淺談類腦智能 | 頂尖大學中的5個極具潛力的AI項目

2016年，AlphaGo和韓國九段棋手李世石的人機大戰，使人工智慧被大眾所熟知，人工智慧的產品（圖1）早已潛移默化地影響著我們的生活，如智能家居掃地機器人自動在房間內完成地板清理工作，甚至可以去指定地方充電；中國快遞公司的「小橙人」能夠全自動分揀包裹並在地面上靈活穿行，將包裹準確運送到指定位置……儘管人工智慧給現代生活帶來了便捷，但目前的技術面對模糊思考時顯得力不從心。智能機器人的「智商」到底是令人擔憂到什麼地步呢？日本福島核電站發生泄漏後，本被寄予厚望的機器人並沒有順利完成災後事故處理任務，大量人力還需要被投入到此類高風險工作中。此外，現今火爆的無人駕駛概念模型僅僅完成了在某些場景較為單一的高速路段測試，如想實現無人車在複雜、人口密集的城市中進行自動駕駛這一設想仍然有漫長的路要走。

圖1 人工智慧產品

為了突破這些瓶頸，進階版智能技術革命——「類腦智能」來臨了。科學家們開始向自己的大腦學習，認定高度智能化構想的實現可以從腦科學中獲得啟發。類腦智能又稱為類腦計算，上世紀80年代末，美國科學家Carver Mead首次提出類腦計算的概念。類腦計算這一想法擺脫了傳統的計算模式，模仿人類神經系統的工作原理，渴求開發出快速、可靠、低耗的運算技術。類腦智能是人工智慧的終極目標，但研究類腦智能不可能複製人的大腦。類腦智能希望通過研究人類大腦的工作機理並模擬出一個和人類一樣具有思考、學習能力的機器人。很多人提出質疑：像人腦一樣「聰明」的機器人？簡直是天方夜譚！科學家們在類腦智能領域面臨著很多難題：1.視覺感知難。機器人的眼睛常常依賴於機載的攝像機來採集視覺圖像。機器人大腦如何從圖像中識別關鍵信息呢？如人臉、手勢或障礙物。在常規環境下，現有技術已可以高精度地實現這一任務。但自然條件下，視覺圖像由於光線、視角、物體運動等多類不穩定因素的綜合影響很難被準確識別。儘管一系列性能優異的深度學習理論模型大量湧現，但複雜環境中的視覺感知依然是一大難點，目前突破有限。2.溝通交流難。機器人怎樣與人對話呢？機器人依靠感測器收集外界聲音信號，通過語音識別系統和相關處理技術將信號進行分析解讀。機器人「聽懂」後，其「中樞系統」會做出相應的動作指示或通過語音合成器模擬人類說話。在嘈雜的現實環境中，現有的語音識別技術很難成功而高效地實現語音識別、理解和處理操作。3.大腦思考難。機器人的「大腦」是一個智能終端，負責著繁雜的計算任務以及信號接收、指令下達等重要功能。同人類一樣，機器人沒有「大腦」或者「大腦」不太靈光都使得行為遲緩，甚至整個機體「癱瘓」。隨著機器人應用範圍的不斷擴充，「大腦」容量、思維速度等都有更高要求。目前科學家們嘗試著將雲計算、雲存儲等先進技術引入到機器人後台上，努力讓機器人「大腦」向著信息更豐富、運算更快、反應更準確、學習更靈活的方向邁進。4.穩定行走難。區別於機械臂等固定作業的機器人，類腦智能機器人的應用一定是個動態過程，換句話說，機器人要有一條堅固、靈活的「腿」。機器人的「腿」不在於長短、粗細，更關注的是其穩定性、自由性。受到生物學啟發，科學家們嘗試著將人類腿部膝關節彎曲伸展的工作機制移植到機器人上，以此來看，雙足機器人（圖2）將有望跨越台階，行走在山地、災後等地形複雜的環境中，將人力從高危行業中解救。此外，另一類能移動的機器人——輪式機器人雖然不要求造出實體「腿」，但其必須具有一對隱形、靈活的「腿」，需要學會自主認路、自主避障、完成動態優化行走路徑等一系列高難度任務。

圖2 雙足行走機器人藍圖

以上列舉的難點僅僅是類腦智能探索道路上的少數障礙物，真正實現的一天還距離我們十分遙遠。近年來，世界各國都相繼對這一領域投入了大量精力研究。2013年6月，美國公布了「推進創新神經技術腦研究計劃」（簡稱「BRAIN」），旨在探索人腦構造、理解人腦工作原理。而在同年初，歐盟委員會也宣布「人腦工程」（簡稱「HBP」），主要任務是通過模型方式再現人腦工作；2014年9月，日本啟動了大腦研究計劃。2016年，中國全面啟動了腦科學計劃。該計劃主要有兩個研究方向：傾向於醫學的大腦揭秘、腦部病變研究，以及類腦智能的技術開發。目前我國已取得了一些喜人的成績，如復旦大學開發出一種能夠「望、聞、問、切」的中醫機器人（圖3）——「中醫一號」；百度公司研發的智能圍棋系統Bingo，在大規模實戰中戰勝了兩名業餘5段棋手；國防科技大學利用人腦電波指揮機器人行動（圖4），可以說這類「腦控機器人」從一定程度上實現了我們在科幻大片中常見的用人腦直接控制機器人的震撼場景。

