人工智能技術的誕生要追溯到20世紀50年代，當時學界對于如何構建人工智能產生了兩種路徑分歧。一類觀點主張基于邏輯和計算機程序，另一類則主張直接從數據中學習。前者曾主導AI發展早期的數十年間研究和應用，但后者才是目前大眾所知曉的AI技術實現路徑。

特倫斯·謝諾夫斯基現在是美國“四院院士”、美國索爾克生物研究所計算神經生物學實驗室主任，也是人工智能發展早期支持后者觀點的少數人之一。即使曾經歷美國政府機構大幅縮減人工智能資金投入，卻并未影響到他所在觀點方的探索之路。

在前述特倫斯對MIT教員的探討過程中，他指出，蒼蠅眼中的視覺網絡進化了數億年，其視覺算法嵌入了本身的網絡。這也是為什么可以利用蒼蠅眼神經回路的布線圖和信息流對視覺系統進行逆向工程，但為什么不能在數字計算機上這樣做，因為硬件本身需要軟件來制定要解決什么問題。這也是通用設備與專用設備的差異性所決定。此后，一批不依賴于數字邏輯構建搭建的機器人開始有所發展。

到今天，我們大多從AlphaGo在兩次大型對戰中戰勝世界級冠軍選手的故事了解到其得以發展下來的原委。Google旗下團隊通過讓機器學習圍棋的多樣化棋局數作為基礎數據，AlphaGo除了具備評估盤局的深度學習網絡，還有解決時間信用分配問題的系統，通過這些得以評估落子的行動順序。

至少目前，AI在場景中的應用已經可以帶來一些驚喜，比如翻譯。特倫斯指出，五年前Google將深度學習相關技術應用到翻譯軟件中，“幾乎是一夜之間，過往幾千年來的文化壁壘就此被打破了。”他表示，有了通用翻譯器后，人類文化間的偏見也有望就此被消除。初級階段的人工智能相關技術仍面臨著諸多挑戰。不過特倫斯明確向21世紀經濟報道記者表示，不太可能存在“深度神經網絡”之外的其他人工智能技術框架。

“現在我們的發展在朝著兩個方向走。第一是利用原有的框架，借助大數據應用解決各種問題；第二是一些研究人員在嘗試突破各種邊界和限制。”他舉例道，一些科學家嘗試把人類聚焦感官數據的能力（比如在嘈雜環境中聚焦某一個聲音）帶到深度學習中，讓深度學習網絡也擁有選擇特定問題、特定信息的能力。

比如研究人類的大腦運作機制，包括大腦是如何從經驗中得出推論，但有時人類得出的結論并不總基于邏輯，其中還存在認知偏差。“人類的大腦很奇妙，我相信會有很多東西讓我們很興奮，包括未來研究人的大腦神經科學和人工智能的交融。”他如此說道。實際上，深度學習框架的靈感也正來自對人類大腦運作機制的研究。

世界各國對于腦科學的研究在近年來正成為一個重要工程在推進。美國在2013年提出“BRAIN計劃”，目的就是創造新的神經技術，以加速對大腦功能和障礙的進一步了解，特倫斯也是這個計劃的參與者。“我們關于大腦研究項目有一個5-10年計劃。期望在這段時間內要提升人類測量和探知大腦的能力，研究出新方法和新工具，這也是所謂創新神經科學要做到的事。”他指出，希望基于此，形成新的深度學習規則。

提及進展，他告訴21世紀經濟報道記者，“這肯定不是按照一年為單位計算，而是10-20年來看。現在我們進行的腦科學研究，是在建立一個科學家社區，培養學生，為他們提供相應工具，從而幫助技術更好地發展。我們現在處于早期的準備狀態，在幫助科學家收集更多數據，最終推進AI的發展。當然進程還是比較快的。”

要探知的話題有很多，比如人腦對信息的處理和傳輸速度是毫秒級，遠比電腦要慢。但大腦中的信息傳遞是非常復雜的過程，了解信息如何儲存和處理后，才是人類有效改良AI的關鍵。還有一些挑戰，假如神經元中的突觸連接有所改變，是否會改變信息的輸入和輸出強度，需要多久才能發現信息傳遞帶來的影響等。

近日埃隆·馬斯克宣布旗下公司Neuralink項目推出侵入式腦機接口方案；Facebook團隊也宣布能夠通過讀取腦損傷參與者的大腦，做到實時解碼一小部分對話中的口語單詞和短語。這都是對人腦研究的最新重大進展。特倫斯對此熱切關注，其中一個原因是，Neuralink公司聯合創始人之一Flip Sabes此前是特倫斯所在研究室的學生。

“我的研究室訓練出了世界上最棒的認知神經科學家！”提及此，他十分興奮。“這是我們邁出的重要一步，可以讓我們解碼更大量的神經元信息。在過去20年內，學界已經在嘗試將芯片植入到大腦前額葉的位置，解碼大腦給四肢發出的動作信號，以此幫助治療脊椎類疾病引起的運動能力喪失。”

當然，對于腦科學的研究并不只是為了促成人工智能這類基礎技術的發展，這將衍生出對更多行業領域的新變革。正如特倫斯在新書《深度學習》中所說，“我們是一個偉大的生物鏈（可以追溯到細菌出現之前）中的一員。現在我們已經到了理解大腦以及它們是如何發展的邊緣，這將會是一個奇跡，能夠永遠改變我們對自己的看法。”