类脑计算_黄铁军
高中信息技术浙教版：21类脑计算教学设计
-自我评价：引导学生进行自我反思，总结学习过程中的优点和不足，促进自身成长。
4.教学资源：
-整合网络资源，为学生提供丰富的学习资料和实践案例。
-利用校园实验室、图书馆等资源，为学生创造实践操作和研究的条件。
（三）情感态度与价值观
1.培养学生对脑计算技术的兴趣，激发他们探索未知、勇于创新的科学精神。
2.强调脑计算技术在服务社会、改善民生等方面的重要作用，提高学生的社会责任感和使命感。
3.通过团队合作、讨论交流等形式，培养学生的团队协作精神和沟通能力，使他们学会尊重他人、倾听意见、共同成长。
4.倡导严谨求实的学术态度，让学生认识到脑计算技术的研究和应用需要遵循科学规律，树立正确的价值观。
高中信息技术浙教版：21类脑计算教学设计
一、教学目标
（一）知识与技能
1.理解脑计算的概念及其在信息技术领域中的应用。学生能够掌握脑计算的基本原理，了解人脑神经元结构与功能，以及脑计算与人工智能的关联。
2.学习21类脑计算方法，包括神经网络、深度学习、模糊逻辑等，并了解各类方法在实际应用中的优势与局限。
-运用任务驱动法，设计具有挑战性和实践性的任务，培养学生的动手能力和创新精神。
-开展小组合作学习，培养学生的团队协作能力和沟通能力。
2.教学过程：
-导入：通过介绍脑计算在生活中的应用实例，引起学生的兴趣，为新课学习做好铺垫。
-新课内容：讲解脑计算的基本原理、方法及其应用，结合实例进行分析，帮助学生深入理解。
3.能够结合具体案例，分析脑计算技术在现实生活中的应用，并提出改进和优化方案。
4.培养学生的团队协作、沟通表达及创新能力。
类脑神经形态计算定义
类脑神经形态计算定义⼀、引⾔随着科技的⻜速发展，⼈⼯智能（AI）已经成为当今世界的重要议题。
在AI的研究中，模拟⼈脑的神经⽹络⼀直是研究的重要⽅向之⼀。
这种模拟⼈脑神经⽹络的计算⽅式，被称为类脑神经形态计算。
它以⼈类⼤脑的结构和功能为基础，尝试模仿⼤脑的神经元连接和信息处理⽅式，从⽽实现更加⾼效、节能的信息处理。
⼆、类脑神经形态计算的定义类脑神经形态计算，⼜称神经形态计算，是⼀种模拟⽣物神经⽹络的计算⽅式。
它通过模仿⼤脑中神经元的连接和信息处理⽅式，构建出⼀种新型的计算模型。
这种计算模型不仅具有⾼效的信息处理能⼒，⽽且功耗低，可以⼴泛应⽤于物联⽹、智能制造、智能家居等领域。
三、类脑神经形态计算的原理类脑神经形态计算的原理主要基于⼤脑的神经元结构和信息处理机制。
⾸先，⼤脑中的神经元通过复杂的连接⽹络相互传递信息。
这些连接不仅数量庞⼤，⽽且具有⾼度的可塑性，使得⼤脑能够进⾏复杂的信息处理和记忆存储。
其次，神经元之间的信息传递并⾮传统的⼆进制⽅式，⽽是通过脉冲信号传递，这种⽅式更加接近⾃然界的信号传递⽅式，能够实现更加⾼效的信息处理。
四、类脑神经形态计算的应⽤由于类脑神经形态计算具有⾼效、节能的优点，它已经在许多领域得到了应⽤。
⾸先，在物联⽹领域，由于物联⽹设备通常具有功耗限制，因此需要低功耗的计算⽅式。
类脑神经形态计算由于其低功耗的特性，已经被⼴泛应⽤于物联⽹设备的智能化控制。
其次，在智能制造领域，类脑神经形态计算也被应⽤于机器⼈的控制和⾃动化设备的监控。
此外，在智能家居领域，类脑神经形态计算也被⽤于智能⾳箱、智能照明等设备的控制和优化。
五、未来展望尽管类脑神经形态计算已经取得了⼀定的成果，但要实现真正的⼈⼯智能，还需要在多个⽅⾯进⾏深⼊研究。
⾸先，我们需要进⼀步研究⼤脑的神经元结构和信息处理机制，以实现更加接近⼈脑的信息处理⽅式。
其次，我们需要开发更加⾼效、稳定的硬件设备，以实现类脑神经形态计算的⼴泛应⽤。
超越人脑的“超级大脑”.
