大数据、远程自主系统和半自主系统的发展对计算能力和能效提出了更高要求,但集成电路芯片的性能将接近理论极限,使得基于冯·诺依曼结构的计算技术己无法满足需求;另外,深度学习方法虽在大规模图像分类、语音识别、人脸识别等领域取得惊人的进步,但深度网络模型与人类大脑相类比,存在巨大的局限性,深度网络只有"前馈"连接,缺乏逻辑推理和因果关系的表达能力、缺乏短时记忆和无监督学习能力,很难处理具有复杂时空关联性的任务。这些问题促使我们去寻求新的计算模式。而人类大脑有着自学习、联想、记忆和推理等功能,这些功能与其结构存在着对应关系,并且大脑的神经网络系统具有反馈机制,如视觉的"选择性注意"就来自于从高级"控制"脑区到初级视觉脑区的反馈信号。类脑计算就是受上述脑功能和脑神经网络连接机制启发的一种计算架构,它以神经形态计算的模式来部分模拟大脑功能与其结构的对应关系和反馈连接,增强人工智能及其计算效率,而不是复制人类的大脑或简单地建造一种模拟神经元功能的芯片。本报告围绕类脑计算(受脑启发的计算)的基本问题,结合作者研究团队的研究工作,介绍用于视觉认知信息处理和联想记忆模式识别的受脑启发的计算方法;讨论如何利用复杂的时空动态演化的网络系统来突破传统基于符号和概率的知识表达的局限性,实现用可塑的、动态的非线性关系网络来代替传统的基于定量数值的计算方法;以及可用于大规模神经网络计算的片上众核通信互联架构与软件支持环境的研究。类脑计算是一场令人兴奋又感到望而生畏的艰难挑战,它的探索和形成需要严谨的理论、恰当的模型和深度的大脑数据分析,仅凭直觉我们无法做到对复杂、非线性的大脑功能有更深入的理解,也不可能真正实现面向实际问题求解的类脑计算。