AlphaGo战胜世界围棋冠军李世石引起了各界不小的震动，不少文章也从人工智能和围棋的角度进行了解析，作为神经科学研究人员，我更关注的是这一事件与神经科学的关联及其意义。
　　自然智能（大脑）与人工智能的对话可以从三个方面来理解：首先人脑创造和完善人工智能的过程就是一个对话的过程。其次，人工智能在某些领域挑战人类大脑（如棋类比赛）则是一个更直接的对话形式。另外，大脑智力研究领域和人工智能研究领域之间的交叉和渗透更是一个具有重要意义的对话过程。
　　非常巧合的是，1949年在人工智能领域和神经科学领域都发生了一个重要历史事件。这一年，机器学习和人工智能的先驱者，美国人Arthur Samuel在IBM计算机上编写出了第一个国际跳棋的程序，首次向人们展示了具有一定自我学习能力的人工智能。同一年，加拿大认知科学家和心理学家Donald Hebb发表了经典论著“行为的组织”，为大脑的学习机制提出了神经连接学说，即著名的Hebb学习定律。虽然Hebb学说被认为是人工智能应用神经网路的理论依据，实际上在这个理论提出之后的数十年里，人工智能和脑认知科学基本上是在两个平行的轨迹上发展，没有实质性的交集。
　　随着计算机硬件的快速发展和更先进的编程程序的应用，依靠强大的运算能力，IBM计算机“深蓝”于1997年5月击败了国际象棋冠军加里·卡斯帕罗夫，成为人工智能发展的一个标志性历史事件。人们难以想象计算机能够对这样的复杂系统进行全部运算。
　　AlphaGo之父Hassabis不仅是一个罕见的天才，他的经历也非常有意思：8岁时设计了电脑游戏；13岁成为国际象棋大师；之后分别在剑桥大学和伦敦大学学院获得计算机科学和认知神经学专业学位。Hassabis在认知神经科学的训练，无疑是他在设计AlphaGo时能够得心应手地应用具有深度自我学习功能的多层次神经网络的重要原因。
　　我们再来看看Hebb定律的核心：大脑各神经元之间通过突触相互联系而形成复杂的网络，虽然初期的联系可能是随机的，但最终的网络联系及联系的强度则决定于所联系的神经元之间是否具有反复的关联活动，即突触前神经元A持续重复的活动如果能够引起突触后神经元B产生同步的放电活动，则可以导致该突触传递效能的增加，突触联系的稳定性得到增强。即“一起放电的神经元将连接在一起”。
　　Hebb学习定律根据神经元连接间的激活水平而改变权值，是一个无监督学习规则，使网络能够提取训练的统计特性，把输入信息按照发生的几率划分为不同权重的类型进行判断处理。而AlphaGo的深度学习神经网络正是采用这一原理，当机器进行反复的训练后，可以对落子的位置形成一定的优先级筛选，从而跳过某些落子概率很低的位置运算，而不需要对所有可能的位置进行运算，极大地提高了机器的运算效率。
　　虽然神经科学家可以骄傲地认为，神经科学研究成果和理论为人工智能的里程碑发展作出了重要贡献，但我们对大脑的工作原理的了解，尤其是在神经网络水平上的活动规律和意义的了解，仍然非常有限。而正是神经网络活动的机理才是我们理解大脑产生高级功能的关键环节。
　　近年来一些关键研究技术的快速发展，使脑科学研究，尤其是在神经网络水平的解析，面临着重大突破的机遇。基于脑科学研究的前沿性、学科交叉性及实际应用的重要意义，这些重大突破必将在科学、经济、社会和军事等领域产生重要影响，因此各发达国家都先后启动了大型的脑研究计划。在我国的“十三五”规划中，“脑科学与类脑研究”被列入六个“科技创新2030重大项目”之一，使中国神经科学家充满了期待，希望能在国际脑科学研究领域作出自己特有的重要贡献。
　　一个有意思的问题是，既然人工智能利用简单的神经网络原理在某些规则明确的单一性能的智力（如棋类比赛）方面已经超过了人脑，我们是否可以通过对计算机神经网络产生人工智能的机理来反推大脑的神经网络的工作机理？目前看来，答案是否定的。因为计算机神经网络的具体运算过程也是难以捉摸的，实际上它更像是一个黑箱系统，它的运算过程和抉择完全是根据它的学习经验而进行的，我们无法了解具体过程并对其进行控制。但可以预见的是，人工智能的发展必将为脑功能研究，尤其是在解析神经网络时所遇到的大数据的解析和运算提供强有力的工具。