“未来十年哪些基础科学突破会影响互联网科技产业？产业互联网和消费互联网融合创新，会带来哪些改变？”——Pony
对于这个问题，笔者认为，脑科学研究的突破首当其冲。
以下将从七个部分来分别进行阐述，提纲如下：
- 脑科学研究的意义
- 脑认知研究的难处
- 脑认知研究的曙光
- 脑科学研究的样板和弯路
- 脑认知研究的最新稚嫩成果
- 脑认知成果对互联网科技产业的影响
- 产业互联网与消费互联网的融合创新
一、脑科学研究的意义
复旦大学脑科学研究院学术委员会主任杨雄里院士指出：“脑科学研究成果以及脑科学未来的应用，如今已引起科学界乃至大众的广泛关注。唯有对大脑的运作机制有更深刻的认识，才能推动各个相关学科领域的发展。对在宏观与微观层面之间的介观层面的认识，还十分匮乏。”
意识问题是脑认知的基本问题，唐孝威教授指出：“意识问题是当代自然科学最基本和最困难的问题之一。意识研究不但有基本的理论意义，而且有重要的应用价值。世界最宝贵的识人，人最宝贵的是意识。人们开始重视意识与健康、教育、创新、社会等实际问题的研究，这些应用研究的成果将造福与人类。”
人类目前所沉淀的一切知识成果，都是由同一个机器生产出来的，那就是人的大脑。这一基点意味着，人类的所有知识成果都有一个共同的起始、共同的关联、共同的映射空间，因此，如果获得了大脑认知的奥秘，就等同于获得了所有知识成果的共有内涵、共有逻辑、乃至共有规律。
社会经济的发展，其核心主体就是个人，人的本性成为牵引和影响社会形态发展的内在动因，然而，包括经济学在内，现有的社会科学却很难有效的去推演社会经济的实际演化，其根本原因就在于对人性缺乏深入而系统的了解。脑认知研究的突破，将有机会揭示人性的演绎规律，进而为社会科学建立重要的理论根基，同时借助于当前充沛的超算能力，来推算演绎这种底层规律究竟会涌现出怎样的社会百态。这种系统性推演将使得我们对社会经济的理解上升到一个全新的高度。
因此，脑科学的突破，不仅会对整个学术体系产生革命性的影响，同时也将极大的冲击社会的发展演变。
二、脑认知研究的难处
上图是关于老虎的两张照片，对于许多成人来说，可能从未见过真老虎，但是当面对图示场景时，一般能快速识别出两者的差异：左图死定了，右图还有得救……
现在的问题是：为什么人能够快速判断出栏杆和一个老虎之间的逻辑关联？为什么人从未被老虎咬过，也能建立这种逻辑关联？这种事物间关系的快速识别是怎么被加工出来的？如果换做一个机器人，它能够快速区别两个场景的差别吗？它能够理解栏杆在其中所起的作用吗？
下面有一个相对更复杂的场景：一辆轿车与一辆摩托车发生了碰撞，轿车车头受损严重，作为轿车车主的你极度生气，开始下车找摩托车车主理论……
现在的问题是：你为什么会生气？外面的摩托车车主并没有直接碰到你，你生气时为什么将矛头指向摩托车主，而不是指向自己的轿车、或者是摩托车？如果开轿车的是一个机器人，它能及时而准确的判断摩托车主、摩托车、轿车、轿车司机在事故当中的关联关系吗？
上面列举的两个问题都是日常生活中的基本认知问题，遗憾的是，认知科学目前还无法有效给出令人满意而信服的答案。
你也许觉得这些问题有些简单无聊，但对于脑科学来说，它们却是相当复杂的，一种特定的场景刺激信号，如何与人的特定心理认知和行为反应之间建立关联，这种关联建立的背后又有怎样的深层规律，这都是脑认知研究的重点。然而，要探究出答案，可谓是难上加难。这是因为，人的小脑有700亿神经元，大脑有100多亿神经元，在不同的刺激信号灌养下，每个人的大脑神经元连接都是独一无二的，仅有整体功能模块上的相近。要系统性的梳理神经系统连接的确切含义，要检验每一种连接对应着怎样的行为关联，按照现有的实验效率，在相当长的时间内都很难预期到乐观的结果。
人的认知与行为体系是如此的庞杂，表现是如此的丰富，人类几乎所有的知识都脱离不开这套系统的影响，以至于认知系统就像是一个无底的黑洞，它可以包容和吞噬一切，而想要窥探黑洞的内在和本质，似乎是一件不太可能的事情。
三、脑认知研究的曙光
自上世纪50年代提出人工智能概念以来，几经起伏，人工智能研究曾一度陷入低谷，直到深度学习的出现。这一技术突破很大程度上是对人脑神经系统的模仿反思的结果。而当前越来越丰富的学习算法，又反过来给脑认知研究以诸多的启迪。当一个个计算程序通过不断迭代，在特定领域能够达到甚至是超过人脑的智慧时，我们终于有了一种实质上的可以隐喻大脑认知的人造系统。
