2016年，AlphaGo和韓國九段棋手李世石的人機大戰(zhàn)，使人工智能被大眾所熟知，人工智能的產(chǎn)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(nèi)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并在地面上靈活穿行，將包裹準確運送到指定位置……盡管人工智能給現(xiàn)代生活帶來了便捷，但目前的技術(shù)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么地步呢？日本福島核電站發(fā)生泄漏后，本被寄予厚望的機器人并沒有順利完成災(zāi)后事故處理任務(wù)，大量人力還需要被投入到此類高風險工作中。此外，現(xiàn)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(xiàn)無人車在復雜、人口密集的城市中進行自動駕駛這一設(shè)想仍然有漫長的路要走。
圖1 人工智能產(chǎn)品
為了突破這些瓶頸，進階版智能技術(shù)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(gòu)想的實現(xiàn)可以從腦科學中獲得啟發(fā)。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(tǒng)的計算模式，模仿人類神經(jīng)系統(tǒng)的工作原理，渴求開發(fā)出快速、可靠、低耗的運算技術(shù)。類腦智能是人工智能的終極目標，但研究類腦智能不可能復制人的大腦。類腦智能希望通過研究人類大腦的工作機理并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(zhì)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(lǐng)域面臨著很多難題：
1.視覺感知難。機器人的眼睛常常依賴于機載的攝像機來采集視覺圖像。機器人大腦如何從圖像中識別關(guān)鍵信息呢？如人臉、手勢或障礙物。在常規(guī)環(huán)境下，現(xiàn)有技術(shù)已可以高精度地實現(xiàn)這一任務(wù)。但自然條件下，視覺圖像由于光線、視角、物體運動等多類不穩(wěn)定因素的綜合影響很難被準確識別。盡管一系列性能優(yōu)異的深度學習理論模型大量涌現(xiàn)，但復雜環(huán)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？機器人依靠傳感器收集外界聲音信號，通過語音識別系統(tǒng)和相關(guān)處理技術(shù)將信號進行分析解讀。機器人“聽懂”后，其“中樞系統(tǒng)”會做出相應(yīng)的動作指示或通過語音合成器模擬人類說話。在嘈雜的現(xiàn)實環(huán)境中，現(xiàn)有的語音識別技術(shù)很難成功而高效地實現(xiàn)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(wù)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(yīng)用范圍的不斷擴充，“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云計算、云存儲等先進技術(shù)引入到機器人后臺上，努力讓機器人“大腦”向著信息更豐富、運算更快、反應(yīng)更準確、學習更靈活的方向邁進。
4.穩(wěn)定行走難。區(qū)別于機械臂等固定作業(yè)的機器人，類腦智能機器人的應(yīng)用一定是個動態(tài)過程，換句話說，機器人要有一條堅固、靈活的“腿”。機器人的“腿”不在于長短、粗細，更關(guān)注的是其穩(wěn)定性、自由性。受到生物學啟發(fā)，科學家們嘗試著將人類腿部膝關(guān)節(jié)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）將有望跨越臺階，行走在山地、災(zāi)后等地形復雜的環(huán)境中，將人力從高危行業(yè)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(tài)優(yōu)化行走路徑等一系列高難度任務(wù)。
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(shù)障礙物，真正實現(xiàn)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(lǐng)域投入了大量精力研究。2013年6月，美國公布了“推進創(chuàng)新神經(jīng)技術(shù)腦研究計劃”（簡稱“BRAIN”），旨在探索人腦構(gòu)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(wù)是通過模型方式再現(xiàn)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：傾向于醫(yī)學的大腦揭秘、腦部病變研究，以及類腦智能的技術(shù)開發(fā)。目前我國已取得了一些喜人的成績，如復旦大學開發(fā)出一種能夠“望、聞、問、切”的中醫(yī)機器人（圖3）——“中醫(yī)一號”；百度公司研發(fā)的智能圍棋系統(tǒng)Bingo，在大規(guī)模實戰(zhàn)中戰(zhàn)勝了兩名業(yè)余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(xiàn)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(shù)，其一是深度學習技術(shù)。