超越人脑的“超级大脑”黄铁军《中华读书报》（ 2015年01月07日 05 版）据说天才的达·芬奇生平总共解剖了30多具人类尸体，除了用以观察人体结构和了解人体功能外，他还试图从中找到人类的“灵魂”。
后世的科学家们没有停止努力，从阿兰·图灵到弗朗西斯·克里克，到冯·诺依曼，到蔡少棠，到亨利·马克拉姆……他们不停地尝试采用自然科学方法解决意识问题，制造出逼近乃至超越人脑的“超级大脑”。
人类能够制造出具有自主意识的“超级大脑”吗？这方面的哲学论辩已经持续上百年，再喋喋不休已经意义不大。
行胜于言，对这个问题最好的回答是制造出“超级大脑”。
六十多年来，计算机性能按照摩尔定律持续提升，新型微纳电子器件快速进步，越来越多的技术征象表明，仿照人类大脑结构和机理，制造出逼近乃至超越人脑的“超级大脑”，不仅在技术上是可能的，而且它的性能会远超人脑，还很有可能会涌现出自主意识。
认识“意识”意识问题是人类最根本的问题之一，自古以来众说纷纭，构成人类思想史上最亮丽的一道风景线。
翻开百年来诺贝尔生理学或医学奖成果，有关脑及神经功能的研究十分丰硕，但总体而言，我们对大脑的认识还处在“盲人摸象”阶段，对多数感知认知功能还是“只见树木，不见森林”、“知其然而不知所以然”，对“灵感”、“脑风暴”和“禅定”等系统性功能的认识还几乎是空白。
在采用自然科学方法解决意识问题的科学家中，弗朗西斯·克里克是最知名的一位，1953年他与詹姆斯·沃森共同发现了DNA双螺旋结构，1962获得诺贝尔奖，1976年开始研究意识问题，2003年在《自然·神经科学》发文提出意识不是先天就有，而是由大脑中“扣带前回”的一小组神经元产生和控制的，其中一个征象是这些神经元以伽马振荡（40赫兹左右）的形式同步发放。
然而，问题不仅仅是“意识是大脑的哪一部分产生的”，也不仅仅是“意识是神经系统以什么样的方式产生的”，而是“意识是如何产生的”？意识产生机理难以突破的根本原因在于大脑是一个从神经元到网络系统都高度非线性的复杂动力系统。
湖南省2024年高考语文模拟试卷及答案1
湖南省2024年高考语文模拟试卷及答案35分）现代文阅读Ⅰ；阅读下面的文字，完成小题。
材料一：人工智能（AI）是指在机器上实现类似乃至超越人类的感知、认知、行为等智能的系统。
人工智能分为强人工智能和弱人工智能。
强人工智能，也称通用人工智能，是指达到或超越人类水平的、能够自适应地应对外界环境挑战的、具有自我意识的人工智能。
弱人工智能，也称狭义人工智能，是指人工系统实现专用或特定技能的智能，如人脸识别、机器翻译等。
迄今为止大家熟悉的各种人工智能系统，都只实现了特定或专用的人类智能，属于弱人工智能系统。
弱人工智能可以在单项上挑战人类，比如下围棋，人类已经不是人工智能的对手了。
中国是世界上人工智能研发和产业规模最大的国家之一。
虽然我们在人工智能基础理论与算法、核心芯片与元器件、机器学习算法开源框架等方面起步较晚，但在国家人工智能优先发展策略、大数据规模、人工智能应用场景与产业规模、青年人才数量等方面具有优势。
中国的人工智能发展，挑战与机遇同在，机遇大于挑战。
尽管是后来者，但我们市场规模大，青年人多，奋斗精神强，长期来看更有优势。
我们可以预见，本世纪中叶前后人工智能可能会带来下一次工业革命，影响百年。
当然，现在人工智能技术的储备还远没有达到开启智能时代的量级，还需要持续积累和创新。
现在的计算机体系结构，还无法满足实现强人工智能的需求。
未来可能的突破方向包括人工智能基础理论与算法、类脑计算、生物计算、量子计算等。
人工智能把我们从简单重复的劳动中解放出来，更有利于人类充分挖掘自己的智能潜力。
面对即将到来的智能社会，我们应该以积极态度拥抱变化。
