可能有用基礎介紹
人類交互1 大腦視覺的處理過程
人類交互2 聽覺處理和語言中樞
人類交互3 皮膚感覺與運動系統
人類交互4 感覺輸入和運動輸出
人類交互5 大腦信號編碼與解碼
相關材料分析研讀
當前為了實現人工智能的兩個主流技術是深度學習和類腦計算，深度學習雖然仍存在諸多缺陷，但是在表現上進步巨大；反觀類腦計算，卻因為自身諸多不合理的設計，陷入了各種困難的泥潭。
深度學習的進步不必多言，算是比較成功的。我們現在重點關注一下類腦計算，了解其背后頹敗的根源和困境，作為將來智能發展上的教訓。在此，介紹一位類腦計算的博士畢業生寫出來的親身感悟文章。
類腦計算的困境和出路（1）
類腦計算的困境和出路（1）
類腦計算的困境和出路（2）
類腦計算的困境和出路（2）
類腦計算的困境與出路（3）
類腦計算的困境與出路（3）
類腦計算的困境與出路（4）
類腦計算的困境與出路（4）
智能發展道路總結：困難重重
上述四篇文章，已經足夠指出類腦計算的窘境，但值得注意的是造成其困境的根源本質還是來自于實現智能的復雜性。雖然當前深度學習發展感覺距離智能觸手可及，但實際上卻并沒有這么樂觀，更不用說AGI了。總的來說，深度學習也至少面臨著下面的幾個問題：
- 相對生物神經網絡，深度學習實現智能的效率很低！
一個典型的例子就是秀麗隱桿線蟲，僅300個神經元便可完成一系列復雜的生物行為，其效率令人吃驚，更不必說人腦這種更高級的網絡。 - 相對生物神經網絡，深度學習能量利用有效率很低！
人腦的功率大概20W左右，一張顯卡的功率大概200W左右，當前深度學習框架用10張顯卡實現出來的功能都趕不上人腦這么智能。 - 相對生物神經網絡，深度學習的世界模型仍然欠缺！
對智能體來說，世界模型就是該系統的世界觀，高級哺乳動物存在自己合理的世界觀，可以根據腦中世界模型與世界交互，尤其人類。
總的來說，深度學習這些方面的失敗根源大致為：網絡結構相對單一，客觀世界難以用一套簡單結構去理解和表達規律。正如，生活中的問題，很難用單一算法去統一解決，并且還保證效率。
可以說，正是這份簡單，造就了當前深度學習的成功（相對類腦計算），或許也可能正是這份簡單，會限制住其未來智能道路的上限。
