曼结构可以高效执行预定的精确数值运算，类脑计算要具备学习能力、擅长发现复杂数据中的规律和模式；冯诺依曼结构只有有限的容错性能，类脑计算需要低能耗高容错……
当前，IBM等利用超级计算机模拟与人脑相似的大规模神经网络，但结果并不理想。郑南宁认为其原因在于：“人脑不同脑区具有不同结构和功能，用相同结构的大规模神经网络模拟整个人脑并不合理。我们应该针对不同脑区的不同功能，设计不同结构的神经网络，模拟其学习与认知功能。”
此外，神经生理学的大量实验告诉我们，人类大脑皮层各功能区域之间的关系极为复杂。因此，在实现类脑计算机的体系结构时，解决各层次和各处理模块之间的关联，也是一个巨大的挑战。
类脑智能需要模拟神秘的大脑，但又不能只模拟神秘的大脑。
“从计算科学和工程学观点看，类脑计算是一门以仿生学为基础的，但又超越仿生学的工程研究。研究类脑智能计算并非复制人的大脑，而是模拟人类大脑的功能。”郑南宁表示，仅研究人的思维活动或记录脑中所有神经元不可能研制出真正的智能机器。“对鸟的详细研究不可能对如何制造飞机提供更多启示，对飞机的真正理解是来自飞行的研究。”
当前，世界各国在类脑智能方向的研究都刚刚启动，我国在这方面的研究也蓄势待发，这也许将成为我国人工智能发展的一个重要机会。
据悉，作为本次论坛主要承办单位的中科院自动化所就已率先启动了类脑智能研究，成立了类脑智能研究中心，并已取得部分阶段性成果，比如研究并初步实现了具有自主学习能力的类脑计算系统，并围绕环境感知与交互、类脑自动推理、类人机器人等开展了应用验证。
谭铁牛说，我国人工智能整体发展水平与发达国家相比仍然存在较大差距，在基础理论和整体应用水平等方面与发达国家相比差距较大。“人工智能经过近60年的发展开始进入爆发增长期，类脑智能将成为弱人工智能通往强人工智能的途径。目前类脑智能取得的进展只是对脑工作原理初步的借鉴，未来的机器智能研究需要与脑神经科学、认知科学、心理学深度交叉融合，这是我们的机会。”
