认知科学与类脑计算 第一章 背景介绍 考点压缩
第一章：背景介绍 — 知识点笔记
综合来源：课件1（PDF）、课堂笔记（CSDN）、期末复习课录音
超级压缩
什么是神经科学、类脑计算？其三大核心特点是什么？
认知科学是研究人的智能、其它动物的智能及人造系统的智能的科学 。
类脑计算，是借鉴生物大脑的信息处理方式
类脑特点：存算一体 运算异步、事件驱动
大脑特点：dp 存算 异步 稀疏编码 并行 容错
SNN VS ANN： 离散2 时空2 运算异步、事件驱动 能耗低 生物合理
瓶颈：高大差 存算分 摩尔无
1.1 认知科学
定义
认知科学是研究人的智能、其它动物的智能及人造系统的智能的科学。
研究内容
感知(perception)、学习(learning)、记忆(memory)、知识(knowledge)、语义(meaning)、推理(reasoning)、语言(language)、注意(attention)、意识(consciousness)、思维(thinking)等。
多学科交叉性质
心理学、计算机科学、神经科学、数学（逻辑）、语言学、哲学等。
📖 《认知科学进展》戴汝为（中国科学院院士），1997
1.2 类脑计算
定义
类脑计算（Neuromorphic Computing），是借鉴生物大脑的信息处理方式，以神经元与神经突触为基本单元，从结构与功能等方面模拟生物神经系统，进而构建新型计算形态。
📖 《类脑计算——构建"人造超级大脑"》吴朝晖（中国科学院院士），2022
三大特点（Nature Electronics, 2021）
| 特点 | 说明 |
|---|---|
| 异步（Asynchronous） | 每个神经元独立放电，不需要全局时钟同步 |
| 事件驱动（Event-Driven） | 仅在接收到脉冲时才进行计算，无输入时休眠 |
| 存内计算（In-Memory Processing） | 存储与计算一体化，打破冯诺依曼瓶颈 |
课程目标（Principles of Neural Science）
- 了解神经元如何编码信息、进行通信和计算
- 获得研究和设计类脑计算架构、模型和算法的能力
“The ultimate goal of neural science is to understand how the flow of electric signals through neural circuits gives rise to mind — to how we perceive, act, think, learn and remember.”
1.3 历史发展脉络
关键人物与贡献时间线
| 时间 | 人物 | 贡献 |
|---|---|---|
| 1827 | George Ohm（欧姆） | 欧姆定律，提供分析神经系统电学的理论工具 |
| 19世纪 | Johannes Müller（米勒） | 提出"活力论"；促进Bell-Magendie定律（神经冲动单向传导） |
| 1868 | Julius Bernstein（伯恩斯坦） | 首次记录神经电信号，命名动作电位（Action Potential, AP） |
| 1907 | Louis Lapicque（拉皮克） | 建立基于欧姆定律的神经电路方程；提出积分-发放模型（IF模型） |
| 1901-1950 | Bertrand Russell（罗素） | 罗素悖论、《数学原理》、逻辑法则→启发M-P神经元研究 |
| 1943 | McCulloch & Pitts | M-P神经元模型：“A logical calculus of the ideas immanent in nervous activity”；神经元=布尔逻辑计算单元 |
| 1956 | 达特茅斯会议 | 人工智能诞生；近30位学者参会，McCulloch宣布"我们在科学史上第一次知道了我们是怎么知道的" |
| 1963 | Hodgkin & Huxley | HH模型（基于乌贼轴突实验），获诺贝尔医学奖 |
【图片：历史人物照片合集 — 课件1第6-14页】
关键模型演变
欧姆定律 → 神经电路方程 → 积分-发放(IF)模型 → M-P神经元模型 → HH模型
- M-P神经元：多输入单输出，加权和超过阈值则发放（0/1），可用布尔逻辑表示
- IF模型：最早的电路类比神经元模型，至今仍是核心工具
- HH模型：基于实验数据，详细建模离子通道（Na⁺/K⁺），生物拟合度高但计算代价大
1.4 人工智能的瓶颈
算法层面
| 瓶颈 | 说明 |
|---|---|
| 功耗高 | 现有深度学习功耗高，实际部署困难 |
| 依赖大数据 | 训练过分依赖大规模标注数据 |
| 可解释性差 | 神经网络被视为"黑箱"，学习和运行结果难以解释 |
计算体系瓶颈
- 冯诺依曼体系：存-算分离，效能低下
- 摩尔定律逐渐失效
1.5 大脑 vs 计算机
| 对比维度 | 计算机 | 大脑 |
|---|---|---|
| 容错性 | 差 | 强（容忍部分神经元死亡） |
| 功耗 | 大 | 低（仅约20W） |
| 运行频率 | 高（GHz级） | 低（约100Hz） |
| 存储与计算 | 存算分离 | 存算一体 |
| 学习能力 | 难 | 自我学习、进化 |
| 并行度 | 少 | 强（约10¹¹个神经元） |
Geoffrey Hinton：“相信克服人工智能局限的关键在于搭建一个连接计算机科学和生物学的桥梁”
【图片：大脑vs计算机对比表 — 课件1第22页】
1.6 脉冲神经网络（SNN）
SNN vs ANN 核心区别
| 对比维度 | ANN（人工神经网络） | SNN（脉冲神经网络） |
|---|---|---|
| 信息形式 | 高精度连续浮点值（激活值） | 离散二进制脉冲（0/1 Spike） |
