人类的大脑只有不足1.4千克，功率只有20瓦，几乎不足以点亮一个昏暗的灯泡。然而，我们大脑却是从头建造文明，探索恒星，思考我们存在开始。相比之下，运行在20000瓦的超级计算机IBM的沃森(Watson)在计算和处理方面可以超越人类。但仍然不能与人类的智慧匹敌。
解决智力问题的社会将引领未来，最近的进展表明我们如何抓住这个机会。
把人类的智慧想象成摩天大楼。这个结构不是用桁架和混凝土建造的，而是用算法或一系列相互作用的规则来建立的，这些规则处理信息，层层叠叠，互相交流，就像建筑物的楼层一样。
街上的地板代表着人类有意识地接触到的智能层，就像逻辑推理一样。这些层次激发了20世纪50年代对人工智能的追求。但是最重要的层面是在地下室和地基中没有看到的许多楼层。这些是日常智能的算法，每当我们认识到我们认识的某个人，在拥挤的聚会中收听一个单一的声音，或通过玩玩具作为婴儿学习物理规则时，它们就在工作。虽然这些潜意识的层次如此嵌入我们的生物学中，他们经常被忽视，没有它们，整个智力结构就崩溃了。
作为一名以工程师为本的神经科学家，我研究了这些基础层之一的大脑算法 - 视觉感知，或者你的大脑如何用视觉来解释你的周围环境。我的领域最近经历了显着的突破。
几十年来，工程师们为机器视觉建立了许多算法，但是这些算法都远远不能满足人们的需求。同时，像我这样的认知科学家和神经科学家积累了大量的描述大脑如何处理视觉信息的测量。他们描述了神经元(大脑的基本构件)，发现许多神经元被安排在特定类型的多层“深层”网络中，并测量神经网络内部的神经元如何对周围的图像做出反应。他们描述了人类如何快速准确地对这些图像做出反应，并提出了神经网络如何从经验中学习的数学模型。然而，这些方法本身并没有揭示大脑的智能视觉感知算法。
当研究人员使用科学与工程相结合的时候，关键的突破就来了。具体而言，一些研究人员开始从类脑，多层次，人工神经网络构建算法，以便像神经科学家在大脑中测量的神经反应一样。他们还使用科学家提出的数学模型来教授这些深度神经网络来执行人类被发现特别擅长的视觉任务，如从许多角度来识别物体。
这种组合的方法在2012年飙升至突出水平，当时计算机硬件已经足够先进，工程师可以建立这些网络，并使用数百万的视觉图像来教导他们。值得注意的是，这些类似大脑的人工神经网络突然在多个领域媲美人类的视觉能力，结果，像自驾车这样的概念并不像以前那样遥不可及。使用受大脑启发的算法，工程师提高了自驾车的安全和有效处理环境的能力。同样，Facebook使用这些视觉识别算法来识别和标记照片中的朋友，甚至比你能更快。
这场深刻的学习革命，开创了人工智能的新纪元。它将面孔，物体和语言的识别，自动化语言翻译，自动驾驶等技术完全重塑。我们物种的技术能力在短短几年内就发生了革命性的变化 - 眨眼间就是人类文明的时代。
但这只是一个开始。深度学习算法是由对人类智能的一个层面的新理解 - 视觉感知产生的。深入理解其他智能算法层次，可以达到什么目的是没有限制的。
当我们渴望达到这个目标时，我们应该听取工程师和科学家在狭隘的环境下所取得的进步的教训。这是工程与科学融合的结果。因为许多可能的算法可能解释一层单一的人类智能，工程师正在大海捞针中寻找谚语。然而，当工程师们利用大脑和认知科学的发现和测量指导他们的算法建立和测试工作时，我们得到了一个寒武纪的AI。
这种从功能系统的测量结果向工程师模型的工作方式称为逆向工程。发现人脑在工程师的语言中是如何工作的，不仅会导致人工智能的变化，而且还会为帮助那些失明，失聪，自闭症，精神分裂症或有学习障碍或与年龄相关的记忆丧失的人们提供新的方法。有了大脑的工程描述，科学家们将看到新的方法来修复，教育和增强我们自己的想法。
比赛正在进行，看看逆向工程是否会继续提供一个更快，更安全的路线，而不是传统的，所谓的前瞻性工程，忽略了大脑。这场比赛的胜利者将带领未来的经济，国家有可能抓住这个机会。但是要做到这一点，需要政府、慈善机构和行业的重大新的财政承诺，致力于支持新颖的科学家和工程师团队。此外，大学还必须建立新的产学合作模式。学校将需要训练大脑和认知科学家进行工程和计算，培训大脑和认知科学的工程师，并维护奖励这种团队合作的职业发展机制。推进人工智能，逆向工程的大脑是前进的方向。
