1. 类脑计算背景介绍

《终极算法》一书提到机器学习的五个学派，分别是连接学派、符号学派、进化学派、贝叶斯学派和类推学派。不同学派各有所长，但其终极挑战却是一致的，即设计一个能够统一解决各学派所面向的问题的“终极算法”。

对于类脑计算，即模仿大脑运行机制的机器学习算法，其主要方向聚焦在连接学派和进化学派上。前者将全局的误差逐层向后传播，其典型算法包括反向传播算法及尖峰神经网络（spiking neural network，SNN）。后者则是通过局部神经元间的竞争，增强相关性高的神经元间的连接，常用于特征提取和记忆等相关任务。尽管基于局部相关性的学习方法能耗及延时均较低，但它在常见数据集上的表现不及当前最佳结果。

三因素学习法则和元学习尝试融合两种方向。其中三因素学习法则通过改变神经元的连接因素（包括突触前后的活动以及自上而下调控的神经递质），以全局的预测误差指导局部权重的调整。元学习则通过持续的学习来提升模型的学习能力，其神经学解释是将神经递质视为一种权重共享机制（通过超参数优化的方式）。元学习仅关注如何提高单个全局模型的学习能力，而对局部神经的可塑性予以忽略。