当前高速发展的脑功能连接图谱计划，也让神经系统的内在链路得以清晰的展示在人们面前。神经科学也与越来越多的复杂系统科学之间建立了联系，许多研究人工智能的大公司也引入了神经科学方面的专家。人工智能除了算法上的突破，硬件方面也有了长足的进步，Handle、SportMini机器人就是其中的佼佼者。
当对复杂的人脑神经系统如何生成关系认知产生迷茫时，通过建构一套与特定认知功能相近的机器系统，那么我们就有了可以解读这个迷茫的关键参照。于是，研究脑认知的全新窗口就被开启了。对此，库兹韦尔则乐观的声称：那个认知能力反超人类的奇点在2029年就有可能到来。
四、脑科学研究走过的弯路和可学习的样板
脑科学的重大现实意义，激励着各大国家和组织投入重金进行研究。美国、欧洲、日本等均已开展了相应的脑科学研究计划，中国也进行了相关的规划工作。
蒲慕明——中国脑计划
今年，北京、上海先后成立了脑科学与类脑研究中心，浙江大学也联合中科院发布了“双脑计划”。在这些计划中，神经科学成为其中的重心。
然而，Google却给了我们演示了开发脑科学的另外一条研究进路，我们先从Boston动力说起。2013年12月，Google收购Boston Dynamics，2017年6月，又将其卖给软银公司。
Google为什么要卖掉Boston Dynamics，很多人说它不赚钱，这其实是表面原因，本质原因是，智能机器人研发费效比极低，相对而言，基于软件仿真进行机器人动力系统升级迭代，其效率要高得多！机器人完成一个版本的升级，软件仿真可能会完成几十上百个版本迭代，甚至更多。例如Deepmind提出的SAC-X学习范式，无需先验知识就能解决稀疏奖励任务，更为关键的是，在实验室里SAC-X能在真实的机械臂上从零学习拾取和放置任务。这在过去是很有难度的，然而现在通过训练一个模拟智能体，可以更快速在机械臂上实现已经被仿真验证过的功能。
AlphaGo的横空出世，意味着Google已经初步摸到了多层嵌套价值网络的规律特点，随后的AlphaGo Zero则进一步夯实了其研究成果。而今，Google正在努力将其研究成果辐射至更多的领域，并且已经有了新的收获。与之相对的是，国内同领域的工程师却一直在翘首以盼DeepMind的最新论文，以便改进自己的蹩脚程序，这不能不说是一种悲哀。
Google的努力给我们的启示是，基于建构的方法来不断推进一个类人的智能体仿真，基于此来解构人脑的工作机制，要比从极度复杂的神经元连接网络中研究出人脑的工作机制，效果要好得多！这是因为，人脑本身就是数百万年进化而来的产物，要理解人脑的功能，一个原始而笨拙的方法就是不断的试错迭代，从中找出最有可能的逻辑关联，而基于AI的算法试错迭代，要比基于神经科学的实证研究，其效率要高得多！当然，这里并没有否认神经科学不重要，其研究成果对AI进化依然有重要的作用。
五、脑认知研究的最新稚嫩成果
关于脑认知逻辑，最近确实出了一份稚嫩的成果，详见文章——人类认知的六个维度
一种刻画脑认知原理的基本模型
之所以将其认定为脑认知方面的成果，是因为它揭示了大脑进行信息加工的底层原理，解构了人的心理认知和行为表现触发转变机理。这套理论不仅能完美解释上文第二节提到的两个案例（老虎栏杆的关系、权属的生成逻辑和迁移表现），还能解释更多的典型问题，笔者拙作中列举的100个认知行为方面的问题（判定认知科学统一理论体系有效性的测试标准），绝大多数均可用这套理论来解释。注意，这里所有的解释是可以抛离一种认知的主观性，而回归到一种既定的生理基准活动之上，这种可解释的客观性与统一性，是其他理论所难以达到的。
此外，罗杰·霍克所列举的40项心理学关键实验中的大部分成果、卡尼曼和特沃斯基的决策研究，也一样可以用这套理论来解释。
能够解释的问题列表
之所以说这个成果是稚嫩的，是因为它虽然给出了一套相对完整的理论体系，但还没有经过系统的科学实证。由于理论体系略显庞杂，要进行实证急需要时间，也需要资源和成本，更需要业界的重视和支持。不过，全新理论的出现，对既有学术体系多少会带来一些影响，基于既有研究范式的学术传统能否接纳新观点、新想法，依然是一个极为现实的问题，这也是科学极为审慎的一种体现。
六、脑认知成果对互联网科技产业的影响
AI科技的落地项目越来越多，它侧面上代表着大脑信息加工处理逻辑的延伸。不过，AI研究当中依然有许多尚未解决的难题。在图像识别方面还有很多问题需要进行攻关；在不完全信息博弈方面还有待突破；在深度学习方面，一些学者认为已经触及天花板；在多任务迁移上，算法还有许多硬伤……
