关于神经网络模型的一些争议之讨论

一个很现实的问题是，神经网络模型有很多种，类脑计算机显然不可能全部支持。那么类脑计算机应该采用哪种神经网络模型呢？这就要看我们的根本目标了。我们的根本目标是智能，因此评价标准应该是很明确的：应该支持智能处理能力最强的神经网络模型。或者说，神经网络模型智能处理能力越强，我们就认为它越接近脑，类脑处理器就越应该支持它。

例如，IBM设计了一款脉冲神经网络芯片TrueNorth，曾经引起了很大的轰动。脉冲神经网络有时域信息，每个神经元的输出是一串电脉冲。而深度学习用的人工神经网络中，每个神经元的输出则是一个数字。直观上看，脉冲输出确实比数字输出更接近生物神经元细胞。但是深度学习权威雅恩·乐昆 （Yann LeCun）指出，TrueNorth所采用的脉冲神经网络“从未在任何有意思的（智能处理）任务上表现出与当前最好算法接近的精度”。在MNST这样的基准测试集上，脉冲神经网络的精度（90%左右）甚至比不过20世纪80年代的浅层人工神经网络（95%以上）由于TrueNorth没有实用价值，IBM也开始遣散这个项目组，自己掉头去做深度学习了。

事实上，脉冲神经网络模型看上去和生物神经元很接近，但却没有好的智能处理能力，这或许意味着，这个模型只是在一些对智能处理帮助不大的地方具备了生物神经元的“形”，而没有找到真正对智能有根本性影响的“神”。当然，我们也不排除在未来的某个时间点，通过生物和计算机的交叉研究，脉冲神经网络模型在智能处理能力上取得突破性进展，真正做到形神兼备。