近日 CCAI 2018 大会上，中科院神经科学所所长，中国科学院院士，美国国家科学院院士蒲慕明作题为《脑科学与类脑机器学习》的主题演讲。以下为演讲小结：
可借鉴的自然神经网络特性
1. 神经元的种类
兴奋性和抑制性神经元活动的平衡是正常网络功能所必要的。
- 突触延迟（synaptic delay）在神经环路中起关键作用。
- 抑制性中间神经元通常出现在兴奋性输入之后，可防止神经元过度兴奋，可消除脉冲序列（spiketrain）的尾巴以提高信息的时间精确度（temporal precision），可通过抑制旁侧的神经元的兴奋性以增加对比信息的空间精确度（spatialprecision）。
2. 多方向（顺向、逆向、侧向）的神经连接
连接不只有一个方向，大多数的连接是正向的，也有逆向的，也有侧向的，而且兴奋性和抑制性神经元都有多方向的联接，而且是有空间和神经元种类特异性的联接。
3. 神经突触的可塑性
突触的功能有可塑性：传递效率的增强与消弱 (LTP/LTD)； 可依赖于突触前后神经元同步电活动的频率，也可依赖于突触前后神经元电活动时序 (STDP)。
突触结构可塑性：包括树突棘的形态变化，和突触的新生(formation)与修剪 (pruning）。
突触可塑性的传播; LTP 和 LTD 的有序传播：包括逆向转播（Back-Propagation），突触效率可减弱也可增强，和侧向传播（LateralPropagation）有选择性地在突触前和突触后传播。
4. 记忆的储存、提取与消退
理解记忆不应只关注储存问题，还有记忆消退问题， 消退的意义可能比储存还要更重要。
- 记忆的储存：网络中特定突触群的效率与结构修饰。
- 记忆的遗忘：突触功能与结构修饰会随时间消退。
- 短期记忆转化为长期记忆：有规则重复的重要性。
- 记忆提取：电活动的再现于储存记忆的突触群。
- 强化学习：依据输出的结果对学习相关突触群的修饰, 调质神经元在修饰中的作用。
5. 赫伯神经元集群概念的应用
- 使用嵌套式集群来组成多成分、多模态的信息。
- 不同模态的信息在网络的不同区域处理时，可通过侧向连接进行交互影响。
- 可使用同步或有相差的电活动来捆绑不同区的神经集群。
- 输入信息的拓扑结构在传输过程中的不同层面有所保存。
对人工神经网络/机器学习的建议
- 摆脱深度学习网络的诱惑。
- 建立全新的人工网络架构和算法，目标是高效、节能、无监督或者半监督学习。
- 以脉冲神经网络为基础，加入传递延迟。每一个突触传递都有一个时间延迟，这是很多网络处理信息的关键。
- 从简单网络为基础，每次加入一个自然神经网络的特性，检测其效能，然后逐步完善。