对于脑认知的整体解析，实质上相当于暗示了一套通用智能体的可能建构模式，这为解决AI领域诸多的技术难题提供了重要的思路借鉴，这是其一。
其二，在AI算法开发中，很多工程师比较困惑的一点是，算法难以理解、难以解释。脑认知逻辑体系的解构，将使得这个问题得到有效缓解，因为大脑的认知逻辑是非常全面的，能够兼顾简单的问题，也能够处理复杂的问题，理解了大脑是如何一步步处理各种问题的，也就能够从中提炼出AI算法在大脑处理逻辑当中的可能位置，以及它可能的功能或意义。有了这种整体理解，将极大的促进工程师去攻关突破更为复杂的问题，形成更多的实用性的产品。很多时候，这些产品可能是改变产业格局的重要利器。
七、产业互联网与消费互联网的融合创新
上文提到的脑认知模型，有着六个递进的关系层次，这六个递进层次不仅可以用来刻画脑的认知逻辑，同样也可以用来刻画企业、团体、国家乃至社会等复杂主体的关系演绎。
这是一个需不断吸食信息的六阶张量系统
当把这套模型套用在企业之上时，就可以用来更好的对照企业的成长历程，并从中剖析出企业发展当中所存在的问题，以及必要的改进举措。当用上图的逻辑来反思企业的运营时，可以给我们很多启示：
- 传统企业的特点是，生产模式、业务模式、经营模式在较长时间内是固定的，而互联网科技企业的业务模式则呈现出更为快速的迭代。业务模式就对应着上图中的程式和系统，业务模式能否适应于环境，能否在更宽广的时空中生存下去，是存在不确定性的，而在大量信息的灌输下，进行快速的迭代能够减少这种不确定性，从而把握主动权。
- 消费互联网的核心在于准确把握用户需求。迄今为止，学术界对“需求”这一概念的理解是有巨大偏差的，这种偏差也引发了企业界诸多的困惑。实际上，需求有四个基本要素，8种迁移学习模式，16种交互嵌套样式，32种矛盾纠缠表现，深入理解需求的这些属性，可以帮助企业更好的洞悉人性、洞悉社会圈子，从而更好的创造需求、开发需求、引导需求、扩大需求，进而掌控需求。
- 市场的不断扩张，同时也意味着主体性的不断延展。人对价值的分化处理有着较为明显的逻辑层次性，但是不断延展的企业或集团，在价值分化处理上面，其逻辑性可能要差得多。这种差距会很大程度上影响市场的融合创新，这是因为：当一线底层没有有效的内部和外部数据采集传入机制时，当集团没有有效的企业内外信息分层处理表征时（即多层次、多通道处理数据），同时没有基于信息进行针对性的试错迭代，并进行反向传播从而优化信息加工处理机制，那么企业将有可能浪费许多机会！
人的成熟，需要不断的吸收环境的信息，以及自身与环境信息同步交互信息，这个吸收过程需要二三十年，才能沉淀出个人基本的决策反思能力（对应第六层关系认知），而一个人要能够看透人情冷暖、认清社会现实、把握济身处世之道，则需要终身学习历练。
产业的融合创新，是一个非常高端的智力生产活动，它不仅需要一种高维的信息加工处理能力，同时还要以宽广的作业尺度来作为支撑，从这个标准上来看，传统行业、垂直领域、地区企业是很难做到这一点的。只有那些具备平台承载能力、具备跨行业协同能力、具备多层级价值链华育能力的企业，才具备实践融合创新的基础条件。这是因为，企业的成长历练同个人的成长历练一样，经历越多，也就愈成熟。跨平台、跨行业的产业协同，因为其涉及的价值链条信息庞大，也能成为探知社会形势异变的关系触角，这种高度复杂的信息交互，能够推动企业不断深入洞悉市场，也能够成为不断反思自身价值体系短板的参照。有了更为深入的价值认知，有了对自身结构相对于环境大势的深刻体察，才有了进一步改进自身、融合环境价值的有效方案。阿里巴巴集团学术委员会主席曾鸣曾讲过，每过一段时间，就会分析产业链上会生长出一些怎样的新东西出来，然后看看能不能抓住和引导这些新的链条。这给我们的启示是，底层平台的试错式创新，是沉淀出更高维度价值的必经之路。
生命遗传的最小单位是细胞，它是生命进化的基核，这个基核当中储存着生命发展形态和可持续寿命的DNA密码。对于产业的融合创新来说，其发力的关键在于基核的成熟，这个成熟的标记在于：是否有一套动态管理体系，使得主体内部即具有高度灵活的自适应性（而不是一种僵化或价值内耗），同时又有高效且合宜的多层调节反馈机制，来引导把握这种自适应性不断逼近环境大势的上限（或是企业规划愿景的上限）。
融合创新，其最关键的不一定是进行高层设计，更为重要的是，是基于现有的市场生态，建立一套有效的价值管理体系，既能够历练底层，还能够影响环境和改造自身。
