大脑和人工智能有什么关系？这个问题是一个经常被问到的问题。在人工智能的研发中，有一个根深蒂固的思想，就是要用电子电路实现智能，不必执着于生物体大脑的机制。另一方面，既然有实现人脑等高级智能的例子，自然就有无法逆向工程的想法。从历史上看，人工智能和脑科学已经相互进化，重复接近和分离。直到上个世纪，人工智能对专家的知识和技能进行提取和编程，知识表示及其搜索是主要技术，并不总是需要遵循大脑的结构和运动......

　　另一方面，在本世纪互联网时代，从大量数据中进行机器学习成为人工智能的主要技术，其中深度学习是一种遵循电路结构的方法然而，由于远远超越其他人的高性能，人们对大脑型信息处理的兴趣再次增加。此外，在脑科学方面，以机器学习为中心的人工智能被用于从由于成像和测序等实验测量技术的进步而获得的海量数据中获取科学和医学知识。

　　变得不可或缺。在本文中，我们首先概述当今人工智能的目标及其对脑科学和生命科学的影响，然后讨论脑科学的进步如何为下一代人工智能做出贡献。人工智能是一个具有60多年历史的领域，近年来受到特别关注的原因可以分为多种因素。从广义上讲，IT技术在社会中的重要性再次得到认可，通过智能手机、网络和传感器等技术利用大量数据的基础已经建立可以分为到位和深度学习技术飞速发展。

　　其中，由于社会因素的变化，例如人们的认知变化以及获取和处理数据的环境，而不是技术因素。另一方面，是纯技术进步，使用深水结构模型进行学习成为可能，该模型长期以来被认为是重要但无法实现的稻田。在2012年神经信息处理系统会议上进行了深度讨论，自从欣顿等人在图像识别中表现出压倒性的性能以来，图像识别、语音识别和语言处理等各种事物都得到了在该领域，他继续产生卓越的成绩。

　　在图像识别方面，从2015年左右开始在特定数据集上开始超越人类标准，其产业化应用正在突飞猛进。一个例子是医疗保健中的诊断成像，它在世界范围内具有多种用途，例如根据X射线、眼底检查、内窥镜检查、皮肤病诊断和病理诊断。人脸识别也是被迅速使用的技术之一。这是一种相对简单的技术，称为一对一身份验证。

　　另一方面，当员工的进出管理通过人脸识别进行，支付通过人脸识别进行时，则称为一对一认证，这是一项难度更大的技术。这些技术通过深度学习立即进入实用阶段，并在全球范围内使用。另一方面，在自然语言处理领域，在2018年也相继取得了显著的性能提升。虽然这种深度学习的进展是惊人的，但鉴于人类智能的多面性和复杂性，现阶段深度学习的成就是有限的。

　　深度学习在迄今为止一直是人工智能发展瓶颈的模式识别部分带来了很大的突破，但超越这一突破，在人工智能领域迄今为止。各种研究即将展开。首先，深度学习虽然在图像识别领域取得了很大的飞跃，但一直未能找出环境状态的潜在结构。例如，在深度强化学习中，首先定义一个状态空间，然后在该空间中使用状态转换模型的基于模型的方法，不使用模型直接从一系列状态转换中学习的无模型方法。然而，如何定义这个状态空间的问题被称为状态表示学习表，但这是一个仍然没有有效解决方案的难题。