| 时间维度 | 无（仅空间域/层间传播） | 有（时空两维度传递信息） |
| 运算方式 | 同步（全局时钟） | 异步、事件驱动 |
| 能耗 | 高 | 低（稀疏计算） |
| 生物合理性 | 低 | 高 |
【图片：ANN与SNN神经元工作原理对比图 — 课件1第29页】
SNN 的优势
- 融合深度学习网络的高性能 + 生物神经元的精细合理性
- 稀疏脉冲 → 低能耗
- 时空信息处理能力
SNN 的应用领域
- 计算机视觉：光流估计、目标检测、目标识别、三维重建
- 机器人控制：自动驾驶、机械臂控制
- 脑机接口：手势识别、肌肉活动解码、情绪识别
【图片：SNN应用场景图 — 课件1第30-32页】
1.7 神经形态硬件
神经形态相机（事件相机）
- 原理：输出像素级亮度变化（而非标准强度帧），亮度变化超过阈值→产生事件
- 亮度增加 → ON事件
- 亮度减少 → OFF事件
- 优势：异步、稀疏（仅变化处产生事件）、高动态范围、无运动模糊、微秒级延迟（远超传统相机）
- 应用：目标检测、动作捕捉、场景重建、图像去模糊、轨迹预测、极端场景（低光等）
【图片：神经形态相机原理图、应用场景图 — 课件1第35-38页】
神经形态芯片
| 芯片 | 发布时间 | 研制单位 | 神经元规模 | 突触规模 | 在线学习 |
|---|---|---|---|---|---|
| TrueNorth | 2014 | IBM | 100万 | 2.5亿 | 不支持 |
| Darwin 2 | 2019 | 浙江大学 | 15万 | 1000万 | 不支持 |
| Tianjic | 2019 | 清华大学 | 4万 | 1000万 | 不支持 |
| Loihi 2 | 2021 | Intel | 100万 | 1.2亿 | 支持 |
| KA200(-S) | 2022 | 灵汐科技 | 25万 | 2500万 | 不支持 |
| Darwin 3 | Ongoing | 浙大&之江 | 235万 | 1亿 | 支持 |
【图片：芯片对比详细表格 — 课件1第39页】
类脑计算机
- 由类脑芯片组合 + 操作系统辅助 → 更大规模
- 神经元可达100亿，突触可达1000亿
- 达尔文二代：神经元超20亿、突触超千亿，接近猕猴大脑规模
【图片：类脑计算机对比表 — 课件1第40-41页】
1.8 全球脑计划
| 计划 | 启动时间 | 国家/地区 | 核心目标 |
|---|---|---|---|
| 蓝脑计划 | 2005 | 瑞士 | 分子层级大脑逆向工程，数字重建啮齿类动物大脑 |
| 人脑计划（HBP） | 2013 | 欧盟（16国123机构） | 建立研究基础设施，揭示人脑运作本质 |
| BRAIN计划 | 2013 | 美国 | 生成大脑动态图谱，Brain 2.0（2020-2026）投入24亿+美元 |
| Brain/MINDS | 2014 | 日本 | 绘制狨猴神经环路3D图谱 |
| 中国脑计划 | 2021 | 中国 | **“一体两翼”**战略，拨款近32亿元 |
中国脑计划 —— “一体两翼”
一体：解析大脑认知功能原理
/ \
左翼：重大脑疾病诊治 右翼：类脑计算/脑机智能
- 类脑计算 → 后摩尔时代两大国际竞争高地之一（美国ASCAC报告确认）
- 2014年香山会议 → 2016年"十三五"规划纲要 → 2018年北京/上海中心 → 2021年正式启动
【图片：一体两翼战略图 — 课件1第48页】
国际类脑智能研讨会
- 2007年德国首届，"类脑智能"术语正式出现
1.9 课堂测试题（课件）
Q1：大脑只有20瓦功耗，却具备高智能。你认为关键机制可能是什么？
Q2：脉冲神经网络在哪些方面可能有超越传统神经网络的潜力？
(二选一作答)
笔记中的图片索引
| 序号 | 图片内容描述 | 来源位置 |
|---|---|---|
| 图1 | 认知科学与类脑计算课程封面 | 课件1 第1页 |
| 图2 | 欧姆、Müller、Bernstein、Hodgkin-Huxley历史人物照片 | 课件1 第6-9页 |
| 图3 | Louis Lapicque及IF模型示意图 | 课件1 第10-11页 |
| 图4 | 罗素、McCulloch、Pitts人物照片 | 课件1 第12-13页 |
| 图5 | M-P神经元布尔逻辑计算示意图 | 课件1 第14页 |
| 图6 | 达特茅斯会议历史照片 | 课件1 第15页 |
| 图7 | AI瓶颈示意图（功耗/数据/可解释性） | 课件1 第20-21页 |
| 图8 | 大脑vs计算机对比图 | 课件1 第22页 |
| 图9 | 类脑计算三大特点图示（异步/事件驱动/存内计算） | 课件1 第25页 |
| 图10 | SNN与ANN神经元工作原理对比图 | 课件1 第28-29页 |
| 图11 | SNN应用场景（视觉/机器人/脑机接口） | 课件1 第30-32页 |
| 图12 | 神经形态相机原理与对比 | 课件1 第34-36页 |
| 图13 | 神经形态芯片架构对比 | 课件1 第39页 |
| 图14 | 类脑计算机系统图 | 课件1 第40页 |
| 图15 | 达尔文类脑计算机实物图 | 课件1 第41页 |
| 图16 | 全球脑计划时间线/对比图 | 课件1 第42-48页 |
| 图17 | 中国脑计划"一体两翼"战略架构图 | 课件1 第48页 |
占位图
笔记整理时间：2026年6月25日
脑启社区是一个专注类脑智能领域的开发者社区。欢迎加入社区，共建类脑智能生态。社区为开发者提供了丰富的开源类脑工具软件、类脑算法模型及数据集、类脑知识库、类脑技术培训课程以及类脑应用案例等资源。
更多推荐
7
0- 0
已为社区贡献7条内容
所有评论(0)