凡是悠久強大的學科，往往壁壘森嚴，存在“生殖隔離”現象。從1956年意大利青年討論怎樣用機器模擬人的智慧開始，人工智能和腦認知科學研究就一直猶如兩條平行線，沒有實質性的交集。

“我們搞人工智能的科研人員應該跟腦神經科學家、生命科學家做學科交叉，使同一個人成為兩個不同領域的專家，這才是真正的‘交叉’。”在日前舉辦的中國人工智能大會上，中國工程院院士、中國人工智能學會理事長李德毅對《中國科學報》記者說。

“以前把機器模擬人腦的問題稱作知識表示問題，現在來看這個知識表示的概念偏小，應該叫作腦認知的形式化問題，進而研究人工智能。”李德毅認為，要想解開腦認知形式化之謎，可以借助腦認知的神經學方法。人的思維、意識能不能在大腦中找到特定的區域，這就是腦認知的形式化問題。比如，“看到”和“認出”一個人，可能代表不同的腦神經，大腦中很多部位都參與了對容貌影像的信息處理。

對于腦認知神經學形式化的描述方面，李德毅認為，可通過三種尺度來描述：“宏觀尺度”描述認知行為與腦區域網，“介觀尺度”描述神經環路與神經網絡，“微觀尺度”則用來描述蛋白質分子水平與基因等。這也印證了任何學科在什么尺度上的形式化至關重要，尺度越細、結構越復雜，形式化越難。

“當然，通過腦認知神經學的方法來研究人工智能也存在著一定的風險。”李德毅坦言，“如果僅在微觀和介觀尺度上研究生物腦，可能研發出一個并不具備人腦認知能力的人造生物腦。”

那么，研究腦認知的形式化是否還存在第二條路呢？

“可以借助腦認知的物理學方法將腦認知形式化。”李德毅給出了答案。如果將研究生物腦在社會認知過程中腦的成長與進化，如腦認知的神經學方法，稱之為腦認知的“正向工程”，那么腦認知的物理學方法則可稱為腦認知的“逆向工程”，即從腦認知的社會屬性研究腦進化。

李德毅認為，腦認知的社會屬性包括作為主觀世界的人腦是如何反映客觀物理世界的，人腦如何從外部環境中獲得知識和技能，人腦如何解決未知，人腦是如何形成創新這幾個問題，而后三個問題恰恰是“人工智能”研究的全部內容。腦認知是與社會環境、社會實踐、群體交互等密切相關的，語言、知識、文明等都來自于后天客觀世界的學習和積累。不能只研究人腦的天然屬性，應該建立人腦認知的成長機制，研究人腦成長和認知的群居性和社會性。

而對于腦認知物理學形式化的描述方面，李德毅也給出了四種尺度來描述。“信號級別”用來描述微觀和宏觀信號，“符號級別”描述編碼、文字和符號，“語義級別”描述不同粒度的概念、圖像、信息和知識，“行為級別”描述情感、意識、記憶和動作行為。

“一旦碳基生物腦和硅基電子腦形成‘雜交優勢’，其勢將猛不可擋，必定掀起人工智能研究和應用的新高潮。”李德毅說。（彭科峰 王超）