此外，兩個類腦智能研究依賴的方法技術，其一是深度學習技術。該項技術通過把海量與任務相關的數據直接投放到模型中，依據人腦思維模式而建立的系統就會自動利用這些數據不斷學習，豐富自我認識。這種近乎「黑盒子」一樣的計算方式較好地再現了人類大腦的「歸納」、「推測」過程，在圖像識別、分類方面有著極為優異的表現。但正如前文所提到的，深度學習技術在真正處理現實圖像、信號方面依然需要不斷改進。深度學習技術致力於使機器人具有自我學習能力，另一個技術熱點——強化學習的主要目的是幫助機器人形成從環境到行為映射的學習，在機器人智能控制等領域有許多應用。強化學習這種訓練方法不是告訴系統如何產生正確的動作，而是通過評價產生動作的好壞來不斷改進運動方案，進而幫助機器人找到環境中的最優行動路徑（圖5）。

圖5 強化學習工作原理

類腦智能技術充分學習人腦的思維模式，從仿生角度努力尋求人工智慧的突破。這一熱門學科前景誘人，應用範圍廣闊。科學家們曾預言一個國家類腦智能的發展水平將極大程度影響該國在軍事、工業等眾多行業的發展，因此類腦智能技術的發展顯得尤為重要與急迫。同時，我們也承認，這條探索之路道阻且長，荊棘密布，眾多難題還在等著我們一一擊破。可我們不應該迎難而上嗎？畢竟我們曾經向鳥學習發明了飛機，向魚學習發明了潛艇，如今向自己學習又有什麼好膽怯的呢？

頂尖大學中的5個極具潛力的AI項目

來源：DATACONOMY

作者：Bove Beardsley

編譯：智能觀

人工智慧是技術發展中最令人興奮的領域之一。

許多世界頂尖大學也參與了一些非常有趣和有意義的人工智慧項目。這些項目涵蓋了相當廣泛的主題和目標，並在領域內取得了令人矚目的進展。

從華盛頓大學、卡內基梅隆大學、哈佛大學到牛津大學，各個大學都把他們優秀又聰明的人才投向了一些非常有趣的人工智慧項目。在世界各地的大學裡，誕生了許多奇思妙想，今天我們要說的就是5個特別有意思的項目。

1. 眾包工作流的決策理論控制

（華盛頓大學的保羅·G·艾倫學院）

保羅·G·艾倫計算機科學與工程學院誕生了各種各樣有趣的人工智慧項目。眾包工作流的決策理論控制就是其中之一，它著眼於眾包工作背後的決策過程，並將其自動化。

眾包的工作流程由公司通過亞馬遜的mechanical turk等服務來運營。公司將小塊項目通過網路分配給個人，每個人都具有檢查其他人工作的功能，最終合作完成一個項目。這種方法讓許多不同的人參與其中。然而，使用這種方法的公司，可能面臨著完成項目比較困難，也比較耗時的問題。

因為參與者很多，一個眾包項目的許多環節都是動態變化的，所以要使web端的參與者以一種有效的方式來共同完成整體項目是很有挑戰性的。因此，該學校的目標是開發一種人工智慧，可以自行委託這些任務。這將是該領域的一項重大創新。

2. 4CAPS

（卡內基梅隆大學）

4CAPS（Call Attempts Per Second）是由卡內基梅隆大學開發的一個項目。 這是一種能夠考慮傳統行為數據以及神經成像研究結果的認知架構。由於結合了環境中的連接和符號機制，屬於一種混合架構，是一種高級認知架構。 它是1982年開發的原始CAPS架構的升級版。

3. ARIES

（孟菲斯大學智能系統研究所）

ARIES（Algorithms for Recovery and Isolation Exploiting Semantics）是一個令人興奮的教育相關項目，由孟菲斯大學智能系統研究所開發。它是一個教育環境，兩個動畫教學代理人與人類學生就各種科學科目問題進行對話。

這個項目的目的是通過與學生的交流，幫助他們了解科學課更多的內容。此外，它還把電子教科書的內容放在了遊戲的環境中。這可能是教育領域特別振奮人心的項目之一。

4. IARPA大腦研究

（哈佛大學）

哈佛大學正在研究如何讓人工智慧像人腦一樣，更高效地思考。他們從IARPA獲得了2800萬美元的資金來研究這個問題。

這項研究的總體目標是了解人工智慧如何提高效率，像人類大腦一樣（人腦不需要像人工智慧那樣花費大量的時間處理問題）。這項研究將會完美地把人工智慧的好處與人腦的功能、效率相結合，提升人工智慧處理大量數據的能力。

5. 谷歌DeepMind

（牛津大學）

谷歌聘用了牛津大學的一些頂級研究人員，讓他們與DeepMind團隊合作，該團隊專註於人工智慧項目。他們將一起致力於圖像識別和自然語言處理領域。這是牛津和DeepMind之間廣泛合作中的一部分，有很多值得期待的潛力。

總的來說，世界各地的大學正在進行大量令人興奮的人工智慧項目。從前景可觀的教育工具開發到對人工智慧規劃項目的深入研究，大學團體正在研究許多不同的項目，這些項目有可能極大地影響和改善與其相關的領域。