今年8月，一辆来自清华的无人驾驶自行车登上了Nature的封面。这是中国的人工智能芯片首次登上Nature，在全球引发热议。
这辆自行车不仅可以平衡自身，还可以绕过障碍物，甚至可以响应简单的声音命令。
论文的通讯作者、清华大学精密仪器系教授、类脑计算中心主任施路平教授表示，虽然这还是非常初步的一个研究，但或许能够推动通用人工智能（AGI）计算平台的进一步发展。
时隔三个月，在昨天“2019腾讯科学WE大会”上，施路平教授针对这篇论文进行了压轴演讲，讲述了这一研究背后的故事，并且告诉我们，发展类脑计算和人工智能通用体的时机到了！
类脑计算，即借鉴脑科学的基本原理，面向人工通用智能，基于神经形态工程发展的新技术，为什么我们要发展这样一个技术？现在我们生活在一个万物互联的数码宇宙，这个宇宙成长很快，信息每两年翻一番，整个“宇宙”迅速膨胀，而且从不退步。
这样一个宇宙是基于现在的计算机架构，而计算机架构基于冯诺伊曼架构，冯诺伊曼架构是我个人认为人类发展的最简洁漂亮、对人类影响最大的架构。它的特点是计算、存储分立，计算、存储通过总线来回调度会耗费很多能量，耽误时间且速度慢，容易形成堵塞，所以造成了带宽发展的瓶颈。
2017年计算机图灵奖的两名得主David Patterson和John L Hennessy，最近发表文章称未来十年是计算架构发展的黄金十年。 我们过去使用计算机做计算，现在我们使用它处理信息，而数码宇宙，每两年翻一番，能耗无法承受，还有我们现在生活在人工智能时代，人工智能取得很大的成绩，但是尽管AlphaGo可以战胜世界冠军，但我们仍有很多瓶颈。
简单的说，我们必须满足5个条件：充足的数据、确定性问题、完备的知识、静态的环境、单一的系统。举个例子，如果我们让一个智能机器人从这里出去，如果不进行事先编程，他是做不到的，为什么？因为人用了几年的时间建立起这些概念：“在哪里”，“怎么出去”，“走门还是窗”，这些都与我们的通用智能有关，所以我们要发展一个人工通用智能。
我们原来碰到过，一个动态的，很多系统交互在一起但仍能够处理，这是我们希望的人工通用智能，要发展人工通用智能，必须向脑学习 。因为据我所知，脑是整个宇宙目前唯一一个通用智能体 ，我们把脑和电脑相比较发现，“电脑强的人不强，电脑不强的人强”。我们看过最强大脑，那些我们叹为观止的，令我们非常羡慕的选手的能力，其实对计算机来讲是小儿科，我们发现两个系统其实原理不同，但是互补的。 所以借鉴脑科学的基本原理，改造现在的计算机系统，发展类脑计算，是发展通用人工智能一个非常重要的部分，因为这是它计算的基石。
发展通用人工智能，不是一个新的想法，过去很多获得图灵奖的科学家写过类似的文章，这是我们一直的梦想，现在为什么是最好的时机呢？因为随着我们精密仪器的发展，我们对脑制造的越来越多，我们似乎到了一个理解脑的关口，超级计算机的发展可以使我们很好的做模拟仿真，省钱、省力、省时间，大数据和云计算 给我们提供了一个像脑一样复杂的系统，与脑交相呼应，我们可以共同研究，相互促进。
另外，新型纳米器件，已经可以使我们去发展拥有人脑能耗水平的神经元和突触这样的电子器件，所以现在是发展人工通用智能的最好时机。 发展类脑计算去支持人工智能，在这里，脑起着非常重要的作用。
由于研究类脑计算时，缺乏文献，很多东西需要自己摸索，所以感到非常苦恼。有一次我去爬山，就故意让自己钻进森林迷路，后来我根据太阳来定位方向，然后一直走便走到高速公路上拦截到了一辆车；又有一次，我找了一个阴天进山，我一直往高处爬爬到最高的地方，盯住一个点然后一直走又走到了高速路。这两件事情让我思考，脑在这里面起的是一个指南针的作用，我们提供的是方向感，因为这是唯一所知的通用智能体。
在做研究时，我喜欢做难一点的研究，我认为“越难的反而越容易”，因为太容易就会有很多的竞争者，因此很难领先；而如果研究比较难的问题，到后来就几乎没有人竞争了。但是有一个前提条件，研究的方向必须是正确的。
我们人类的智能是建立在碳基上的，而在硅基上，我们建造了现在的数码宇宙。碳基和硅基，它们的结构非常相近，所以我们有一个信念，碳基上能够实现的硅基上一定能够实现。
发展类脑计算和人工通用智能，真正的挑战既不是科学也不是技术，而是因为我们的学科分类，使得我们没有合适的人做这样的研究。而且脑科学和计算机科学，一个是探索自然世界，一个更关注应用，它们是不同的文化、不同的语言，目标也不一样。