与其担忧工作被抢走，不如与机器“共勉”，机器尚在持续学习，我们人类难道不应该更加努力学习、终身学习吗？（摘编自高文、黄铁军《人工智能带领人类——从信息社会迈向智能社会》）材料二：近段时间，人工智能“续写”文学名著的现象受到舆论的广泛关注。
在人工智能的“作品”中，“林黛玉大战孙悟空”之类“脑洞大开”的情节纷纷亮相，大大超出了一般人的预料。
类脑智能计算模型及其应用研究
类脑智能计算模型及其应用研究第一章智能计算模型的发展历史人工智能有着悠久的历史，但在计算模型方面的探索较晚。
传统的计算模型，如冯·诺依曼结构计算机、图灵机、神经网络等，虽然在多领域发展中发挥了重要作用，但对于复杂、不确定性和非线性的问题，这些传统模型的计算能力却有限。
因此，以脑为模型的类脑智能计算模型应运而生，这种模型借鉴了宏大、互联、分布、并行、异步的脑特点，能够为智能决策提供更高效的计算途径。
第二章类脑计算模型的核心内容类脑计算模型的核心在于神经元和突触联结的计算结构。
类脑计算模型通过仿照人脑神经元和突触的运作方式，采用分布式存储和计算、自适应学习和优化、神经元激活和突触权值等方式，实现了高度并行、高容错、高灵活、高自适应的计算架构。
类脑计算模型在智能决策、模式识别、数据挖掘、信号处理等领域有着不可替代的优势。
第三章类脑智能计算模型的应用研究进展1.类脑智能计算在智能化制造上的应用类脑智能计算在智能化制造方面的应用是该领域的重要研究点之一。
传统制造业中存在着人工控制难度大、生产效率低下、产品质量难以保证等问题，而类脑智能计算模型可以通过分布式数据存储、云计算、深度学习、适应性优化等技术手段，实现智能化生产、精准质量控制、高效仓储管理等多元化生产环节的智能化。
2.类脑计算在医学影像分析上的应用医学影像分析方面的深度学习算法应用广泛，而类脑智能计算模型则可以对医学影像的自动分析以及影像辅助诊断方面做出更为精准的高效解决方案。
这种模型可以在影像医生对数据进行训练后，通过传递认知信息，引入批后诊断来实现在分割、病灶检测和医学图像分类方面等的精准诊断。
3.类脑计算在智能客服上的应用智能客服是当前最受欢迎的应用场景之一。
我们可以使用类脑智能计算模型为客户提供全面、个性化、全天候服务，并通过自适应机器学习、对话管理、语音识别和语音合成等技术手段，提高客户满意度和服务质量。
第四章类脑智能计算模型的未来发展和挑战类脑智能计算模型在智能化制造、医疗影像、智能客服等方面的应用中发挥了巨大的作用，但这种模型的发展还面临许多挑战。
《深入浅出Embedding 原理解析与应用实践》读书笔记思维导图
第11章 用 Embedding提升机
器学...
第12章 用 Tr a n s f o r m e r 实 现 英...
第13章 Embedding技术在 推荐系...
第15章 用GPT-2生 成文本
第14章 用BERT实 现中文语句分类
第16章 Embedding技术
总结
10.2 TensorFlow 2详细实...
《深入浅出 Embedding 原理解析
与应用实践》
最新版读书笔记，下载可以直接修改
思维导图PPT模板
本书关键字分析思维导图
系统
可视化
技术
实例
性能
原理
安装
小结
第章
应用 数据
训练
模型
使用
处理
方法
实践
推荐
学习
目录
01 第一部分 Embedding基础知 识
03 附录A 基于GPU的 Te n s o r F l o w. . .
04
7.4 可视 化GPT原 理
06
7.6 小结
05
7.5 GPT3简介
8.1 可视化XLNet 原理
8.2 ALBERT方法
8.3 ELECTRA方法 8.4 小结
9.1 推荐系统概述 9.2 协同过滤
9.3 深度学习在推荐 系统中的应用
9.4 小结
第二部分 Embedding应用实例
第10章 用 Embedding表现分
5.6 使用PyTorch 构 建 Tr a n s . . .
