我一直覺得 David Marr 有點像是「神經科學里的圖靈」。
1976年，Marr 提出了一個非常有名的概念：
了解任何復雜的生物系統都需要經過三層分析：
the computational level: 這個系統的目標是什么？（即，the goal of the system）
the algorithmic level: 實現這個目標所需的過程和計算 （即，the process and computations that realise this goal）
the implementation level: 在生物體內這套「算法」是如何實現的 （即，the precise mechanism by which the algorithm(s) are physically implemented in a biological substrate）
今天——特別是感覺人人都懂計算機的知乎上——這個概念極其容易理解。
但這并不是說「大腦就像是機器一樣。」
機器和大腦有根本性的區別；機器的使命是解決一個問題，做到最好、最快、最省；大腦的使命是，在未出生之前，就用一個答案去面對無數未知的問題。前者關鍵在「答案」，后者關鍵在「問題」。
雖然「大腦的感知功能 像是一個 貝葉斯機器 (Bayesian machine）」這個概念因為 Karl Friston 的 Predictive Coding （預測編碼）在大腦感知研究中稱霸一方（我曾在《大腦無時無刻不在「預測」世界 》中提到過業內 @Friston 過度的現象）。但 這句話并不是說「大腦是機器」，而是指「在算法層（the algorithmic level）上，大腦的感知功能可能類似貝葉斯統計」。
雖然方向不同，但計算機學家和神經科學家走在同一條路上。
從某種程度來看，我們都在研究一個問題就是智能的感知和認知是如何工作的。只是，again，一個是有問題、需要找到答案；而另一個是已經有了「答案」，需要問正確的問題。
就現在看來，在找到那個問題和那個答案之前，我們都還有很長的路要走。如果超AI是AI的奇點，那它絕對不會在神經科學奇點帶來之前，而遺憾的是，我們連神經科學的奇點到底是什么都不明確。
神經科學（或者是說 「生物智能」或「大腦智能」）對于發展人工智能（以下簡寫為 AI）的好處有兩大方面：
第一個方面，在「如何智能」上，神經科學已經有很多話可以說。換言之，神經科學可以為人工智能帶來啟示，帶來全新的算法和結構，這些算法或結構可能 獨立于傳統的、當下主流的、以數學邏輯為基礎的方法，也有可能與之相輔相成。譬如說，人類大腦是如何學習理解新語言的？當我們明白這個認知功能之后，就可以將算法移植到 AI 上，或是這套算法至少是解決AI語言理解的一個優秀的備選。
這個方面非常好理解，往早期一點講，深度學習和強化學習就是兩個很好的例子。但神經科學對AI的影響并沒有、也不會、僅限于AI早期的發展。當下，神經科學在注意力、情節記憶、工作記憶和連續學習上的研究也對當下的AI研究有實際影響。
這部分詳情可以參考 Demis Hassabis （Alpha狗的親爹）在7月19日《神經元》上發的綜述《由神經科學啟發的人工智能（Neuroscience-Inspired Artificial Intelligence）》；如果大家感興趣，我可以慢慢把這篇綜述的內容整理到專欄上來，但其實這篇綜述 雖其內容極為充實，但調理清晰語言易懂，若非語言障礙，并不需要旁人整理，直接閱讀也不應該有任何問題，裂墻推薦。
上個月有不少技術類媒體報道這篇綜述，但總覺得口吻怪米怪眼的。我還發現，新浪新聞將相關文章（題目：《只有了解大腦 才能開發更強AI》）放在「體育–>棋牌」這個類別之下。額，alpha狗是下圍棋的但并不是AI只做棋牌生意啊。
人工智能被炒到神乎其神，Hassabis這個神人脫不開關系。大多數人想到Hassabis，新加坡云主機 香港云主機，第一個反應估計是他是個人工智能專家、計算機學家，但別忘了，他博士是認知神經科學，主要研究記憶和想象，還把論文發在Science，是當年的全球最有影響力的10大研究之一。
最近谷歌在倫敦招認知神經科學博士，工資高的發指。劍橋和UCL作為Hassabis的母校，搞人工智能和認知神經科學的都被他挖的千瘡百孔了。（快讓我也成為其中一個瘡一個孔吧！）
咳咳。
第二個方面，在「如何智能」這個問題上，臺灣主機 臺灣伺服器，大腦是一個已知的高分答案。對于已有的AI技術，如果我們能在大腦中找到類似的結構、算法，那么便能夠認可這個技術在修建「通用人工智能系統」中的一席之位。
這么講像是說，神經科學可以給某些杰出的人工智能算法或結構頒發「大腦認可」的認證書一般。那這個認證有多大實際價值呢？一定有什么能夠超越我們自己擁有的智能；大腦一定不會是智能的唯一、最佳答案。