該項技術(shù)通過把海量與任務(wù)相關(guān)的數(shù)據(jù)直接投放到模型中，依據(jù)人腦思維模式而建立的系統(tǒng)就會自動利用這些數(shù)據(jù)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(xiàn)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(yōu)異的表現(xiàn)。但正如前文所提到的，深度學習技術(shù)在真正處理現(xiàn)實圖像、信號方面依然需要不斷改進。深度學習技術(shù)致力于使機器人具有自我學習能力，另一個技術(shù)熱點——強化學習的主要目的是幫助機器人形成從環(huán)境到行為映射的學習，在機器人智能控制等領(lǐng)域有許多應(yīng)用。強化學習這種訓練方法不是告訴系統(tǒng)如何產(chǎn)生正確的動作，而是通過評價產(chǎn)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(huán)境中的最優(yōu)行動路徑（圖5）。
圖5 強化學習工作原理
類腦智能技術(shù)充分學習人腦的思維模式，從仿生角度努力尋求人工智能的突破。這一熱門學科前景誘人，應(yīng)用范圍廣闊?？茖W家們曾預(yù)言一個國家類腦智能的發(fā)展水平將極大程度影響該國在軍事、工業(yè)等眾多行業(yè)的發(fā)展，因此類腦智能技術(shù)的發(fā)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?？晌覀儾粦?yīng)該迎難而上嗎？畢竟我們曾經(jīng)向鳥學習發(fā)明了飛機，向魚學習發(fā)明了潛艇，如今向自己學習又有什么好膽怯的呢？
來源：DATACONOMY
作者：Bove Beardsley
編譯：智能觀
人工智能是技術(shù)發(fā)展中最令人興奮的領(lǐng)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能項目。這些項目涵蓋了相當廣泛的主題和目標，并在領(lǐng)域內(nèi)取得了令人矚目的進展。
從華盛頓大學、卡內(nèi)基梅隆大學、哈佛大學到牛津大學，各個大學都把他們優(yōu)秀又聰明的人才投向了一些非常有趣的人工智能項目。在世界各地的大學里，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能項目。眾包工作流的決策理論控制就是其中之一，它著眼于眾包工作背后的決策過程，并將其自動化。
眾包的工作流程由公司通過亞馬遜的mechanical turk等服務(wù)來運營。公司將小塊項目通過網(wǎng)絡(luò)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(huán)節(jié)都是動態(tài)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(zhàn)性的。因此，該學校的目標是開發(fā)一種人工智能，可以自行委托這些任務(wù)。這將是該領(lǐng)域的一項重大創(chuàng)新。
2. 4CAPS
（卡內(nèi)基梅隆大學）
4CAPS（Call Attempts Per Second）是由卡內(nèi)基梅隆大學開發(fā)的一個項目。 這是一種能夠考慮傳統(tǒng)行為數(shù)據(jù)以及神經(jīng)成像研究結(jié)果的認知架構(gòu)。由于結(jié)合了環(huán)境中的連接和符號機制，屬于一種混合架構(gòu)，是一種高級認知架構(gòu)。 它是1982年開發(fā)的原始CAPS架構(gòu)的升級版。
3. ARIES
（孟菲斯大學智能系統(tǒng)研究所）
ARIES（Algorithms for Recovery and Isolation Exploiting Semantics）是一個令人興奮的教育相關(guān)項目，由孟菲斯大學智能系統(tǒng)研究所開發(fā)。它是一個教育環(huán)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(nèi)容。此外，它還把電子教科書的內(nèi)容放在了游戲的環(huán)境中。這可能是教育領(lǐng)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能像人腦一樣，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能如何提高效率，像人類大腦一樣（人腦不需要像人工智能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能的好處與人腦的功能、效率相結(jié)合，提升人工智能處理大量數(shù)據(jù)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，該團隊專注于人工智能項目。他們將一起致力于圖像識別和自然語言處理領(lǐng)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能項目。從前景可觀的教育工具開發(fā)到對人工智能規(guī)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(guān)的領(lǐng)域。