5.7 Reformer 5.8 小结
6.2 可视化ELMo原 理
6.1 从word2vec到 ELMo
类脑计算的特征
类脑计算的特征
类脑计算是一种模仿人脑结构和功能的计算模式，其特征主要包括：
1. 具备稀疏性：类脑计算在处理神经网络时，神经元与神经元之间的连接是稀疏的，即神经元的连接并非全连接，只有部分神经元之间存在连接。
这种稀疏性在类脑计算中可以有效地减少计算复杂度和能耗。
2. 具备时空相关性：类脑计算在处理信息时，会考虑信息的时间和空间相关性。
即类脑计算在处理当前的信息时会参考之前的信息，并利用这种时空相关性进行学习和决策。
3. 具备抗噪音能力：类脑计算在处理信息时，能够有效地抵抗外部噪音的干扰，保证信息的准确性和可靠性。
4. 具备近似计算能力：类脑计算在处理信息时，能够利用神经元之间的连接和权重进行近似计算，实现对复杂问题的低功耗、高效率的求解。
5. 具备学习能力：类脑计算能够根据环境的变化和学习经验，自适应地调整神经元之间的连接和权重，实现知识的自我更新和优化。
这种学习能力使得类脑计算在处理复杂问题和任务时具有更高的灵活性和适应性。
6. 具备并行计算能力：类脑计算可以利用神经元之间的并行连接和分布式处理方式，实现大规模并行计算和高效率的信息处理。
这种并行计算能力使得类脑计算在处理大规模数据和复杂任务时具有更高的计算效率和性能。
这些特征使得类脑计算在人工智能、模式识别、自然语言处理等领域具有广泛的应用前景。
类脑机：像人脑那样工作思考
类脑机：像人脑那样工作思考作者：科日来源：《科学大众（中学）》2020年第04期让机器像人脑一样工作——这不是幻想，已经有科学家走在实现它的路上。
2019年，英国曼彻斯特大学计算机科学学院“激活”了世界上最大的“大脑”——一台类脑超级计算机spiNNaker。
据曼彻斯特大学官网介绍，这台计算机拥有100万个处理器内核，每秒可进行200万亿次运算，处理信息的方式与人脑类似。
SpinNaker设计师、计算机工程教授史蒂夫·弗伯表示，该类脑超算“重构了传统计算机的工作方式”。
模拟生物大脑的信息处理方式“SpiNNaker之所以被称为类脑超级计算机，是因为它在模仿生物大脑处理信息的方式，而且处理速度和规模远超同类机型，但在体系结构上与传统意义的超级计算机有明显不同。
我更倾向于把这类模仿生物大腦的机器统称为‘类脑机’。
”北京大学计算机科学技术系主任黄铁军表示，超级计算机往往是指性能更高、规模更大的传统计算机，而类脑机则是指借鉴、模拟生物大脑神经系统结构和信息处理过程的智能机器，而非单纯进行计算任务的传统计算机。
美国加州科技大学校长秦志刚也持有相同观点。
“类脑机与传统计算机的工作方式不同。
”他表示，个人计算机往往只有1个中央处理器（CPU），该CPU功能强大，可处理多种任务，但在这种模式下，任务只能被接续处理，即处理完一个，才能处理下一个。
但类脑机的原型——生物大脑的工作方式并非如此。
据统计，人的大脑中约有1000亿个神经元，这些神经元是人脑神经系统最基本的结构和功能单位。
每个神经元均可被看成是一个简化版CPU，其计算功能虽比不上计算机的CPU，但胜在数量多，且每个神经元均可独立完成任务。
简而言之，可以把大脑看成是由多个同时运转的CPU组成的机器，其具有高效的多任务信息处理能力。
常规超级计算机虽也有大量CPU，但是这些CPU只能进行简单并行工作。
相比之下，生物神经元相互连接形成的网络结构要复杂得多。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
瑞士士蓝脑计划 Blue Brain Project
• 2005年启动“蓝脑计划”，瑞士士政府 支支持EPFL（联邦理工工学院洛 桑)Henry Markram教授研究组整合 从分子子到智能行行为的多层次的认识 和数据，在IBM Blue Gene超级计 算机上构建仿真大大脑 • 2009年，在峰值56T flops的Blue Gene上，构造出出生生两周大大鼠鼠的新 皮皮质柱模型，包括1万个神经元和数 千万个突触连接。模型大大脑出现了γ 振荡现象（~40hz信息整合现象）
19
谢谢！
tjhuang@
人类大脑——产生意识的物质
• 物质意义上的大大脑
– ~1.3升，~1.5公斤斤，占体重2% – 功耗~20W，占全身身20%