所以这个问题最最关键的是多学科的融合 ，清华大学类脑研究计算中心有七个院系的老师组成，覆盖脑科学、计算机、微电子、电子、精仪、自动化、材料等学科。我们七个院系的老师在一起，用每周半天的时间反复讨论，七年里，我们只做了一件事情，就是融合、融合、再融合。
在这个过程当中，我们梳理了一下发展人工通用智能，现在主要有两种技术路线，一种是计算机主导的，另一种是脑科学主导的。计算机主导的，像机器学习，在图像识别、语音理解、自然语言处理方面取得了辉煌的成绩，但是它的泛化性差，很难处理不确定的问题；而脑科学主导的，像神经计算机，神经形态计算发展也很快，但是由于我们不够理解脑的机制，甚至极大的阻碍了它的发展。
不过两条技术路线实际上是互补的，将二者结合起来，是目前我们认为最好的一种发展类脑计算的方法。实际上还有两条路可走，一种叫Brain-Inspired Computing，一种叫Brain-Like Computing。
前者是基于计算机，借鉴脑科学的基本原理来改变计算架构的；后者是仿脑，因为前者覆盖了后者，所以我们用了“类脑”这样一个简单又明导的词涵盖这两部分。
不理解人脑凭什么可以制造出类脑计算，我们思考了很久，后来我们得到答案。计算机是把一个多元空间的信息转换成“010101”这样一种信息，用计算来解决，那么计算的CPU主频越来越快，换句话说，用的是时间复杂度 的问题，当你缩维度的时候相关性会丢失。
我们人很容易确定一个物体是在真实空间里，还是在镜子里，计算机则很难，这是根本原因，我们不知道脑的基本原理，但我们知道一个神经元接一千到一万个神经元，换句话说，我们在这里把信息扩充了，把相关性增强了，我们用的是空间复杂度。
另外我们脑还有脉冲来编码，引进了时间的因素，我们还利用了时空复杂度，所以我们设想保持现在的计算机所有的优点，保持时间复杂度的同时，增加一块类脑芯片，即增加了空间复杂度。如果我们以这种观点来看现在的技术就会发现，现在的神经网络加速器，是面向深度人工神经网络，利用的就是空间复杂度；而向脑一样工作的神经形态计算，面向的是脉冲神经网络，利用的是时空复杂度，那何不把两种结合起来？所以我们所以我们想了一个办法，提出了天机芯片架构。
我们用了3%的代价实现了既支持人工神经网络又支持向脑一样工作的脉冲神经网络，还支持两个的异构建模，我们还利用类脑芯片制造了一个自主行驶自行车。我们的想法是这样构建一个可以和系统互动的多模态的交叉研究平台，我们利用环境变化逼迫这个系统变化，帮它变化的时候，我们便观察其变化，遵循这种变化系统所应该遵循的基本原理，从而帮助我们迭代发展。利用一块天机芯片，我们就实现了感知、追踪、过障、避障。
自动控制、语音理解，自主决策芯片很重要，软件也很重要，因为如果没有软件，应用工程师是不愿意去做应用软件的开发的。所以在我们实验室，我们自己开发了一个软件工具链，我们已经搭起了一个第一代的类脑计算机，那么我们现在做的是“类脑云脑”。
那么它和现在的云计算有什么差别，云计算是把很多的技术整合起来，而我们“类脑云脑”，是面向人工通用智能的。因为大家知道，人工通用智能的研究，从根本上来讲，不同于把很多的窄人工智能加载在一起。我们想把脑的弹性和计算机的刚性结合起来，把数据驱动和知识推动结合起来，把通用知识和推理结合起来，当然这是一个非常有挑战耐心难过的长期的研究。
我们的策略是循序渐进，我们可以设想一下，我们先专注在一个问题的研究，使之可以成为第一代，然后两个问题一起研究，这可以成为第二代，然后第三代第四代最后第五代，从而到我们构建人工通用智能。 免责声明：
除非特别声明，文章均为投稿或网络转载，仅代表作者观点，与大数据中国网无关。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容。如果本文内容有侵犯你的权益，请发送信息至ab12-120@163.com，我们会及时删除
健康的内容生态对文娱行业极为重要。本文详细介绍 [详细]
关闭
站长推荐
大数据行业交流
大数据求职招聘
站长电话： 15010106923
微信联系： hb-0310
站长邮箱： ab12-120@163.com
版权所有： Discuz! 大数据.
GMT+8, 2024-5-21 19:04
, Processed in 0.069859 second(s), 23 queries
.
/1 
