AlphaGo戰勝世界圍棋冠軍李世石引起了各界不小的震動，不少文章也從人工智能和圍棋的角度進行了解析，作為神經科學研究人員，我更關注的是這一事件與神經科學的關聯及其意義。
　　自然智能（大腦）與人工智能的對話可以從三個方面來理解：首先人腦創造和完善人工智能的過程就是一個對話的過程。其次，人工智能在某些領域挑戰人類大腦（如棋類比賽）則是一個更直接的對話形式。另外，大腦智力研究領域和人工智能研究領域之間的交叉和滲透更是一個具有重要意義的對話過程。
　　非常巧合的是，1949年在人工智能領域和神經科學領域都發生了一個重要歷史事件。這一年，機器學習和人工智能的先驅者，美國人Arthur Samuel在IBM計算機上編寫出了第一個國際跳棋的程序，首次向人們展示了具有一定自我學習能力的人工智能。同一年，加拿大認知科學家和心理學家Donald Hebb發表了經典論著“行為的組織”，為大腦的學習機制提出了神經連接學說，即著名的Hebb學習定律。雖然Hebb學說被認為是人工智能應用神經網路的理論依據，實際上在這個理論提出之后的數十年里，人工智能和腦認知科學基本上是在兩個平行的軌跡上發展，沒有實質性的交集。
　　隨著計算機硬件的快速發展和更先進的編程程序的應用，依靠強大的運算能力，IBM計算機“深藍”于1997年5月擊敗了國際象棋冠軍加里·卡斯帕羅夫，成為人工智能發展的一個標志性歷史事件。人們難以想象計算機能夠對這樣的復雜系統進行全部運算。
　　AlphaGo之父Hassabis不僅是一個罕見的天才，他的經歷也非常有意思：8歲時設計了電腦游戲；13歲成為國際象棋大師；之后分別在劍橋大學和倫敦大學學院獲得計算機科學和認知神經學專業學位。Hassabis在認知神經科學的訓練，無疑是他在設計AlphaGo時能夠得心應手地應用具有深度自我學習功能的多層次神經網絡的重要原因。
　　我們再來看看Hebb定律的核心：大腦各神經元之間通過突觸相互聯系而形成復雜的網絡，雖然初期的聯系可能是隨機的，但最終的網絡聯系及聯系的強度則決定于所聯系的神經元之間是否具有反復的關聯活動，即突觸前神經元A持續重復的活動如果能夠引起突觸后神經元B產生同步的放電活動，則可以導致該突觸傳遞效能的增加，突觸聯系的穩定性得到增強。即“一起放電的神經元將連接在一起”。
　　Hebb學習定律根據神經元連接間的激活水平而改變權值，是一個無監督學習規則，使網絡能夠提取訓練的統計特性，把輸入信息按照發生的幾率劃分為不同權重的類型進行判斷處理。而AlphaGo的深度學習神經網絡正是采用這一原理，當機器進行反復的訓練后，可以對落子的位置形成一定的優先級篩選，從而跳過某些落子概率很低的位置運算，而不需要對所有可能的位置進行運算，極大地提高了機器的運算效率。
　　雖然神經科學家可以驕傲地認為，神經科學研究成果和理論為人工智能的里程碑發展作出了重要貢獻，但我們對大腦的工作原理的了解，尤其是在神經網絡水平上的活動規律和意義的了解，仍然非常有限。而正是神經網絡活動的機理才是我們理解大腦產生高級功能的關鍵環節。
　　近年來一些關鍵研究技術的快速發展，使腦科學研究，尤其是在神經網絡水平的解析，面臨著重大突破的機遇。基于腦科學研究的前沿性、學科交叉性及實際應用的重要意義，這些重大突破必將在科學、經濟、社會和軍事等領域產生重要影響，因此各發達國家都先后啟動了大型的腦研究計劃。在我國的“十三五”規劃中，“腦科學與類腦研究”被列入六個“科技創新2030重大項目”之一，使中國神經科學家充滿了期待，希望能在國際腦科學研究領域作出自己特有的重要貢獻。
　　一個有意思的問題是，既然人工智能利用簡單的神經網絡原理在某些規則明確的單一性能的智力（如棋類比賽）方面已經超過了人腦，我們是否可以通過對計算機神經網絡產生人工智能的機理來反推大腦的神經網絡的工作機理？目前看來，答案是否定的。因為計算機神經網絡的具體運算過程也是難以捉摸的，實際上它更像是一個黑箱系統，它的運算過程和抉擇完全是根據它的學習經驗而進行的，我們無法了解具體過程并對其進行控制。但可以預見的是，人工智能的發展必將為腦功能研究，尤其是在解析神經網絡時所遇到的大數據的解析和運算提供強有力的工具。