李德毅，中國工程院院士、中國人工智能學會理事長
我們今天的科學家，尤其是計算機科學家，把‘計算’用得太狠了，對‘計算’的依賴甚至有些‘貪得無厭’了！
人工智能學者不能只盯著計算認知，一味要求人腦研究的步伐有多快，而要拿出更多的精力放在“記憶認知”和“交互認知”上。
關于自動駕駛，無論是對話、詩詞或者駕駛，圖靈測試都允許測試者現場介入，判定結果都帶有近似性和主觀性。但是，和對話、詩詞測試相比，駕駛的圖靈測試可以進行更為精確、更為客觀的評測。
當初汽車被發明出來的時候，人們最感興趣的是汽車的結構、機械、傳動、輪胎、底盤和車身。到20世紀，人們感興趣的則是發動機、碳排放和被動安全。到20世紀末、21世紀初，人們總體上關心3件事情，輕量化、清潔化、智能化。
智能化，有4個階段，第一是理性輔助駕駛，以人駕為主；第二是自動駕駛，局部時段可以放開手和腳；第三是自動駕駛，即用自動駕駛接管駕駛權；第四是人機協同駕駛。
無人駕駛的重點，難在擬人。汽車是從馬車演變而來，作為動力工具，汽車的馬力可以達到100匹馬力，但汽車遠遠不如馬應對不同的負荷、天氣、路面，以及不同車輛情況下的適應能力。說白了，汽車的感知、認知能力遠遠不如馬這個認知主體，“老馬識途，車不如馬！”
所以根本問題不在于車而在于人，要解決人的問題，就要讓駕駛員的認知能夠用機器人替代，讓機器人具有記憶、決策和行為能力，于是新的概念產生了——“駕駛腦”。
“駕駛腦”不等于駕駛員腦，“駕駛腦”是要做駕駛員的智能代理，要去完成包括記憶認知、計算認知和交互認知在內的駕駛認知，他說，這應該是人工智能時代最有意義的課題之一。
蒲慕明，中國科學院外籍院士、中國科學院神經科學研究所所長
不管是國內還是國外，都是如此，不過隨著研究手段不斷豐富，研究領域不斷突破，兩者的交叉融合成為熱點，甚至出現一個新的研究名詞，類腦智能。美國、歐盟都相繼啟動相關研究計劃，中國也啟動了腦計劃。但中國的計劃是將腦科學和人工智能結合得最為緊密的。
比如，現在流行的深度學習，就是基于人工神經網絡的一個應用，這些人工神經網絡都可以從神經科學的一些規律中得到靈感。蒲慕明說，比如可以借鑒神經突觸的可塑性、記憶儲存、提取與消退，等等。
目前的腦科學研究能啟發人工智能的并不是特別多。因為當前的腦科學研究，僅相當于物理、化學等學科在19世紀末期的研究水平，要完全理解大腦，可能是幾個世紀的事情，而不是我們這個世紀就可以達到的。
對于類腦研究，必須要在這個時候做一些適當的應用，假如不把已經知道的知識應用到對腦疾病的診斷、干預和治療上，那么到2050年我們的醫療系統很可能要面臨崩潰——那時你會發現仍然沒有一個腦疾病能夠治愈。
對于人工智能的應用，不一定非要完全搞清楚，神經科學一些具有階段性的成果，也可以給人工智能的發展提供啟發。
譚鐵牛，中國科學院院士、中國科學院自動化研究所研究員
“模式識別”是人類最重要的智能行為，也是人工智能重要的研究內容——機器的“模式識別”能力，在一定程度或者很大程度上反映了機器智能“類人”的程度。
比如語音識別，近些年突飛猛進的科大訊飛，能將維吾爾語翻譯成漢語，漢語翻譯成維吾爾語；再如步態識別，在看不到人臉、虹膜和指紋的時候，就能通過步態在幾十米外感知到其身份。
此外，還有圖像識別，其中具有代表性的人臉識別，早在幾年前馬云刷臉支付已經引爆輿論熱點。圖像識別不僅可以用在手機上，還可在查找丟失兒童上發揮作用。
關于模式識別的技術瓶頸，可通過借鑒生物的機理改進，未來生物啟發的模式識別在人工智能領域前景可期。其最終追求，是希望模擬逼近人的模式識別，這是非常艱巨的過程。
目前，模式識別的主要瓶頸在于魯棒性、自適應性和可泛化性。
關于魯棒性，說白了，就是人工智能“夠不夠皮實”“是不是稍微有點擾動，就會出錯”。比如在酒會上聊天，背景噪音比較多，如果想聽清其中某一個人的聲音，就要忽略或者抑制背景中其他對話的干擾——人類可以做到這一點，也就是聽覺系統所謂的雞尾酒效應，但人工智能可以嗎？
關于自適應性，則比較容易理解，人類的眼睛會隨著燈光的變化、環境的變化進行調整，這說明自適應性非常強。這一點可以應用到人工智能上，比如人臉識別，有一位朋友十幾年甚至幾十年沒見，再見面是否還能認出來？他說，現有的模式識別在這方面還不是很理想。
可泛化性，說白了就是“舉一反三”。當小孩認識蘋果后，即便只記住了一次，也可以識別其他類型的蘋果，這說明人類看到一個東西后，不僅知其然，還知其所以然。而知其所以然，就是人工智能領域所說的“深度學習”。但目前的人工智能深度學習，必須建立在大量數據的基礎之上，這一點也有待進一步研究。
要解決這3個問題，關鍵還是看人類本身，在微觀層面上，人工智能的模式識別可借鑒人類的神經元，神經元有興奮性、抑制性、功能可塑性和傳播性?？茖W家受到這個啟發，增強了模式識別動態系統的穩定性。