• 宇宙间已知最复杂的结构，自自然进化而而来
– 神经元数约100B （~86B，from NIH） – 1~2M个功能柱（6层），每柱数万个神经元 – 每个神经元通过1000-‐10000突触与其他神经元相联，人人 脑突触总数超过100T – 神经元典型发放频率 数十十Hz
8
Hodgkin-‐Huxley方方程 (1963年诺⻉贝尔奖)
动力力系统-‐非非线性-‐离子子通道 数值解-‐时间步⻓长问题
10
计算神经科学 Computational Neuroscience
18
实现智能
类脑计算机
1. 结构层次：模仿脑
• 大大脑是亿万年进化的产物，其物质结构与功能可以认识模拟 • 意识解析还需要较⻓长时间，但不必达到这个⺫目目标后再模仿脑 • 通过仿真大大脑的系统结构和单元功能，实现大大脑的智能功 能，甚至至涌现出自自主意识
2. 器件层次：逼近脑
第二二部分 人人脑
第八八章 神经元功能简述 第九章 神经脉冲的本质 第十十章 刺激的判据 第十十一一章 神经系统内的记忆问题 第十十二二章 神经系统的数字部分和模拟部分 第十十三章 代码及其在机器功能的控制中之作用用 第十十四章 神经系统的逻辑结构 第十十五章 使用用的记数系统之本质：它不是数字的而而是统计的 第十十六章 人人脑的语言言不是数学的语言言
认知科学
26
Why vs. What
• ⻜飞机为什么会⻜飞？ • 为什么糨糊能粘？ • 爱情是怎么回事？ • 思维？智能？意识？ 造⻜飞机！ 捣糨糊！ 谈恋爱！ 类脑计算！
27
人类大脑：物质产生意识
• 物质意义上的大大脑
– ~1.3升，~1.5公斤斤，占体重2% – 功耗~20W，占全身身20%
25
“脑认知与类脑计算”任务规划
3类典型智能 算法层次 “超越脑”
类脑智能
视听感知
自主学习
自然会话
类脑处理器
机器学习 处理器
2款核心芯片 器件层次 “逼近脑”
类脑计算机研制
神经形态 器件平台 类脑计算机 系统平台
4类支撑平台
理论基础研究
大脑解析 仿真平台
认知功能 模拟平台
结构层次 “模仿脑”
神经科学
11
计算神经科学：研究内容
1 单神经元建模（Single-neuron modeling） 2 连接发育、模式形成与导引（Development, axonal patterning, and guidance） 3 感官信息处理（Sensory processing） 4 记忆和突触可塑性（Memory and ynaptic plasticity） 5 ⺴网网络行行为（Behaviors of networks） 6 认知，辨别和学习（Cognition, discrimination, and learning） 7 意识（Consciousness） 8 计算临床神经科学（Computational clinical neuroscience）
• Noam Chomsky：提出了关于语言言理论的论文文 • George. A. Miller：短时记忆 • Newell & Simon：通用用问题解决者
• Dartmouth会议，人人工工智能学科方方向诞生生
• Noam Chomsky，John McCarthy, Marvin Minsky, Allen Newell, Herbert Simon, George A. Miller出席会议
16
北京“脑认知与类脑计算”
类 视听感知 脑 智 能 自然会话 自主学习
类脑计算机 系统平台 大脑解析 仿真平台 类脑 处理器 神经形态 器件平台 机器学习 处理器 半导体 工艺器件 认知功能 模拟平台
神经科学
认知科学
17
历史十十字路口口，学科干广广阔天地
经典计算机 器件 体系结构 基础软件 应用用软件 典型应用用 晶体管 冯诺依曼 操作系统 数据库 数据结构+ （人人工工）算法 计算，逻辑 精确信息处理 人人工工智能 （认知科学） 类脑计算机 神经形态器件 （神经元，突触） 大大脑神经⺴网网络结构 结构配置与管理 系统动力力学行行为管理 (大大)数据+ 训练(自自学习) 视听感知 自自主学习 智能交互 类脑智能 （神经科学）
12
计算神经科学 vs. 类脑计算
• 计算神经科学： • 理论神经科学的一一部分，通过建模和仿真的方方法提 出和检验神经科学理论和假说，服务于神经科学 • 类脑计算 • 以实验神经科学的知识为基础，构建新的计算系 统，包括神经形态器件、神经处理器、类脑计算模 型以及软硬件系统 • 两者的⺫目目标都是智能/意识，前者⺫目目的是“理解智能”， 后者⺫目目的是“制造智能” • 两者的中心心问题都是信息的表示示和处理
计算机学科发展建议： 类脑计算
黄铁军
北京大学信息科学技术学院 计算机科学技术系 2015年11月6日,浙江大学
1
人人类智能 vs. 人人工工智能
技术圣杯 自自我/想象/创造 意识
？
计算/逻辑/记忆
计
算
问答/视听/学习
？
问答/视听/学习 计算/逻辑/记忆 算 法
？
人人类大大脑 自自然进化
22
23
计算XX学
•计算数学（计算几几何学…） •计算物理（计算力力学，计算动力力学，计算电磁学…） •计算化学（计算材料学…） •计算生生物学（计算神经科学…） •计算语言言学 •计算摄影学 •…… •计算地理学 •计算心心理学（计算认知科学…） •计算社会学 •计算金金融学 •计算传播学 •计算干广广告学 •计算形而而上学（Computational Metaphysics） •……
• 一一种信息处理装置，创造了人人类社会的一一切事 物、科技、文文化......
21
图灵的思想 1950
• Alan Turing “Computing Machinery and Intelligence”, Mind, 59:433 – 460, 1950 • 图灵晚期认为： – 可计算的范围远远超过了能被指令明确包含的范围，足足 以包含人人脑能做的事，不管它是多么具有创造性。足足够 复杂的机器，将具有产生生未被明确编程的行行为。建造大大 脑是可能的！ – 无无法制造替你思考的机器，这是通常人人们会毫无无疑义接 受的老老生生常谈。我的观点是：与人人脑的活动方方式极为相 似的机器是可以制造出来的。
4
分子子生生物学
认知科学
米米
神经细胞
人人体 大大脑
厘米米
脑区
毫米米 功能模拟（机理，Brain-Inspired ）
动力力学系统 解析仿真
计算神经科学（理论神经科学）
脑功能区
神经回路
微环路 细胞 突触
（结构，Brain-Like）
微米米
脑器官
染色色体 蛋白白质
(实验)神经科学
纳米米
回望1956
• 1956~ • MIT会议，认知科学诞生生
• 功能主义范式：认知（心心理）—人人工工智能（计算） • ~2016： • 结构主义：神经科学—类脑计算 • 通过大大脑仿真理解智能 — 通过类脑计算产生生智能
6
经典计算机vs.类脑计算机
视 听
数学，电子子……
生生命，信息……
计算神经科学1980s 类脑计算2000s 深度学习2006~ ……
G. Boole
科学圣杯 计算机 数理 开关 逻辑 电路
2
类
脑
科学 技术？
技术圣杯 智能（功能） 千年？
类脑智能
理论
How?
意识（现象） 百年？ 科学圣杯
认知科学/心心理学
机理
Why? 湍流的机理还没突破 意识的机理怎么突破？
生生理（物质） 十十年？
脑科学/神经科学
What? 希格斯玻色色子子可以发现 有机大大分子子也可以认识
3
技术 科学
类脑智能
理论
理解意识
实验
科学圣杯
类脑智能
技术圣杯
认知科学与心心理学
机理
涌现
脑科学与神经科学 反向工工程 复制脑（人人造大大脑）
• Computational neuroscience (即theoretical neuroscience) • the study of brain function in terms of the information processing properties of the structures that make up the nervous system • 计算神经科学（理论神经科学）：根据神经系统这一一结 构的信息处理特性来研究大大脑功能 • 名称： • Eric L. Schwartz1985年在一一次会议上，为了概括neural modeling, brain theory和neural networks等名称而而提出 • 第一一位博士士毕业生生：1985 • CalTech Computational & Neural Systems Ph.D. program